OpenAI破解80年数学难题：AI首次证明核心猜想权威解析

本周四，OpenAI的一项公告震动了数学界与科学界：一个通用人工智能大模型，独立推翻了一个悬置近八十年的经典几何猜想。

这个猜想正是著名的「埃尔德什单位距离问题」。其核心是：在平面上任意分布n个点，其中距离恰好等于1的点对数量，最大能达到多少？

自保罗・埃尔德什于1946年提出以来，该问题以其表述的简洁性与证明的极端难度，持续挑战着顶尖数学家。过去八十年间，主流观点认为最优排列近似于正方形网格——这符合人类的几何直觉。然而，OpenAI的模型构建了一个全新的点集族，其性能超越了所有已知的人类方案。这是人工智能首次自主攻克数学领域的一个核心著名未解猜想。

菲尔兹奖得主蒂莫西・高尔斯评价此为“AI数学的里程碑”，并称若出自人类之手，足以推荐至顶级期刊。数论学家阿鲁尔・尚卡尔指出，这显示当前AI已能提出原创性思路，并独立完成从构思到证明的全过程。

关键在于，实现突破的并非专用数学模型。OpenAI科学家诺姆・布朗透露，这是一个通用大语言模型，甚至未针对数学进行特别优化。它展现的是深度推理智能体的能力，而非简单的计算辅助。这引发了一个前瞻性思考：当此类模型未来集成至日常设备，每个人身边都可能拥有一位“天才级研究伙伴”。

一个困扰数学界80年的「埃尔德什单位距离问题」

要理解突破的深度，必须审视问题本身。

埃尔德什在1946年提出的问题极为凝练：设f(n)为平面上n个点之间单位距离对的最大可能数量，f(n)的渐近增长阶是多少？

• 点排成直线，可得n-1对。
• 采用正方形网格，可得约n^(1+o(1))对（o(1)表示随n增大趋于0的项）。
• 此前人类的最佳构造，基于高斯整数缩放网格，将数量提升至n * exp(C * sqrt(log n))量级。

由于sqrt(log n)增长极缓，这些方法实现的增长仅略高于线性。

数十年来，数学界深受埃尔德什本人直觉影响：他猜想正方形网格即为最优，f(n)的上限不会超过n^(1+o(1))，并为此设立了奖金。

然而，自1984年数学家确立n^(4/3)量级的上限后，问题的上下界区间便停滞了近四十年。尽管几何学家持续努力，“网格最优”几乎成为行业公设。

如今，AI的证明给出了明确反例。它表明，对于无穷多个n，可构造至少拥有n * exp(c * (log n)^(1/4))个单位距离对的点集，其中c为正的常数指数。经普林斯顿大学威尔・萨温教授后续改进，该指数可达0.014。这彻底打破了“增长仅略超线性”的传统认知。

源自「代数数论」的新技术

AI是如何实现的？从高层视角看，它从一个熟悉的几何起点出发，却转向了一个意想不到的领域。

传统的人类思路是利用高斯整数（形如a+bi，a、b为整数）构建平面网格。高斯整数具备良好的代数性质，能映射出一定的几何对称性。

但AI的推理模型识别出，高斯整数提供的对称性不足以最大化单位距离对。于是，它转向了代数数论——这个研究代数数域、整数环扩张与理想分解的抽象领域。

AI的核心原创贡献在于，用代数数论中更庞大、更复杂的“代数数域扩张”，完全取代了高斯整数。它构建了一类具备更高阶、更丰富对称性的数域结构，从而在几何空间中生成远超以往的单位距离点对。

为证明此类复杂数域的存在性及其构造点集的有效性，AI甚至直接调用了代数数论的深层理论：无限类域塔与戈洛德-沙法列维奇理论。这些工具对数论专家虽不陌生，但其能对一个具体平面几何问题产生决定性影响，实属惊人。正是这种跨领域的深刻联结，让八十年难题得以解决。

这对数学意味着什么

这一成果标志着人工智能数学研究的一个分水岭：一个AI系统独立解决了一个活跃研究领域中的核心著名难题。

它也初步揭示了一种新的人机协作范式。曼彻斯特大学研究员托马斯・布鲁姆在评估时提出关键问题：该证明是否增进了我们对领域的理解？

他的答案是“谨慎的肯定”。成果表明，在解决此类组合几何问题时，数论构造的潜力远超预期；同时，所需的数论知识深度也非比寻常。他预测，未来数月，许多代数数论学家将关注离散几何中的其他开放问题。

该解法所揭示的代数数论与离散几何之间的隐秘关联，是其最富价值之处。它不仅解决了一个具体猜想，更可能架设桥梁，引导数学家探索一系列衍生问题。布鲁姆进一步展望，知识前沿充满沟壑，未来数月至数年内，我们很可能在数学其他分支见证类似成功——AI通过揭示意想不到的关联，并将现有技术工具推向极致，从而解决长期悬案。AI正在帮助我们更系统地勘探那座建造了数个世纪的“数学大教堂”，其深处还有多少未知结构等待发现？

打开想象力

“埃尔德什单位距离问题”看似是离散几何的智力游戏，实则与数论、代数几何等核心数学分支深度交织。AI在此完成了许多杰出人类研究者曾尝试却未竟的事业。

OpenAI此次突破的核心意义，超越了单一猜想。它所展现的数学推理能力，标志着AI可成为强大的科研协作者：它能维持冗长复杂的逻辑链条，联结相距甚远的知识领域，发现专家可能忽略的研究路径，并协助攻克那些因复杂度或耗时而被搁置的难题。

这种能力的应用前景绝不限于数学。如果一个模型能确保复杂论证的逻辑一致性，融通不同学科的思想，并产出经得起严格审查的高质量成果——那么，在生物、物理、材料科学、工程及医学等领域，它同样具备变革性潜力。这是我们迈向“科研自动化”长远目标的关键一步。

未来的科研范式或将演进为：人类负责提出关键问题、把握方向与做出价值判断；AI则承担海量文献检索、提供跨学科思路、验证复杂推导与计算的任务。这不仅将加速AI自身发展，更会将整个科学探索的速度推向一个新纪元。