在平面上放n个点，最多能有多少对点之间的距离恰好等于1？

这个问题叫平面单位距离问题（Planar Unit Distance Problem），1946年由大数学家保罗·埃尔德什（Paul Erdős）提出。它简单到小学生都能听懂，却难倒了数学界近80年。埃尔德什本人甚至为这个问题悬赏了奖金。

今年，OpenAI宣布：一个通用推理模型自主解决了这个问题，推翻了数学界长期以来的猜想。这是AI首次独立攻克一个数学核心子领域的开放问题。

菲尔兹奖得主蒂姆·高尔斯（Tim Gowers）评价这是"AI数学研究的里程碑"。

什么是离散几何？单位距离问题为什么重要？

离散几何是数学的一个分支，研究的是离散对象（点、线、图形）在空间中的排列规律。它不像微积分那样处理连续变化，而是关注"数数"和"排列组合"——比如平面上的点能构成多少个特定形状，或者特定距离的配对数量。

单位距离问题就是离散几何中最经典的问题之一。

问题定义：设u(n)为平面上n个点之间距离恰好为1的点对数的最大值。求u(n)的增长速度。

已知的构造：

• 把n个点排成一条直线，能产生n-1对单位距离（线性增长）
• 把n个点排成正方形网格，大约能产生2n对单位距离（也是线性增长，但系数更大）
• 埃尔德什最初用高斯整数（形如a+bi的复数，其中a、b为整数）构造了一个更精巧的网格，得到了增长率为n^{1+C/log log(n)}的构造，其中C为常数

最后这个构造的关键在于：指数中的C/log log(n)会随着n增大趋向于0，所以增长率只是"比线性快一点点"。几十年来，数学界普遍认为这个构造已经是最优的，不可能有本质性的改进。

埃尔德什猜想：u(n)的增长速度为n^{1+o(1)}，也就是"比线性快，但只快一个趋近于零的量"。

已知上界：1984年，Spencer、Szemerédi和Trotter证明了u(n)=O(n^{4/3})。此后虽然有各种改进和相关工作，这个上界基本没变。

从1946年到今天，下界构造本质上没有变过——这本身就说明了问题的难度。

AI如何证明：从高斯整数到类域塔

OpenAI的模型没有使用专门训练的数学系统，也没有针对这个问题做特殊优化。它是一个通用推理模型，被用来测试"先进模型能否对前沿研究做出贡献"。研究人员把它放到一个埃尔德什问题集合上进行评估，结果它在这个问题上给出了一个完整的证明。

证明的核心思想

整个证明的起点是一个熟悉的几何直觉，但推到了一个出人意料的方向。

埃尔德什的原始构造依赖高斯整数——形如a+bi的复数，其中a和b是整数，i是虚数单位。高斯整数构成一个"代数数域"，它扩展了普通整数，保留了唯一分解成素数的性质。

新证明的关键突破在于：用更复杂的代数数域替代高斯整数。

这些更复杂的数域具有更丰富的对称性，能够创造出更多的单位长度差。证明使用了代数数论中的深层工具——无限类域塔（Infinite Class Field Towers）和Golod-Shafarevich理论——来证明所需的数域确实存在。

这些工具在代数数论中是经典知识，但它们对欧几里得平面中几何问题的应用，让数论学家们大吃一惊。

证明的结果

对于无穷多个n值，证明构造出了n个点的配置，其中至少有n^{1+δ}对单位距离，其中δ>0为固定常数。这直接推翻了埃尔德什的猜想。

OpenAI最初的证明没有给出δ的具体数值。随后，普林斯顿数学教授威尔·萨温（Will Sawin）给出了一个改进版本，证明可以取δ=0.014。

这个改进本身值得注意：它体现了人类数学家如何在AI的基础上继续深化理解。

人机协作：从AI证明到人类理解

这次突破最值得玩味的，不是AI单独解决了问题，而是解题之后发生了什么。

OpenAI在验证初始证明后，邀请了一批外部数学家撰写伴读论文。这些论文不仅解释了证明的细节，还揭示了结果的更深层意义。

托马斯·布鲁姆（Thomas Bloom）在伴读论文中写道：

“在评估一个AI生成证明的重要性和影响力时，我会问自己：这个证明教会了我们关于这个问题的新东西吗？我们对离散几何的理解是否因此加深了？我认为答案是肯定的——这表明数论构造对这类问题还有很多我们未曾想到的启示，而且所需的数论可以非常深奥。毫无疑问，未来几个月会有许多代数数论学家仔细审视离散几何中的其他开放问题。”

阿尔·尚卡尔（Arul Shankar），一位领先的数论学家说：

“在我看来，这篇论文表明当前的AI模型不仅仅是人类数学家的辅助工具——它们能够产生原创性的巧妙想法，并将其执行到底。”

这段话的含义很深远。AI提供的不是一个机械的计算结果，而是一个需要人类专家花时间消化的数学洞见。证明中的代数数论工具，即使是专业数学家也需要仔细学习才能完全理解。

这展示了一种新的协作模式：

1. AI探索搜索空间——在广阔的数学策略中找到有前景的方向
2. AI执行证明——将找到的策略完整地展开为严谨的证明
3. 人类解释意义——理解证明为什么有效，以及它对更大问题图景意味着什么
4. 人类拓展方向——基于新发现的联系，识别和推进相关的开放问题

影响与启发：远不止一个几何问题

对"AI for Science"的意义

这次证明是一个信号：AI已经能够在基础科学研究中扮演原创贡献者的角色，而不仅仅是辅助工具。

过去的AI for Science主要集中在：

• 蛋白质结构预测（AlphaFold）
• 材料性质预测
• 实验数据分析

这次突破展示了另一条路径：AI在纯理论研究中的能力。数学不需要实验设备，不需要数据采集，只需要推理能力。如果AI能在数学上做出原创贡献，那么在物理、理论计算机科学、经济学等依赖形式推理的领域，它也有可能做到。

对数学研究范式的影响

长期以来，数学研究是"手工作坊"式的——一个或几个数学家坐在一起，用纸笔和直觉推进问题。计算机辅助证明（如四色定理的证明）存在已久，但那更多是"暴力验证"，而非"创造性发现"。

这次事件暗示了一个新的可能：AI作为数学研究的"想法发生器"。

正如布鲁姆所说：

“知识的前沿是非常参差不齐的。毫无疑问，未来几个月和几年里，我们会看到类似的成功出现在数学的许多其他领域——长期开放的问题被AI解决，揭示出意想不到的联系，并将现有技术推向极限。AI正在帮助我们更充分地探索我们几个世纪以来建造的数学大教堂；还有哪些未被发现的奇迹在等待着？”

这不意味着数学家会被取代。恰恰相反——理解AI的证明、评估其重要性、决定下一步研究方向，这些都需要更深的人类专业判断。

OpenAI的战略意图

从OpenAI的角度看，这次发布有明确的战略考量。

1. 证明推理能力的深度：数学证明要求严格的逻辑链条，一步错则全错。AI能做出正确的数学证明，说明其推理能力已经达到了相当的水平。
2. 展示通用性的价值：证明明确强调，这个模型不是专门为数学训练的——它是通用推理模型。这暗示OpenAI的通用模型在各种专业领域都有潜力。
3. 确立"AI科学家"叙事：在AI竞争日趋激烈的当下，"AI能做科学研究"是一个比"AI能聊天"更有分量的故事。

OpenAI在公告中也直言不讳：

“AI即将在研究的创造性部分扮演非常重要的角色，最重要的是AI研究本身。”

给从业者的启示

对于关注AI发展的从业者，这个案例提供了几个关键信号：

1. 推理能力是护城河：能够进行长链条、多层次的推理，是当前AI能力的核心分水岭。
2. 跨领域知识整合是关键：证明的突破在于将代数数论的工具引入离散几何。AI的"跨领域连接"能力可能比"单一领域深度"更有价值。
3. 人机协作不是过渡形态：这可能就是未来研究的标准模式——AI探索、执行，人类理解、选择、推进。

结语

一个80年前提出的问题，一个简单到一句话能说清的问题，被一个不是专门为数学设计的AI模型解决了。这不是科幻，这是正在发生的事。

数学家们不会因此失业——他们有了一个前所未有的合作者。这个合作者不知疲倦，不惧复杂，能在你意想不到的地方找到联系。但它不会告诉你哪个问题值得解决，也不会告诉你结果意味着什么。那些，仍然是人类的工作。

正如OpenAI所说：专业知识变得更重要了，而不是更不重要了。

---

本文基于OpenAI官方公告及配套论文撰写。原始证明可访问OpenAI官网获取。