2026-05-21 10:14
扫码打开虎嗅APP
本文来自微信公众号： APPSO ，作者：发现明日产品的
一把长度为1的尺子，把AI送到了数学研究最前线。
想象一下，在一张无限大的平面上放下n个点，任意两点之间如果刚好相距1，就算一组「单位距离点对」。最多能有多少组？
1946年，数学家Paul Erdős提出了这个问题。近80年来，数学界一直认为，最接近答案的构造大概会像平方网格，也就是把点像棋盘一样铺开。
截至发稿前，该推文已引来320万网友的围观
OpenAI现在给出了截然不同的结果。
根据OpenAI官方博客，其内部一款通用推理模型找到了一族新的构造方法，可以让n个点产生比平方网格预期更多的单位距离点对。这个结果否定了Erdős关于单位距离数至多为n^(1+o(1))的长期上界猜想。
目前这一证明已经由外部数学家检查，并有配套论文解释背景和意义。
引人注意的地方在于，OpenAI强调，证明来自一款通用推理模型。它并非为单位距离问题定制，也并非专门的数学证明搜索系统。按照OpenAI的说法，这是AI首次自主解决一个数学分支中居于核心位置的重要公开问题。
对数学界来说，这可能只是一个持续近80年的经典猜想被推翻。但对AI行业来说，模型开始触碰科研创造的上游环节：提出新想法，连接跨领域知识，并把复杂论证推进到可被专家审查的程度。
平面单位距离问题是组合几何里最有名的问题之一。
2005年出版的《Research Problems in Discrete Geometry》中，Brass、Moser和Pach称它「可能是组合几何中最知名、也最容易解释的问题」。组合数学家Noga Alon也说，这是Erdős本人最喜欢的问题之一，Erdős甚至曾为解决它设立奖金。
数学上通常用u(n)表示答案：平面上放置n个点时，距离刚好为1的点对数量最多是多少。研究者关心的重点，是当n不断增大时，u(n)会以什么速度增长。
最容易理解的摆法，是把n个点排成一条直线。相邻两点距离为1，于是可以得到n减1个单位距离点对。
稍微复杂一点的摆法，是平方网格。把点像棋盘一样排开，每个点可以和上下左右的相邻点形成单位距离。这样一来，单位距离点对数量大约可以达到2n。
一种此前已知的构造：通过重新缩放的方形网格生成大量单位距离。
Erdős在1946年提出的构造更加精细。他使用经过缩放的平方网格，让单位距离点对数量达到n^(1+C/log log n)的量级，其中C是常数。这个式子可以拆成一句话理解：它比n增长得快一些，但快得非常有限。因为n越大，C/log log n越接近0，所以整体仍然接近n的一次方增长。
长期以来，数学家普遍相信，平方网格类构造已经接近这个问题的极限。Erdős据此提出猜想，u(n)的上界应当是n^(1+o(1))。这里的o(1)表示一个会随着n增大而趋近于0的量。换成普通说法，单位距离点对数量可以略高于线性增长，但不应该出现一个固定比例的指数优势。
OpenAI公布的新结果打破了这个预期。
官方博客称，模型构造出一族无限多的例子。对于无穷多个n，平面上可以放置n个点，并得到至少n^(1+δ)个单位距离点对。这里δ是一个固定正数。原始AI证明没有给出δ的具体数值，但普林斯顿大学数学教授Will Sawin的后续改进显示，δ可以取0.014。
平方网格类构造原本被认为接近最优；OpenAI模型给出的新构造则在无穷多个n上实现了固定指数优势，突破了n^(1+o(1))这一看法。
业界的震动来自两个层面。第一，问题本身分量很重。平面单位距离问题虽然表述简单，实质进展却很慢。下界长期沿着Erdős早年的构造推进，最好的上界O(n^(4/3))来自Spencer、Szemerédi和Trotter在1984年的工作。此后，Székely、Katz和Silier、Pach、Raz、Solymosi等研究者继续研究相关结构，但核心上下界之间仍然存在很大空白。
第二，新证明使用的工具出乎很多人预料。过去研究者看这个问题，通常会自然想到几何和组合结构。OpenAI模型给出的路径，却把问题带到了代数数论。
Erdős早期构造可以通过高斯整数来理解。高斯整数形如a+bi，其中a和b是整数，i是负1的平方根。它扩展了普通整数，并保留了类似唯一分解的性质。借助这种结构，可以解释为什么某些缩放后的平方网格会产生很多单位距离。
图片由AI生成，仅供参考
OpenAI模型的新证明使用了更复杂的代数数域。代数数域可以理解为对普通有理数或整数的推广，其中包含更丰富的对称结构。OpenAI称，正是这些结构制造出大量单位长度差，让平面上的点能够形成更多距离刚好为1的点对。
证明还用到无限类域塔和Golod Shafarevich理论等工具。这些概念在代数数论内部并不陌生，但它们突然出现在一个欧氏平面里的组合几何问题中，带来了很强的跨领域意味。
外部数学家也把这一点视为成果的关键。配套论文作者之一Thomas Bloom写道，评价AI生成证明的重要性时，一个重要标准是它有没有让人类更理解这个问题。在他看来，答案可以谨慎地给出肯定。这个结果说明，数论构造对离散几何问题的影响，可能比过去预想得更深。
组合数学家Noga Alon表示，Erdős曾多次在讲座中提到单位距离问题，几乎每位组合几何研究者都思考过它，许多其他领域的数学家也曾花时间研究。Alon认为，OpenAI内部模型解决这一长期公开问题是一项突出成果。尤其让人意外的是，正确答案没有落在n^(1+o(1))这一长期预期内，新构造及其分析还以巧妙方式使用了相当高级的代数数论工具。
菲尔兹奖得主Tim Gowers在配套论文中称，这一结果是「AI数学的一个里程碑」。数论学者Arul Shankar则表示，在他看来，这篇论文显示，当前AI模型已经能够提出原创且巧妙的想法，并将它们推进到完整证明。
OpenAI在官方博客里反复强调，模型来源本身很关键。
按照OpenAI的说法，证明来自一款新的通用推理模型。它没有专门针对单位距离问题训练，也没有被设计成一个数学证明搜索系统。OpenAI是在一项更大范围的评估中，让模型处理一组Erdős问题，模型最终在平面单位距离问题上给出了证明。
在验证了初始证明之后，OpenAI研究了在不同测试时计算量下，模型在这个问题上的成功率。
过去几年，AI在数学中的能力已经快速提高。模型可以解竞赛题，可以辅助形式化证明，可以帮助检索资料，也可以生成证明草稿。但这些能力大多需要人类给出明确方向，或者仍然围绕已有知识体系展开。
OpenAI此次宣称的案例向前推进了一大步：模型面对一个长期开放的问题，提出新构造，并完成了能让外部专家审查的证明。换句话说，AI开始触碰数学研究中更核心的环节，也就是发现路径本身。
数学适合检验这种能力。原因不难理解：问题定义清楚，证明可以检查，任何一处推理断裂都会影响整个结果。一个模型若能完成这类任务，说明它能够维持较长推理链条，也能把相距很远的知识工具放到同一个问题里使用。
在较小规模的研究问题上，类似能力也已有公开案例。Tim Gowers曾让ChatGPT 5.5 Pro处理数论中的公开问题。模型在不到两小时内给出接近博士水平的数学研究，并显著改进了已有界限。
Gowers称，自己几乎没有做数学贡献，也没有使用复杂提示。相关问题来自数论学者Mel Nathanson的一篇论文，涉及整数和集合的可能大小，以及如何有效构造具有特定性质的集合。一位参与研究的年轻学者认为，模型提出的关键想法「完全原创」。
这些案例连起来看，生成式AI的角色正在发生变化。它正在从「会解题」进入「会研究」的早期阶段。模型不再只是在题目给定、方法明确的情况下给出答案，也开始在开放问题中提出构造、改进边界、寻找证明路线。
OpenAI也希望把这一案例推广到更广泛的科研场景。官方博客提到，如果模型可以在数学中保持复杂论证的连贯性，连接不同知识领域，并产出经得起专家审查的成果，那么类似能力也可能帮助生物、物理、材料科学、工程和医学等领域的研究。
当然，这次难题的完整研究流程仍然离不开人类专家。AI证明的结果能被严肃讨论，一个重要前提是证明经过外部数学家检查，配套论文也给出了背景、解释和数学脉络。AI提出了关键突破，人类专家判断其正确性，解释它的意义，并继续追问它能否扩展到其他问题。
简言之，AI远远无法替代数学家，但有望改变数学研究的劳动结构。尤其是当AI能够批量提出复杂路径，未来研究者的核心任务会越来越集中在三个方面：判断问题是否重要，判断结果是否可信，判断哪条路线值得继续投入。
而OpenAI的模型给出了一种连Erdős都未曾想象的构造，也是对这位以生活方式极简、四处游历著称的数学顽童最好的致敬：问题解决的方式，或许比解决本身更令人惊喜。
附上参考链接：
1.完整证明过程🔗
https://cdn.openai.com/pdf/74c24085-19b0-4534-9c90-465b8e29ad73/unit-distance-proof.pdf
2.配套论文🔗
https://cdn.openai.com/pdf/74c24085-19b0-4534-9c90-465b8e29ad73/unit-distance-remarks.pdf
3.模型推理思路🔗
https://cdn.openai.com/pdf/1625eff6-5ac1-40d8-b1db-5d5cf925de8b/unit-distance-cot.pdf
4.OpenAI官方博客🔗
https://openai.com/index/model-disproves-discrete-geometry-conjecture/
