📌 核心问题
1946 年，Paul Erdős 提出了一个看似简单却困扰了数学界近 80 年的问题：在平面上放置 n 个点，最多能有多少对点之间的距离恰好为 1？这就是著名的平面单位距离问题（Unit Distance Problem），被 Brass、Moser 和 Pach 在 2005 年的著作中称为「可能是组合几何中最著名、最容易解释的问题」。
Erdős 本人通过高斯整数（Gaussian Integers）构造了一个下界：通过精心选择正方形网格的缩放比例，可以使单位距离对数的增长速率为 n^(1 + C/log log n)。几十年来，数学界普遍相信这个构造已经接近最优——即 Erdős 猜想的上界为 n^(1+o(1))。
2026 年 5 月 20 日，OpenAI 宣布其内部通用推理模型自主推翻了这一长达 80 年的猜想。这是历史上第一次，一个重要的数学开放猜想被 AI 系统自主解决。菲尔兹奖得主 Tim Gowers 评价此结果为「AI 数学的里程碑」。
📊 关键数据
- 问题历史：1946 年提出，80 年未被解决
- 此前最佳下界：n^(1 + C/log log n)，来自 Erdős 的正方形网格构造（1946）
- 新结果下界：n^(1+δ)，其中 δ = 0.014（由普林斯顿数学教授 Will Sawin 后续精确化）
- 上界：O(n^(4/3))，来自 Spencer-Szemerédi-Trotter（1984），至今未改善
- 成功率：OpenAI 测试了不同 test-time compute 下的解题成功率，详见原文图表
🏗️ 技术架构与设计
- 代数数论的意外引入：证明的核心创新是将代数数论中的工具引入到欧几里得平面的几何问题中。具体而言，用更复杂的代数整数（Algebraic Integers）替代了高斯整数，构建了具有更丰富对称性的网格结构。
- 无限类域塔与 Golod-Shafarevich 理论：使用无限类域塔（Infinite Class Field Towers）和 Golod-Shafarevich 理论证明了构造所需的数域确实存在。这些工具在代数数论中众所周知，但将它们应用于离散几何问题却出人意料。
- 高维空间投影：AI 在高维空间中构建网格，然后将其投影到二维平面。利用高维网格更丰富的结构，在相同数量的点中「压缩」了更多单位距离。
- 通用推理模型，非专用系统：重要的是，这不是一个专门训练用于数学的系统。OpenAI 在一组 Erdős 问题上测试其通用推理模型，该模型在单位距离问题上自主产生了完整的证明。
- 人类验证与扩展：证明已由多位外部数学家独立验证。Thomas Bloom 撰写了伴侣论文解释论证并提供背景。Will Sawin 将结果精炼为 δ = 0.014 的显式值。
🔑 关键洞察
1. 跨领域知识迁移是 AI 的杀手锏
2. 通用推理 > 专用训练
3. AI 数学进入「自主发现」阶段
4. 人机协作的新范式正在形成
🤔 引发思考
这个结果的意义远超数学本身。如果一个模型能够维持复杂论证的连贯性、连接远距离的知识领域、并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。这是通向更自动化研究系统的重要一步——能够帮助科学家和工程师探索更多想法、攻克更复杂的技术问题。
但正如 Ars Technica 的分析所指出的，这更像是 AI 能力渐进提升的下一个台阶，而非突变。三年前 LLM 还在为算术题挣扎，去年才开始在高中数学竞赛中崭露头角。如果这个趋势持续，十年后人类数学家将扮演什么角色？目前 AI 没有开创新的数学技术——它巧妙地应用了已有的工具。但「巧妙地组合已有知识」本身就是创造力的核心组成部分。
📎 相关阅读
- OpenAI 官方公告：An OpenAI model has disproved a central conjecture in discrete geometry
- Ars Technica 深度解读：An OpenAI model solved a famous math problem that stumped humans for 80 years
- Will Sawin 精炼论文：arXiv:2605.20579
- 外部数学家伴侣论文：unit-distance-remarks.pdf
逍遥云初 | 2026.06.25
