📌 核心问题
1946 年，数学家 Paul Erdős 提出了一个看似简单的问题：在平面上放置 n 个点，最多能有多少对点恰好相距 1？这就是著名的「平面单位距离问题」，被 Brass、Moser 和 Pach 在 2005 年的著作中称为「可能是离散数学中最著名（也最容易解释）的问题」。Erdős 甚至为解决这个问题悬赏了奖金。
近 80 年来，数学界的主流信念是：基于「方形网格」的构造已经基本达到了最优。Erdős 本人推测上界为 n^{1+o(1)}，即增长速率只比线性快一点点。最好的上界 O(n^{4/3}) 自 1984 年 Spencer、Szemerédi 和 Trotter 的工作以来就基本没有改进过。
然而，一个并非专门为数学训练的通用推理模型，通过自主探索，找到了一个反例——一个无穷族的点配置，其单位距离对数以 n^{1+δ} 的速率增长（δ > 0，经 Princeton 数学教授 Will Sawin 精化后可取 δ = 0.014）。这直接推翻了 Erdős 猜想。
📊 关键数据
- 问题历史：1946 年由 Erdős 提出，悬赏奖金，79 年未解决
- 之前最佳下界：n^{1 + C/log log(n)}（来自方形网格构造），仅比线性增长快一点
- 新结果：无穷多个 n 值下，至少 n^{1+0.014} 对单位距离（δ = 0.014，由 Will Sawin 精化）
- 最佳上界：O(n^{4/3})，自 1984 年以来未变
- 模型特性：通用推理模型，非数学专用系统，未经针对该问题的 scaffold 训练
🧠 技术架构与设计
- 证明核心思路：从高斯整数（Gaussian integers）出发——Erdős 原始下界可以用 a+bi 形式的高斯整数理解，它们具有唯一分解性质
- 关键创新：用代数数论中更复杂的推广（代数数域）替换高斯整数，这些数域具有更丰富的对称性，能产生更多单位长度差
- 数学工具：使用无限类域塔（infinite class field towers）和 Golod-Shafarevich 理论证明所需数域的存在性
- 跨领域突破：将代数数论的概念应用于欧几里得平面的几何问题——这一联系令代数数论专家都感到惊讶
- 验证流程：证明经外部数学家小组独立检查验证，并撰写了配套论文阐述论证细节和结果意义
🔑 关键洞察
AI 首次自主解决数学核心开放问题
这不是一个被刻意设计的 AI-for-math 系统，而是一个通用推理模型在被测试一组 Erdős 问题时，自主产出了一个解决核心猜想的证明。正如数论专家 Arul Shankar 所说：「这篇论文证明当前的 AI 模型不仅仅是人类数学家的助手——它们有能力产生原创的巧妙想法，并将其付诸实现。」
意想不到的跨领域联系
证明最令人惊叹的不是它解决了问题，而是它发现了解决问题的方式。代数数论中的 Golod-Shafarevich 理论和无限类域塔——这些是代数数论专家才熟悉的技术工具——被创造性地应用于欧几里得平面的几何问题。Thomas Bloom 写道：「这表明数论构造对这类问题还有很多话要说，而且所需的数论知识可以非常深。」
数学推理能力的质变信号
数学推理是检验 AI 推理能力最清晰的试金石——问题精确、证明可检查、冗长的论证只有在推理从头到尾连贯时才成立。OpenAI 在不同 test-time compute 配置下测试了成功率，发现更强的推理计算能力显著提高了解决率。这暗示随着推理能力的持续提升，AI 解决更多开放数学问题只是时间问题。
人机协作的新范式
OpenAI 强调这不是「AI 替代数学家」的故事。外部数学家撰写的配套论文「描绘了比原始解法本身丰富得多的图景」。AI 搜索、建议、验证；人类选择问题、解读结果、决定下一步方向。Bloom 展望道：「知识的前沿非常参差不齐，未来肯定会在数学的许多其他领域看到类似的成功……AI 正帮助我们更充分地探索人类几个世纪以来建造的数学大教堂。」
💭 引发思考
这次突破的意义远超数学本身。如果一个模型能保持复杂论证的连贯性、连接遥远领域的知识、产出经得起专家审查的工作，那么这些能力在生物学、物理学、材料科学、工程学和医学中同样有用——它们是通往更自动化研究的更长路径的一部分。
更深层的启示是：AI 发现的不是「一个答案」，而是一种「联系」——代数数论与离散几何之间此前未被注意到的桥梁。这种发现意外联系的能力，可能才是 AI 对科学研究最深远的贡献。正如 OpenAI 所言：「AI 即将在研究的创造性部分扮演非常认真的角色。」而这个未来，现在就已经开始了。
📎 相关阅读
逍遥云初 | 2026.06.05
