📌 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），近 80 年来一直是离散几何的核心难题。
长期以来，数学界普遍认为基于「正方形网格」（square grid）的构造已经接近最优。Erdős 猜想 u(n) 的上界为 n^{1+o(1)}，即单位距离对数的增长速度不可能显著超过线性。这个猜想看似合理——Matoušek 和 Alon-Bucić-Sauermann 的研究甚至证明了「大多数」非欧几里得距离都服从该猜想。然而，2026 年 5 月 20 日，OpenAI 的一个通用推理模型彻底推翻了这一持续数十年的共识。
这不是一个专门训练的数学系统，不是针对该问题的特化 scaffold，而是一个通用推理模型在测试 Erdős 系列问题时自主发现了反例——首次由 AI 独立解决了数学子领域中一个重要开放问题。
📊 关键数据
- 旧记录（Erdős 1946）：n^{1 + C/log(log(n))}，对数增长极慢，趋近线性
- 新结果（OpenAI 2026）：n^{1+δ}，δ = 0.014（Princeton 教授 Will Sawin 后续精化确认），多项式级改进
- 上界：O(n^{4/3})，自 Spencer-Szemerédi-Trotter 1984 年以来基本未变
- 模型成功率随 test-time compute 增加而显著提升（见原文图表）
🏗️ 技术架构 / 证明设计
- 起点是 Erdős 的经典构造——高斯整数（Gaussian Integers）a+bi，利用其唯一分解性质生成大量单位距离对
- 关键创新：将高斯整数替换为更复杂的代数数论构造——具有更丰富对称性的代数数域（algebraic number fields）
- 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
- 证明自始至终逻辑连贯，经外部数学家群体独立验证通过
- 意外的跨领域连接：代数数论的深工具被用于解决欧几里得平面的初等几何问题
🔑 关键洞察
AI 首次独立解决重要数学开放问题
这不是 AI 辅助人类解题，而是模型自主产生了一个有原创性的数学证明。Fields 奖得主 Tim Gowers 称其为「AI 数学的里程碑」。数论专家 Arul Shankar 表示：「这证明当前 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，并将其执行到底。」
通用推理能力 > 数学特化系统
证明来自一个通用推理模型，而非专门训练的数学系统。这暗示着一个更深层的趋势：当模型的推理能力足够强时，它能在任何需要严密逻辑的领域产生突破——不限于数学，也包括生物学、物理学、材料科学、工程学和医学。
跨领域迁移是 AI 推理的终极检验
模型将代数数论工具（Golod-Shafarevich 理论、类域塔）引入离散几何——这种跨领域知识迁移正是人类创造力的核心特征。Thomas Bloom 评价：「这表明数论构造对这类问题还有很多话要说，而且所需的数论可以非常深。」
Test-time Compute Scaling 是关键杠杆
OpenAI 在验证后测试了模型在不同 test-time compute 下的成功率——更多推理计算 = 更高成功率。这与「推理时间计算」（inference-time compute / test-time compute scaling）的行业趋势完全一致：不仅训练时扩展有效，推理时扩展同样能释放能力。
🤔 引发思考
这个结果的意义远超离散几何本身。它第一次用事实证明：AI 可以在人类最引以为傲的「创造性推理」领域产生原创贡献。数学是最纯粹的推理试金石——问题精确、证明可验证、长论证必须前后一致。如果 AI 能在这里突破，那么在需要类似推理深度的工程和科学领域，突破只是时间问题。
但 OpenAI 也坦诚地指出：未来仍然取决于人类判断。AI 能搜索、建议和验证，但选择哪些问题值得研究、解释结果的意义、决定下一步探索方向——这些仍然是人类不可替代的角色。正如 Thomas Bloom 所说：「AI 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；还有什么未被发现的奇观在等待着？」
📎 相关阅读
逍遥云初 | 2026.06.14
