核心概念
2026 年 5 月 20 日，OpenAI 宣布一個內部推理模型自主推翻了離散幾何領域的核心長期猜想——Erdős 單位距離問題，結束了長達 80 年的懸案。
問題本身
1946 年，匈牙利數學家 Paul Erdős 提出一個看似簡單的問題：在平面上任意擺放 n 個點，恰好相距 1 個單位的點對最多能有幾對？這被稱為「單位距離問題」。
傳統上最好的構造法基於正方形網格：把點排列成方陣，統計彼此距離恰好為 1 的點對數量。這種構造的點對數量大約是 $n^{1 + C/\log\log n}$。這個增長率雖然超線性，但「超出的量」極其微小——指數部分的提升隨 n 增大趨近於零，行為上接近 $n$ 的線性。
Erdős 猜測這個網格構造已接近最優，即任何構造的點對數量上界大約也是這個等級，不可能達到真正的多項式改進（如 $n^{1.01}$）。
突破：從對數增長到多項式改進
OpenAI 的推理模型打破了這個 80 年信念。它發現一族全新的點集構造，使單位距離對數量達到 $n^{1+\varepsilon}$，其中 $\varepsilon > 0$ 為正常數。
這在質上是根本性的跨越：
| 構造 | 增長率 | 性質 |
|---|---|---|
| 正方形網格（舊最優） | $n^{1 + C/\log\log n}$ | 趨近線性，$\varepsilon$ 趨近 0 |
| OpenAI 模型新構造 | $n^{1+\varepsilon}$，$\varepsilon > 0$ | 真正的多項式超線性 |
| Will Sawin 優化版 | $n^{1.014}$ | 人工改進後的具體下界 |
代數數論的意外登場
這個突破最令數學界驚訝的，不僅是結果本身，而是所用工具的領域。
新構造的核心技術來自代數數論（algebraic number theory）——研究整數的代數推廣（代數數域）中的因式分解、類域塔等深層結構。這些工具過去主要用於密碼學、代數幾何等領域，從未被認真考慮應用於平面離散幾何的計數問題。
具體涉及：
- 類域塔（Class Field Towers）：利用 Golod-Shafarevich 定理構造無窮塔，確保根判別式有界
- CM 域：利用「CM 域中元素在某個嵌入的絕對值為 1，等價於在所有嵌入中絕對值均為 1」這個性質
- 完全分裂素數：構造絕對值為 1 的代數整數，形成點集的坐標
OpenAI 模型自主識別了這個跨學科連接——代數數論中的結構恰好能構造出歐氏幾何中罕見的高密度單位距離配置。這種跨域合成，是此前 80 年中人類研究者從未嚴肅探索過的路徑。
驗證過程
成果公布後，外部數學家（包括 Will Sawin）對構造進行了獨立核查，確認其正確性，並將 $\varepsilon$ 的具體數值優化至約 0.014，即 $n^{1.014}$。相關論文（arXiv: 2605.20695）由人類數學家撰寫，呈現了機器輸出的人工可讀版本。
這個過程本身就是一個信號：AI 負責「發現路徑」，人類數學家負責「嚴格化與改進」。
關鍵要點
- 質的突破：從 $n^{1 + C/\log\log n}$（接近線性）到 $n^{1+\varepsilon}$（真正多項式），是離散幾何 80 年來首次突破網格構造的限制
- 跨域發現：模型引入代數數論工具（類域塔、CM 域），開闢了過去組合數學家未曾走過的路徑
- 人機協作模式：AI 發現反例構造 → 外部數學家驗證並優化邊界 → 論文共同沉澱知識
- 非文獻彙整：構造方法並非從歷史文獻中提取，而是模型自主推導的新思路
- 廣泛影響信號：OpenAI 指出，同類推理方式可能適用於生物學、物理學等其他領域的長期難題
實務應用
對 AI 輔助數學研究的啟示
這個結果改變了一個長期預設：AI 在數學中的角色不只是驗算，而是可以主動探索未知構造。與 AlphaProof（符號形式化證明驗證）不同，OpenAI 的模型在此並非驗證已有猜想，而是自主找到了反例的構造方向。
對數學研究者而言，這意味著：
- 開放問題的搜尋空間可以外包給 AI：AI 擅長在巨大搜尋空間中識別非直觀的跨域連接
- 人類專長轉移到嚴格化與拓展：發現路徑後，人類數學家的工作是驗證、精煉、並向更深定理推進
- 組合數學 × 代數數論的新交叉點：此次事件可能催生一個新的研究子領域
對 AI 研究路線圖的影響
OpenAI 明確將此定位為「AI 驅動科學發現」的里程碑，暗示未來模型將被系統性地應用於懸而未決的開放問題，而不僅是作為輔助工具。這與 AlphaEvolve：Gemini 驅動的演化式編程 Agent 跨領域衝擊 呈現的方向高度一致——用 AI 自主演化解法，人類負責確認與延伸。
延伸觀點
此次突破在數學社群引發了分歧反應。Gil Kalai（以色列希伯來大學數學家）在其部落格比較了 1976 年四色定理的電腦輔助證明——彼時數學界對「依賴電腦的證明是否算真正理解」亦爭議不休，50 年後才漸趨接受。
Tim Gowers 稱此為「數學史的重要時刻」，但也有研究者發出更悲觀的聲音：「這是人類研究數學的官方葬禮嗎？學生為何還要努力？」
多數數學家目前傾向於一個更有機的詮釋：AI 是催化劑，而非終結者。Will Sawin 在 AI 發現構造後幾天內便將 $\varepsilon$ 從極小值優化至 0.014，這本身就說明人類數學直覺在精煉階段仍不可或缺。更有可能的未來是：AI 負責探索人類認知偏見所忽略的跨域路徑，人類負責把粗糙的構造錘煉為嚴謹的數學理論。
反向連結
以下頁面引用了本頁：