📌 论文/技术链接

  • OpenAI 官方公告：https://openai.com/index/model-disproves-discrete-geometry-conjecture/
  • AI 生成的证明：https://cdn.openai.com/pdf/74c24085-19b0-4534-9c90-465b8e29ad73/unit-distance-proof.pdf
  • 人类数学家 companion paper：https://cdn.openai.com/pdf/74c24085-19b0-4534-9c90-465b8e29ad73/unit-distance-remarks.pdf
  • Will Sawin 显式下界论文（arXiv:2605.20579）：https://arxiv.org/abs/2605.20579

原始发布日期：2026 年 5 月 15 日（OpenAI 公告） / 2026 年 5 月 20 日（Sawin 论文）

🔥 核心问题

1946 年，传奇数学家 Paul Erdős 提出了一个看似简单的问题：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？这个问题被称为「单位距离问题」（Unit Distance Problem），是离散几何中最著名的开放问题之一。Erdős 本人甚至为解决它设立了奖金。

80 年来，数学家们普遍相信 Erdős 的猜想是正确的：最优构造就是「缩放正方形网格」——通过精心选择网格间距，使每个点尽可能多地与其他点形成单位距离。这种构造的增长速率约为 n^{1 + C/log(log(n))}，仅比线性增长稍快。Erdős 猜想这就是最优的，即上界为 n^{1+o(1)}。

然而，2026 年 5 月，OpenAI 的一个通用推理模型（并非专门针对数学训练的系统）自主证明了这个猜想是错误的。它构造了一族无穷多个点集配置，使得单位距离对数的增长速率严格超过 n^{1+δ}（δ > 0）。普林斯顿数学教授 Will Sawin 后续将 δ 显式确定为 0.014。这看起来很小，但当 n 足够大时，这个差异是指数级的。

📊 关键数据

  • Erdős 1946 年下界（正方形网格）：n^{1 + C/log(log(n))}，仅比线性增长稍快
  • 当前最佳上界（Spencer-Szemerédi-Trotter, 1984）：O(n^{4/3}) ≈ n^{1.333}
  • OpenAI AI 证明的新下界：n^{1+δ}，δ > 0（未显式给出）
  • Will Sawin 显式下界（2026.5.20）：n^{1.014}
  • 时间跨度：从 Erdős 提出问题到被 AI 推翻，历时 80 年
  • Fields 奖得主 Tim Gowers 评价：「this solution is a milestone in AI mathematics」
  • 领先数论学家 Arul Shankar 评价：「current AI models go beyond just helpers to human mathematicians – they are capable of having original ingenious ideas」

🧠 技术架构/设计

  • 通用推理模型，非专用数学系统：OpenAI 并未针对此问题训练专门的数学模型或搭建证明搜索框架，而是用一个通用推理模型在 Erdős 问题集合上测试，它自主产生了这个证明。
  • 从代数数论「借用」工具：证明的核心创新是用更复杂的代数数域（algebraic number fields）替代 Erdős 使用的高斯整数。高斯整数是 a+bi 形式（a,b 为整数），新构造使用具有更丰富对称性的高维代数整数。
  • 高维网格投影：AI 在高维空间中构造网格，然后投影到二维平面。利用 Golod-Shafarevich 理论和无限类域塔（infinite class field towers）证明所需数域的存在性。
  • 关键数学原理：选择 c² 使得 a² + b² = c² 有大量整数解（两个平方和定理/Jacobi's two-square theorem），从而让网格中每个点有更多「单位距离邻居」。高维推广显著增加了这种结构的密度。
  • 人机协作验证：OpenAI 将证明交给外部数学家群体审查，他们撰写了 companion paper 解释论证、提供背景。Thomas Bloom 指出这个证明揭示了「代数数论构造对离散几何问题有远超预期的解释力」。

🔑 关键洞察

AI 首次自主解决重大开放数学问题 — 这不是辅助计算，不是证明搜索，不是人类引导下的半自动推理。一个通用推理模型面对一个 80 年未解的猜想，自主产生了包含原创数学思想的完整证明。这是 AI 数学能力的质变时刻。
跨领域知识迁移是核心能力 — 证明的关键不是暴力搜索，而是将代数数论（Golod-Shafarevich 理论、类域塔）的工具创造性地应用到离散几何问题。这暗示 AI 的优势可能不在于「算得更快」，而在于「联想更广」——它能连接人类专家因为学科壁垒而忽略的远距离知识。
人机协作的新范式正在成型 — AI 产生原始证明，人类数学家清理、简化、扩展（Sawin 将隐式 δ 变为显式 0.014），并提炼出更深层的数学意义。Thomas Bloom 说：「这表明代数数论构造对这类问题的解释力远超我们的预期。」AI 做探索，人类做理解和深化。
通用模型 > 专用系统 — OpenAI 强调这个结果来自通用推理模型，而非数学专用系统。这意味着更强的通用推理能力可能比领域特化更有价值——至少在数学发现这种需要跨领域联想的任务上。

🤔 引发思考

这个结果的深远意义可能超越数学本身。如果一个 AI 模型能维持复杂论证的连贯性、连接远距离知识领域、产生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 在公告中明确表示，这是「通向更自动化研究的长期路径」的一部分。

但值得冷静的是：这个证明虽然原创，但并未开辟全新的数学技术——它巧妙地将已有工具（代数数论）应用到新场景。正如 Ars Technica 的分析指出，这更多是现有 AI 进展轨迹上的「下一步」，而非革命性断裂。当前最佳上界仍是 n^{1.333}，与下界 n^{1.014} 之间还有巨大差距。真正让 Erdős 猜想「完全解决」，可能还需要更多突破。不过，80 年的僵局被打破本身，就足以让我们认真重新评估 AI 在基础研究中的角色。

📚 相关阅读

  • Ars Technica 深度解读：https://arstechnica.com/ai/2026/06/openais-math-breakthrough-played-to-ais-strengths/
  • Stanford HAI 2026 AI Index 报告：https://hai.stanford.edu/news/inside-the-ai-index-12-takeaways-from-the-2026-report
  • MIT Technology Review: Generative Coding - 10 Breakthrough Technologies 2026：https://www.technologyreview.com/2026/01/12/1130027/generative-coding-ai-software-2026-breakthrough-technology/

逍遥云初 | 2026.06.22