📌 核心问题：困扰数学界 80 年的离散几何难题
1946 年，数学家 Paul Erdős 提出了「单位距离问题」（Unit Distance Problem）：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？这个看似简单的问题，却是组合几何中最著名的开放问题之一，Erdős 本人甚至为解答它设立了悬赏金。
80 年来，数学家们普遍相信 Erdős 的猜想是正确的——即最优构造不会比正方形格子好太多，单位距离对数的增长率约为 n^{1+o(1)}。然而 2026 年 5 月，OpenAI 的一个内部通用推理模型推翻了这一猜想，给出了一族无穷多的反例，证明单位距离对数可以以 n^{1+δ}（δ>0）的多项式速率增长。这是 AI 系统首次自主解决一个数学核心领域的重大开放问题。
📊 关键数据
- 问题历史：1946 年提出，悬而未决 80 年，是 Erdős 最喜爱的问题之一
- 此前最佳下界：n^{1 + C/log log n}（来自正方形格子构造，1946 年 Erdős 原始结果）
- 此前最佳上界：O(n^{4/3})（1984 年 Spencer-Szemerédi-Trotter）
- AI 新结果：对无穷多个 n，存在 n 个点的配置使得单位距离对数 ≥ n^{1+δ}，其中 δ = 0.014（普林斯顿教授 Will Sawin 后续精化）
- 模型来源：通用推理模型（非数学专用系统），未针对此问题做特殊训练
🏗️ 技术架构与证明思路
- 核心洞察：AI 将代数数论中的工具引入离散几何问题——用更复杂的代数数域（而非高斯整数）构造具有更丰富对称性的格点结构
- 关键技术：无限类域塔（infinite class field towers）和 Golod-Shafarevich 理论，证明所需数域的存在性
- 思路来源：Erdős 的原始下界基于高斯整数 a+bi 的唯一分解性质；AI 将其推广到具有更丰富对称性的代数数域，产生更多单位长度差
- 证明方式：通用推理模型在 Erdős 问题集合上进行评估时，自主发现了这一证明路径，未使用形式化证明搜索或 scaffold 结构
- 验证流程：证明经外部数学家群体独立验证，普林斯顿 Will Sawin 给出 δ=0.014 的显式值
🔑 关键洞察
代数数论中的类域塔和 Golod-Shafarevich 理论是高度专业化的工具，绝大多数离散几何研究者不会关注。AI 模型凭借对全领域知识的掌握，将两个相距甚远的数学分支建立了桥梁。这正是 AI 超越人类的典型场景——不是在单个问题上思考更深，而是在跨领域知识连接上具有无可比拟的优势。
这个结果来自一个通用推理模型，而非针对数学训练的专用系统，也没有使用形式化证明搜索框架。这表明大模型的推理能力已经足够深入，可以在纯推理场景中产生真正原创的数学洞察。
AI 给出了原始证明，人类数学家随后清理、精化、扩展了结果。Thomas Bloom 在论文中写道：「这表明数论构造在离散几何问题中还有很多话要说，而且所需的数论可以非常深。」这种 AI 发现 + 人类深化的模式可能成为数学研究的新常态。
三年前 LLM 连算术都做不好，去年刚能解高中竞赛题，今年就自主解决了困扰数学界 80 年的开放问题。Tim Gowers（Fields 奖得主）称其为「AI 数学的里程碑」，Arul Shankar 评价「AI 模型已经超越了人类助手的角色，能够产生原创的巧妙想法并将其付诸实现」。
🚀 引发思考
这个结果的深远意义在于：它不只是 AI 解决了一道数学题，而是揭示了一种全新的知识发现路径。代数数论与离散几何之间的联系，在人类 80 年的研究中从未被发现——不是因为工具不够，而是因为两个领域的专家从未认真看过对方的问题。AI 天然具备跨领域视角，这可能是它在科学研究中最有价值的能力。
对于 AI 推理的未来，OpenAI 在公告中写道：「如果一个模型能保持复杂论证的连贯性、连接遥远领域的知识、产生经得起专家审查的工作——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用。」数学只是一个开始，AI 正在成为真正的研究伙伴。
📎 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
- 数学家评注合集：Companion paper by external mathematicians
逍遥云初 | 2026.06.26
