📌 核心问题：近 80 年的数学猜想被 AI 攻克

1946 年，Paul Erdős 提出了一个看似简单却困扰数学界近 80 年的问题：在平面上放置 n 个点，最多能有多少对点之间的距离恰好为 1？这就是著名的「平面单位距离问题」（Planar Unit Distance Problem），被 Brass、Moser 和 Pach 在 2005 年的著作中称为「可能是组合几何中最著名且最容易解释的问题」。

几十年来，数学界普遍认为「方格构造」（square grid construction）已经是最优解——其增长率为 n^(1 + C/log log n)，仅比线性增长略快。Erdős 本人甚至为此悬赏。然而 2026 年 5 月 20 日，OpenAI 宣布其内部的一个通用推理模型自主证明了这一猜想是错误的，提供了无穷多个反例，实现了多项式级别的改进。

这一结果的意义远超数学本身。这是历史上首次一个主流开放性问题被 AI 系统自主解决，且该模型并非专门针对数学训练的系统，而是一个通用推理模型。Fields 奖得主 Tim Gowers 称其为「AI 数学的里程碑」。

📊 关键数据与突破

  • 问题历史：1946 年由 Erdős 提出，悬赏解决，近 80 年未解
  • 此前最佳下界：Erdős 1946 年的方格构造，增长率 n^(1 + C/log log n)，仅略快于线性
  • 此前最佳上界：O(n^(4/3))，由 Spencer、Szemerédi 和 Trotter 于 1984 年证明，此后基本未变
  • 新结果：对无穷多个 n，构造出至少 n^(1+δ) 个单位距离点对，δ > 0（Princeton 教授 Will Sawin 精化证明 δ = 0.014）
  • 证明工具：代数数论中的无穷类域塔和 Golod-Shafarevich 理论

🏗️ 技术架构与证明思路

  • 起点——高斯整数：Erdős 的原始下界基于高斯整数（a+bi 形式），具有唯一素因子分解性质，可自然构造单位距离对
  • 关键创新——代数数论替换：AI 模型用更复杂的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
  • 存在性证明——Golod-Shafarevich：利用无穷类域塔和 Golod-Shafarevich 理论证明所需的数域确实存在
  • 通用推理模型：证明来自通用推理模型，而非专门训练的数学系统，未针对单位距离问题做特殊 scaffolding
  • 验证流程：外部数学家群体独立验证了证明，并撰写了配套论文阐述论证细节和结果意义

🔑 关键洞察

🔑 洞察一：AI 推理能力已达「原创性」门槛

这不是 AI 在已知路径上的搜索优化，而是真正的数学发现。代数数论与离散几何之间的意外桥梁，连代数数论专家都感到惊讶。正如数论专家 Arul Shankar 所言：「这篇论文证明了当前的 AI 模型不仅仅是人类数学家的助手——它们有能力产生原创性的巧妙想法，并将其付诸实现。」这意味着 AI 的推理深度已经足以在严肃的前沿研究中产生原创贡献。

🔑 洞察二：跨领域迁移是 AI 研究的核心优势

证明的关键来自代数数论——一个与组合几何看似无关的领域。人类数学家往往深耕单一领域，跨领域迁移需要大量时间和机遇。AI 模型则天然具备跨领域知识整合能力，能将不同数学分支的工具组合出人意料地应用到新问题上。Thomas Bloom 评论道：「数论构造对这类问题的启示比我们预想的要多得多，而且所需的数论可以非常深奥。」

🔑 洞察三：数学是 AI 推理能力的终极试金石

数学推理的独特价值在于其可验证性——证明要么正确要么错误，没有灰色地带。这使得数学成为测试 AI 推理深度的理想场景：长链推理必须从头到尾逻辑自洽。该结果表明，当前的推理模型已经能够维持复杂的长链推理，并产出经得起专家审查的工作成果。这一能力可以直接迁移到生物学、物理学、材料科学、工程学和医学等领域。

🔑 洞察四：人机协作的新范式正在成型

OpenAI 的做法值得关注：AI 提供原始证明，人类数学家验证、解释、扩展并撰写配套论文。最终成果比单纯的 AI 解决方案更加丰富。这预示了一种新的人机协作范式——AI 负责探索和发现，人类负责诠释、深化和引导方向。Bloom 写道：「AI 帮助我们更全面地探索人类几个世纪以来建造的数学大教堂；还有哪些未被发现的奇迹在等待着？」

🚀 引发思考

这一突破标志着 AI 在创造性研究中角色的根本转变。过去我们讨论 AI 是否能「辅助」科研，现在问题变成了 AI 能「主导」到什么程度。当一个通用推理模型能在未被专门训练的领域解决近 80 年的开放问题时，我们需要重新审视 AI 在科学研究中的定位。

更深远的影响在于：如果 AI 能在数学中揭示意想不到的跨领域联系，那么在药物发现、材料设计、气候建模等同样需要跨领域整合的领域，类似的突破可能即将到来。OpenAI 在文末强调：「AI 即将在研究的创造性部分扮演非常严肃的角色，尤其是 AI 研究本身。」这不是遥远的未来，而是正在发生的现在。当然，人类判断力仍然至关重要——选择哪些问题值得研究、诠释结果的意义、决定下一步探索方向，这些仍是人类专家不可替代的价值。

📎 相关阅读

  • 原始证明：https://cdn.openai.com/pdf/74c24085-19b0-4534-9c90-465b8e29ad73/unit-distance-proof.pdf
  • 外部数学家配套论文：https://cdn.openai.com/pdf/74c24085-19b0-4534-9c90-465b8e29ad73/unit-distance-remarks.pdf
  • 模型推理链摘要：https://cdn.openai.com/pdf/1625eff6-5ac1-40d8-b1db-5d5cf925de8b/unit-distance-cot.pdf

逍遥云初 | 2026.06.06