📐 OpenAI 模型自主推翻 80 年离散几何猜想

论文/技术链接：https://openai.com/index/model-disproves-discrete-geometry-conjecture/

原始发布日期：2026 年 5 月 20 日

证明全文：https://cdn.openai.com/pdf/74c24085-19b0-4534-9c90-465b8e29ad73/unit-distance-proof.pdf

📌 核心问题

1946 年，Paul Erdős 提出了组合几何中最著名的问题之一：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「平面单位距离问题」（Planar Unit Distance Problem），Erdős 本人甚至为解决这个问题悬赏奖金。

80 年来，数学界普遍认为「正方形网格」构造已经是最优解——增长率约为 n^{1 + C/log log n}，仅比线性增长略快。学界的主流猜想是：不可能有构造能显著超越这个增长率。然而，2026 年 5 月 20 日，OpenAI 的一个通用推理模型彻底打破了这个共识。

这个结果的意义不仅在于解决了一个具体问题，更在于它证明了 AI 系统可以自主做出原创性的数学发现——不是在特定领域被专门训练的系统，而是一个通用推理模型，在探索 Erdős 问题集合时自主产生了这个突破性证明。

📊 关键数据

  • 问题历史：1946 年由 Erdős 提出，悬赏奖金，80 年未被突破
  • 原最优构造（正方形网格）：增长率 n^{1 + C/log log n}，仅略快于线性
  • 新构造（AI 发现）：对无穷多个 n，存在至少 n^{1+δ} 个单位距离对，δ > 0 为固定常数
  • Princeton 数学教授 Will Sawin 的后续精化：δ 可取 0.014
  • 此前最优上界：O(n^{4/3})，自 1984 年 Spencer-Szemerédi-Trotter 以来未变
  • 证明工具：无限类域塔（infinite class field towers）+ Golod-Shafarevich 理论
  • 模型类型：通用推理模型，非数学专用系统，未针对该问题做特殊训练

🏗️ 技术架构 / 设计

  • 问题转化：将平面几何问题转化为代数数论问题——用更复杂的代数数域替代高斯整数（Gaussian integers），利用其更丰富的对称性构造更多单位距离对
  • 关键数学工具：引入无限类域塔和 Golod-Shafarevich 理论，证明所需数域的存在性——这些工具在代数数论中是已知的，但将其应用于欧氏平面几何问题是完全出乎意料的
  • 证明验证：外部数学家团队独立验证了证明的正确性，并撰写了配套论文解释论证的背景和意义
  • 成功率研究：OpenAI 团队在不同 test-time compute 预算下测试了模型的成功率，证明了推理深度与问题解决能力的正相关
  • 链式思维（CoT）：模型的推理链已被公开（截断版），展示了从代数数论到几何构造的完整思路

🔑 关键洞察

🔑 AI 首次自主解决活跃领域的核心开放问题

这是历史上第一次，一个 AI 系统自主解决了一个活跃数学子领域的中心开放问题。此前 AI 在数学上的成就（如 AlphaProof 解决 IMO 题目）都是在竞赛题或特定目标上，而这次是在真实的前沿研究问题上，且没有针对该问题做任何专门优化。这标志着 AI 从「数学工具」到「数学研究者」的质变。

🔑 跨领域连接是突破的关键

证明最令人惊讶的地方在于：它将代数数论的深邃工具（类域塔、Golod-Shafarevich 理论）引入了欧氏平面几何问题。这种跨领域连接正是人类数学家最难做到的事——需要同时精通两个相距甚远的数学分支。AI 模型做到了，暗示未来 AI 可能在更多学科交叉处发现新突破口。

🔑 通用模型 vs 专用系统的巨大优势

这个证明来自一个通用推理模型，而非数学专用系统。这意味着模型在广泛训练中积累的跨领域知识，比专门针对数学的系统更能产生「意外的连接」。Fields 奖得主 Tim Gowers 评价这是「AI 数学的里程碑」，数论学家 Arul Shankar 认为这展示了 AI 模型「有能力产生原创的巧妙想法，并将其执行到底」。

🔑 人机协作的新范式

外部数学家的配套论文比原始 AI 证明本身描绘了更丰富的图景——Thomas Bloom 指出这揭示了「数论构造对离散几何问题有比我们预想更多的贡献，而且所需的数论可以非常深」。这暗示了一种新的人机协作范式：AI 负责搜索和发现意想不到的连接，人类负责解释、深化和拓展。

💭 引发思考

这个结果的意义远超离散几何本身。如果一个通用推理模型能保持复杂论证的连贯性、连接远距离的知识领域、并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价值。OpenAI 明确表示这是「更自动化研究」路径上的重要一步——系统能帮助科学家和工程师探索更多想法，追求更难的技术问题。

但这也带来了新的挑战。当 AI 系统开始在研究的创造性部分发挥严肃作用时，如何确保其推理的可靠性？如何处理 AI 发现的但人类难以理解的证明？数学提供了特别清晰的检验标准——证明可以被验证——但在其他科学领域，「验证」本身可能就更困难。正如 OpenAI 所说，AI 即将在研究的创造性部分扮演严肃角色，理解这个新阶段的挑战已经刻不容缓。

📎 相关阅读

  • 证明全文：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（截断版）：https://cdn.openai.com/pdf/1625eff6-5ac1-40d8-b1db-5d5cf925de8b/unit-distance-cot.pdf
  • Erdős 单位距离问题（Wikipedia）：https://en.wikipedia.org/wiki/Unit_distance_graph

*逍遥云初 | 2026.06.08*