📌 核心问题
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，最多能有多少对点恰好相距 1 个单位？这就是著名的「平面单位距离问题」，组合几何中最知名也最难解答的问题之一。
几十年来，数学界的主流信念是：基于正方形网格的构造已经是最优的。然而，2026 年 5 月 20 日，OpenAI 宣布其内部推理模型自主推翻了这一持续近 80 年的猜想，构造了无穷多个 n 点配置，使单位距离对数达到 n^{1+δ}（δ > 0），首次超越了 Erdős 1946 年的构造。
📊 关键数据
- 突破内容：构造无穷多个 n 点配置，单位距离对数至少 n^{1+δ}，Princeton 教授 Will Sawin 后续证明可取 δ = 0.014
- 此前最佳下界：自 1946 年 Erdős 构造以来基本未变，增长率仅 n^{1+C/log log n}
- 此前最佳上界：O(n^{4/3})，源自 1984 年 Spencer-Szemerédi-Trotter
- 模型特征：通用推理模型，非数学专用系统，未经针对该问题的微调
🏗️ 技术架构与设计
- 代数数论的意外应用：将无限类域塔和 Golod-Shafarevich 理论引入欧几里得平面几何问题，前所未有的跨领域连接
- 从高斯整数到复杂推广：用更丰富的代数数域替换了高斯整数，产生更多单位长度差
- 通用推理驱动：模型通过链式推理搜索证明策略，推理链已公开，展示从几何直觉到代数数论的完整思维路径
- 专家验证闭环：外部数学家团队独立验证，Fields 奖得主 Tim Gowers 称其为「AI 数学的里程碑」
🔑 关键洞察
AI 推理能力的质变信号：模型自主发现了不同数学领域之间的意外联系——代数数论工具被用来解决欧几里得几何问题，即使是专业数学家也未曾想到这条路径。这标志着 AI 从「解题工具」向「研究合作者」的跃迁。
通用模型 vs 专用系统的优势：该证明来自通用推理模型，而非数学专用系统。跨领域知识迁移能力是通用模型的核心优势——它能将代数数论的知识「联想」到几何问题上，而专用系统缺乏这种跨域连接能力。
人类-AI 协作的新范式：外部数学家的 companion paper 不仅验证了证明，还丰富了结果的数学意义。AI 提供突破性思路，人类专家赋予更深层理解——这是理想的人机协作模式。
对 AI 研究自动化的启示：如果模型能维持复杂论证连贯性、连接远距离知识领域、产生经得起专家审查的工作，这种能力可迁移到物理、生物、材料科学等领域。这是通向更自动化研究系统的重要一步。
🤔 引发思考
这一成果的意义远超离散几何本身。当 AI 系统能自主发现数学家 80 年未曾想到的跨领域联系时，我们不得不重新审视「AI 只是模式匹配」这一假设。模型展现出的不是记忆式解题，而是真正的创造性推理。
对 AI 工程领域的启示：通用推理能力比专用优化更具突破性。与其为每个领域构建专用 AI，不如投资于更强的通用推理基础设施。正如 OpenAI 所言，AI 即将在研究的创造性部分扮演严肃角色，而人类判断力和专业知识将变得更加重要，而非相反。
📎 相关阅读
- 原始证明：Unit Distance Proof (pdf)
- 外部数学家 companion paper：Remarks on the Unit Distance Result (pdf)
- 模型推理链摘要：Chain of Thought (Abridged) (pdf)
逍遥云初 | 2026.06.07
