80年数学难题的突破
2024年5月20日，OpenAI发表了一篇具有里程碑意义的论文，宣布其内部的一个通用推理模型自主解决了一个困扰数学界近80年的难题——平面单位距离问题。该问题由20世纪最伟大的数学家之一、发表论文数量史上最多的保罗·埃尔德什（Paul Erdős）于1946年提出。简单来说，这是一个组合几何问题：如果在平面上随机放置n个点，最多能有多少对点之间的距离恰好为1？
“这可能是组合几何中最有名、也是最简单可以解释的问题。”
这个问题在学术界地位极高。2005年出版的《离散几何研究问题》（作者Brass、Moser、Pach）直接将其列为该领域最著名的问题。普林斯顿大学组合数学顶尖专家诺加·阿隆（Noga Alon）也指出，这是埃尔德什最喜欢的问题之一。埃尔德什以喜欢悬赏解决难题著称，经常自掏腰包奖励解题者，而这个问题正是其中的核心挑战。
旧猜想的局限与AI的颠覆
长期以来，数学界普遍接受一个基于方格网构造的下界猜想。通过将点排成方格网并缩放，可以得到的单位距离对数量约为 $n^{1 + \frac{c}{\log\log n}}$。由于 $\log\log n$ 增长极慢，这个指数实际上非常接近1，意味着单位距离对的数量只比线性增长快一点点。当时的共识是，不存在更好的构造，最大数量应为 $n^{1+o(1)}$，其中 $o(1)$ 是随n增大趋向于0的项。
然而，OpenAI的模型彻底推翻了这一长期持有的猜想。模型构造出了无穷多的例子，证明了可以得到至少 $n^{1+\delta}$ 个单位距离对，其中 $\delta$ 是一个大于0的固定常数。这一结果不仅打破了“线性增长”的直觉限制，更在数学上实现了质的飞跃。
关键数据：下界与上界的演变
为了理解这一突破的难度，必须回顾该问题在组合几何中的历史数据演变。从1946年至今，该问题的下界（即已知能构造出的最大单位距离对数量）长期停滞不前，而上界（即理论上不可能超过的数量）也鲜有重大突破。以下是该问题关键历史节点的数据对比：
| 年份 | 贡献者 | 类型 | 数值/结论 | 备注 |
|---|---|---|---|---|
| 1946 | Paul Erdős | 下界 | $n^{1 + \frac{c}{\log\log n}}$ | 原始构造，基于方格网，长期作为最佳下界 |
| 1984 | Spencer, Szemerédi, Trotter | 上界 | $O(n^{4/3})$ | 长期作为最佳上界，后续仅有细化无本质突破 |
| 近年 | Matoušek; Alon-Bucić-Sauermann | 证据支持 | 符合 $n^{1+o(1)}$ 猜想 | 研究非欧距离，证明大多数非欧距离符合原猜想 |
| 2024 | OpenAI 模型 (初版) | 下界 | $n^{1+\delta}$ | 推翻原猜想，但未给出具体 $\delta$ 值 |
| 2024 | Will Sawin (改进) | 下界 | $\delta = 0.014$ | 普林斯顿学者改进，给出具体常数 |
意外的工具：代数数论的介入
这一证明最令人震撼之处，在于其使用的工具完全出乎意料。解决该问题的关键并非来自组合几何或离散数学的传统工具，而是来自一个看似毫不相关的领域：代数数论。代数数论研究代数数域中的分解，即整数的推广，例如高斯整数（形式为 $a+bi$，其中 $a,b$ 为整数，$i$ 为虚数单位）。
埃尔德什最初的下界构造本质上就是利用高斯整数的性质，如唯一分解成素数。而OpenAI模型的新论证，则将高斯整数替换为代数数论中更复杂的推广形式。这些推广形式拥有更丰富的对称性，能够创造出多得多的单位长度差。具体论证中，模型使用了无限类域塔（infinite class field towers）和戈洛德-沙法列维奇定理（Golod-Shafarevich theory）来证明所需数域的存在性。
“这些思想在代数数论家里是众所周知的，但是没人想到它们居然和欧几里得平面上的几何问题有关系。”
这种跨领域的联系极其罕见且深刻。正如博主所言，这就像让一个学画画的朋友修电脑，结果他不仅修好了，还顺便写了一个新的操作系统。这种意想不到的联系正是数学重大突破的典型特征。
通用模型的创造性直觉
此次突破的另一大亮点在于模型本身的性质。该证明并非来自一个专门针对数学训练或搭建搜索策略的专用模型，而是一个通用的推理模型。它是在测试前沿研究能力时，随机尝试了一堆埃尔德什的问题，却意外找到了这个难题的解法。
模型的思维链（Chain of Thought）显示出独特的直觉：绝大多数想法集中在构造反例以打破普遍相信的上界，而非尝试证明上界。这表明模型具备尝试构造的倾向，愿意探索社区认为希望渺茫的路径。这种“反直觉”的探索策略，恰恰是解决长期悬而未决问题所需的关键素质。
“这不是AI又能做什么数学题了，而是这次的方式不一样……这就是一个通用的推理模型……结果它自己找到了一个这么难的问题的解法。”
数学界的权威评价
该证明已通过外部数学家的严格检查，并附有配套论文解释其背景和上下文。多位顶尖数学家给予了极高评价，认为这是AI数学领域的里程碑。
- 蒂莫西·高尔斯（Tim Gowers，菲尔兹奖得主）：表示如果这是人类提交的论文，他会毫不犹豫地推荐录用。他认为这是AI数学中的里程碑，之前的AI生成证明从未达到此水平。
- 阿鲁尔·尚卡尔（Arul Shankar，顶尖数论学者）：认为论文证明了AI模型不仅是助手，更具备独创的巧妙想法并能将其实现。模型的思维链非常有意思，显示出良好的直觉。
- 诺加·阿隆（Noga Alon）：称这是埃尔德什最喜欢的问题之一，每个做组合几何的数学家都想过。他认为AI解决此问题且得出非 $n^{1+o(1)}$ 的正确答案，是杰出的成就，构造和分析虽复杂但用得很优雅。
- 雅各布·齐默尔曼（Jacob Tsimerman）：表示会毫不犹豫地为任何期刊接受此工作，自己曾短暂研究此问题但未取得进展，对此印象深刻。
数学大教堂的新桥梁
这一结果的意义远超解决单一猜想。它标志着AI与数学互动进入新阶段，揭示了代数数论与离散几何之间意想不到的联系。托马斯·布鲁姆（Thomas Bloom）在配套注释中指出，这让我们对离散几何的了解有了“有保留的肯定”的进步，说明数论构造对这类问题的启示比预想的要多。
“AI正在帮助我们更完整地探索，我们几个世纪以来建造的数学大教堂。”
这种能力具有通用性。如果AI能将困难的思路串联，把遥远领域的想法连接，找出专家未优先考虑的路径，那么这种能力不仅限于数学，还将延伸至生物、物理、材料科学、工程和医学等领域。AI正在成为更强的研究伙伴，帮助科学家探索更复杂、更耗时的问题。
人类判断与AI合作的未来
尽管AI展现了惊人的创造力，但人类的作用依然不可替代。布鲁姆强调，未来还是取决于人类的判断。专业知识变得更有价值，因为AI可以搜索、建议和验证，但选择什么问题重要、如何解读结果、接下来追求什么，仍需由人类决定。
在此次事件中，AI找到了证明，但需要人类数学家进行检查、撰写配套论文、解释意义，并将其融入数学体系。这不是替代，而是一种新的合作方式。我们可能正站在新时代的门槛上，如同望远镜或计算机刚出现时，虽然不清楚未来全貌，但能感受到重大事件正在发生。
“AI会越来越多地参与到创造性的工作里，不只是执行，而是开始探索和发现。而我们要做的，可能就是学会和它一起工作，找到最好的方式来利用这种能力，同时不失去我们自己的判断力和创造力。”
AI发展的速度令人惊叹，几年前还在争论上下文理解，如今已能解决几十年难题。这种跨领域的联想能力，将看似不相关的领域串联起来，正是数学突破的来源。虽然进展令人兴奋甚至不安，但人类的专业判断力仍是引导AI探索未知方向的核心罗盘。