核心问题：当 n 个点放置在平面上，最多有多少对点恰好相距 1 个单位？这个由 Paul Erdős 于 1946 年提出的问题困扰了数学界 80 年——直到 2026 年 5 月，一个通用推理模型自主推翻了这一猜想。

论文/公告链接：

🎯 核心问题

1946 年，匈牙利数学家 Paul Erdős 提出了一个看似简单的问题：在平面上放置 n 个点，最多有多少对点恰好相距 1 个单位？这就是著名的「单位距离问题」（Unit Distance Problem），被 Brass、Moser 和 Pach 在 2005 年的著作中称为「可能是离散几何中最著名、最容易解释的问题」。Erdős 本人甚至为解决这个问题设立了悬赏金。

Erdős 当时用正方形网格构造了一个下界：将点排列在网格上，利用毕达哥拉斯定理找到等距点对。他选择合适的网格间距（如 c²=65 时，每个点有 16 个单位距离邻居），使单位距离对数以 n^(1 + C/log log n) 的速度增长——略快于线性。80 年来，数学界普遍认为这个网格构造已接近最优，没有构造能显著超越它。Erdős 据此猜想上界为 n^(1+o(1))。

然而，最佳上界 O(n^(4/3)) 来自 1984 年 Spencer、Szemerédi 和 Trotter 的工作，与下界之间存在巨大鸿沟。40 多年来，尽管众多数学家努力，上界几乎没有实质性改进。

📊 关键数据

  • Erdős 下界（网格构造）：n^(1 + C/log log n)，增长仅略快于线性
  • 最佳上界：O(n^(4/3))，来自 1984 年 Spencer-Szemerédi-Trotter
  • AI 新构造下界：n^(1+δ)，其中 δ = 0.014（由普林斯顿数学教授 Will Sawin 验证）
  • 当 n 极大时，n^1.014 将远超 n^(1 + C/log log n) — 多项式级差距
  • 该结果不是针对特定问题训练的——来自通用推理模型，测试时计算资源增加成功率提升

🏗️ 技术架构 / 证明设计

  • 核心思路：AI 构造了一个高维空间中的网格，然后投影到二维平面。与 Erdős 使用高斯整数（a+bi）不同，AI 引入了代数数论中更复杂的代数整数，具有更丰富的对称性
  • 关键技术：使用无穷类域塔（infinite class field towers）和 Golod-Shafarevich 理论证明所需数域的存在性。这些工具对代数数论学家来说很熟悉，但将其应用于欧几里得平面的几何问题完全是意料之外
  • 证明路径：高维代数整数网格 → 二维投影 → 利用丰富对称性产生更多单位距离对 → 构造无穷族反例推翻 Erdős 猜想
  • 验证流程：外部数学家群体独立验证了证明；Will Sawin 进一步精化了结果，给出了显式 δ=0.014；Thomas Bloom 等人撰写了 companion paper 解释论证背景
  • 模型特征：不是专为数学训练的系统，也不是 scaffolded 搜索策略，而是一个通用推理模型——在对 Erdős 问题集合的测试中自主产生了这个证明

🔑 关键洞察

洞察一：AI 的优势在于「跨领域知识迁移」

这个证明最令人惊叹的不是计算能力，而是将代数数论中的深奥工具（类域塔、Golod-Shafarevich 理论）引入离散几何。正如 Arul Shankar 所说：「当前 AI 模型不仅仅是人类数学家的助手——它们能够拥有原创的巧妙想法，并将其执行到底。」AI 没有学科边界的概念，这恰恰是它超越人类专家的地方。

洞察二：通用推理模型 > 专用数学系统

这个结果来自一个通用推理模型，而非专门为数学训练的系统。OpenAI 在 Erdős 问题集合上测试模型时，它自主产生了这个证明。这意味着 AI 的数学能力可能不是通过「更多数学数据」获得的，而是通过通用推理能力的提升自然涌现的——这是一个更令人兴奋的可能性。

洞察三：人机协作的新范式正在形成

AI 产生了原始证明，但人类数学家的工作使其更丰富：Will Sawin 给出了显式的 δ 值，Thomas Bloom 撰写了详细的背景解读，多位数学家独立验证了论证。Fields 奖得主 Tim Gowers 称之为「AI 数学的里程碑」。AI 擅长广度搜索和跨领域连接，人类擅长深度理解和问题选择——两者互补而非替代。

洞察四：AI 推理能力的进步曲线陡峭得惊人

三年前，LLM 连算术都费劲；去年才开始在高中数学竞赛中崭露头角；今年 1 月的联合数学会议上，AI 系统还只能在受限环境下辅助数学研究。仅半年后，AI 就自主解决了一个 80 年未解的核心猜想。这个加速曲线意味着下一个里程碑可能比我们预期的来得更快。

💭 引发思考

这个结果的意义远超数学本身。如果一个通用推理模型能够保持复杂论证的连贯性、连接遥远知识领域的想法、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、工程和医学中同样有价值。OpenAI 将此视为走向「更自动化研究」路径上的重要一步。

但正如多位数学家指出的，人类判断仍然不可或缺。专业知识变得更有价值而非更不重要——AI 帮助搜索、建议和验证，但人选择重要的问题、解读结果、决定下一步探索方向。数学提供了一个特别清晰的测试平台：问题精确、证明可检查、冗长论证只有在推理从头到尾都成立时才有效。这个结果暗示，在其他领域，当问题可以被精确定义和验证时，AI 的推理能力可能同样具有变革性。

📎 相关阅读

逍遥云初 | 2026.06.26