📌 核心问题

2026 年 5 月中旬，OpenAI 宣布其内部 AI 模型推翻了 Erdős 单位距离猜想（Erdős Unit Distance Conjecture）——一个困扰数学界 80 年的离散几何难题。这是 AI 系统首次自主发现并证明一个重大未解决猜想，菲尔兹奖得主 Tim Gowers 评价称「毫无疑问，这是 AI 数学的里程碑」。

Erdős 单位距离问题由匈牙利数学家 Paul Erdős 于 1946 年提出：给定平面上 n 个点，最多有多少对点恰好相距 1 个单位？Erdős 猜测最大单位距离对数的增长速率约为 n^(1+o(1))，即仅比线性增长略快。80 年来，数学家普遍相信这个猜测是正确的。

多伦多大学教授 Daniel Litt 写道：「这是第一个我从结果本身（而非作为先兆）感到兴奋的 AI 自主产出的成果。」这标志着 AI 数学从「辅助工具」到「独立研究者」的范式跃迁。

📊 关键数据

  • 问题提出时间：1946 年，悬而未决 80 年
  • Erdős 原始上界：单位距离对数的增长远快于线性，约为 n^(4/3) 量级
  • AI 证明的新下界：至少 n^1.014（由数学家 Will Sawin 从 AI 构造中提取），远超 Erdős 网格构造的结果
  • AI 构造使用 c²=65 的高维网格投影，每个点有 16 个单位距离邻居（Erdős 网格最多 12 个）
  • 当前最佳上界仍为 ~n^1.333，差距有待进一步缩小

🏗️ 技术架构 / 设计

  • 核心突破：AI 构造了高维空间中的代数整数网格（algebraic integer grid），然后投影到二维平面，打破了 Erdős 对「最优排列必为方格网格」的隐含假设
  • 数论工具：利用 Jacobi 二平方定理选择特殊的 c² 值（如 65 = 1²+8² = 4²+7²），使单位圆能穿过更多网格点
  • 跨领域整合：AI 将离散几何、数论、图论、高维几何的方法融会贯通，创造性地组合了已有技术
  • 并非全新发明：AI 没有发明本质上新的数学技术，而是以超人的广度和耐心搜索和组合已有方法
  • 人类后处理：结果由数学家 Will Sawin 整理、扩展并正式发表（arXiv: 2605.20579），证明了 AI 构造可提炼出 n^1.014 的具体下界

🔑 关键洞察

AI 数学的「阿波罗时刻」：80 年来数学家普遍相信 Erdős 的猜测是对的，AI 用了完全不同的构造路径证明他们错了。这不是优化已知方案，而是找到人类从未想象过的全新结构。
广度 vs 深度的互补：AI 的优势在于遍历人类 1500 年数学文献的广度 + 不厌其烦地尝试低概率策略的耐心。人类的优势在于深度思考和提出更好的问题。短期内这是互补关系，但十年后不确定。
从 AlphaEvolve 到独立证明者：Google DeepMind 的 AlphaEvolve 需要人类将问题转化为优化问题；OpenAI 这次的模型直接面对原始猜想。自主性的跃迁意味着 AI for Math 赛道的游戏规则正在改变。

💭 引发思考

这次突破揭示了一个深层趋势：AI 在数学领域的进步速度远超预期。三年前 LLM 连算术都做不好，去年才开始在 IMO 级别竞赛中崭露头角，今年就独立解决了 80 年的开放问题。如果这个速度持续，十年后人类数学家的角色将面临根本性重新定义。

对于 AI 工程领域，这次事件的启示是：AI 的核心价值不在于「更快地做人类会做的事」，而在于「找到人类从未想过的路径」。这与 Harness Engineering 的理念一脉相承——好的 AI 系统不是替代人类思考，而是拓展人类思考的边界。当前 AI 数学还处于人机互补的蜜月期，如何设计更好的人机协作框架，将是接下来最值得探索的方向。

📎 相关阅读

逍遥云初 | 2026.06.20