OpenAI 的推理模型独立证伪了 Paul Erdős 1946 年提出的单位距离猜想。菲尔兹奖得主称之为“AI 数学的里程碑”。

5 月 20 日，OpenAI 宣布其内部推理模型独立证伪了 Paul Erdős（保罗·埃尔德什）1946 年提出的单位距离猜想（Unit Distance Conjecture）。这个困扰数学家 80 年的离散几何问题，被一个通用 AI 模型用代数数论的方法解决了。

菲尔兹奖得主 Tim Gowers 在配套论文中称之为"AI 数学的里程碑"。普林斯顿数论学家 Arul Shankar 的评价更直接："AI has gone beyond being mere assistants to human mathematicians and generating and executing original ideas"（AI 已经超越了人类数学家的助手角色，能够自主生成并执行原创想法）。

这不是 AI 帮人类做计算。这是 AI 自己想出了一个人类没想到的方法。

这个猜想到底说了什么？

问题本身很简单：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？

Erdős 在 1946 年给出了一个基于方格网格的构造，得到的单位距离对数量大约是 n 的 1+C/loglog(n) 次方。由于 loglog(n) 增长极慢，数学家们普遍猜测：单位距离对的数量不会以固定速率超过 n——也就是说，指数部分最终会趋近于 0。

80 年来没人能打破这个上界。直到上周。

AI 做了什么？

OpenAI 的模型构造了一类新的点配置，证明对无穷多个 n，单位距离对的数量至少是 n 的 1+δ 次方（δ 是一个固定的正数）。这直接推翻了"指数趋近于 0"的猜想。

关键在于方法：传统构造用的是高斯整数（Gaussian integers，形如 a+bi 的复数），AI 模型用了更复杂的代数数域（algebraic number fields），挖掘出更丰富的对称性。它还用到了 Golod-Shafarevich 理论来证明所需的无穷类域塔（infinite class field towers）确实存在。

这些工具来自代数数论，不是几何学家的常规武器库。AI 做了一件人类专家没有优先考虑的事：把两个看似无关的数学领域连接起来。

普林斯顿数学家 Will Sawin 后来改进了这个证明，把 δ 的具体值确定为 0.014。

这个证明为什么难？

要理解这个结果的分量，需要知道为什么 80 年来没人做到。

单位距离问题看起来简单，但它的难度在于：你需要构造一个点集，使得"恰好距离为 1"的点对数量超过某个阈值。随机撒点不行——随机点之间的距离几乎不可能恰好等于 1。你需要精心设计点的位置，让尽可能多的点对之间的距离恰好为 1。

Erdős 在 1946 年用的方格网格（lattice）是一个聪明的构造：整数坐标点之间的距离是 √(a²+b²) 的形式，通过选择合适的子集可以得到很多单位距离对。但这个方法有天花板——网格的对称性限制了你能达到的密度。

80 年来，数学家们尝试了各种变体：扭曲网格、随机扰动、高维投影。但没人想到去代数数论里找答案。这就像你一直在厨房里找钥匙，结果钥匙在车库里——不是因为车库很远，而是因为你从来没想过钥匙会在那里。

AI 模型的优势恰恰在这里：它没有"常规武器库"的概念。它不会因为"几何问题应该用几何方法"这种学科惯性而自我限制。它在所有数学工具中平等地搜索，找到了人类因为学科壁垒而忽略的连接。

为什么这件事重要？

不是因为这个猜想本身有多大的应用价值。而是因为它证明了一件事：AI 能够独立产生原创的数学思想。

之前 AI 在数学领域的角色一直是"助手"——帮人类验证证明、搜索反例、做符号计算。这次不一样。模型是在没有人类指导的情况下，自主选择了代数数论作为攻击路径，自主构造了反例，自主完成了证明。

普林斯顿组合数学家 Noga Alon 说，单位距离问题是 Erdős 最喜爱的问题之一，这个结果是"解决长期未解问题的杰出成就"。

对普通人意味着什么？

如果 AI 能在纯数学领域做出原创发现，那它在工程、医学、材料科学等应用领域的潜力就更不用说了。这些领域的问题通常比纯数学更"脏"——约束更多、数据更杂、边界更模糊——但也意味着 AI 的跨领域连接能力有更大的发挥空间。

对于开发者来说，这意味着推理模型正在从"能帮你补全代码"进化到"能帮你设计系统"。如果你在做需要复杂推理的应用——代码审查、架构设计、数据分析——这些模型的能力天花板正在被重新定义。

更实际的影响是：当 AI 能独立完成数学证明级别的推理链条时，它在工程领域的可靠性也会随之提升。今天你可能还需要反复 prompt 才能让模型理解一个复杂的业务逻辑，但这个摩擦正在快速减小。

冷思考

不过也别太兴奋。这个证明是 OpenAI 内部模型做的，不是公开可用的 GPT-4o 或 o3。OpenAI 没有公布具体是哪个模型，只说是"通用推理模型"。这意味着普通用户暂时还用不到这个级别的推理能力。

另外，数学证明是可以被严格验证的——要么对要么错。但现实世界的大多数问题没有这种清晰的判定标准。AI 在数学上的突破不能直接等同于它在所有领域都可靠。

但方向是清晰的：AI 正在从"工具"变成"研究者"。这个转变的速度，可能比大多数人预期的要快。

回到最初的问题：一个 80 年没人解开的数学猜想，被一个通用 AI 模型用人类没想到的方法解决了。这件事的意义不在于这个具体的猜想有多重要，而在于它揭示了一种新的可能性——AI 不再需要人类告诉它"往哪个方向想"。

当机器开始自己选择研究方向、自己构造证明策略的时候，"人类智慧的独特性"这个命题就需要被重新审视了。不是说人类不再重要，而是说人类的角色正在从"唯一的思考者"变成"思考者之一"。

这个转变是渐进的，但 Erdős 猜想的证伪是一个清晰的标志点。