2026 年 5 月 20 日，OpenAI 公布了一项成果，悄然重置了人们对推理模型在纯数学领域能力的预期。一个通用推理模型，并非为数学专门训练，推翻了一个从 1946 年 Paul Erdős 提出以来就未曾被动摇过的猜想：平面单位距离问题。菲尔兹奖得主 Tim Gowers 称其为"AI 数学的里程碑"。普林斯顿的 Noga Alon 说这是"解决一个长期公开问题的杰出成就"。
这件事的意义超越了一个定理本身。它是一个案例研究，展示了跨领域连接能力，在搜索空间足够大时，如何成为决定性的优势。
问题：表述简单，破解困难
问题本身极其初等。在平面上放置 n 个点，最多有多少对点的距离恰好为 1？Erdős 猜想方形网格构造本质上是最优的。80 年来，数学家们证明了许多特殊情况，发展了各种界和技巧，但没有人找到一个能超越网格构造多项式级别的方案。
这个模式在数学史上反复出现：问题的简单程度与其解决难度之间没有任何相关性。费马大定理如此，Collatz 猜想如此，黎曼猜想也是如此。容易表述，极难证明（或证伪）。单位距离问题就在这个类别里，不断积累部分结果，但拒绝任何决定性的突破。
原因值得深究。可能点配置的搜索空间随 n 指数级膨胀。人类数学家通过发展关于哪些结构是"自然"候选者的直觉来接近这类空间。方形网格感觉自然，网格的扰动感觉自然。但什么感觉自然，是由训练和传统塑造的，不是对空间的穷举调查。
突破：代数数论遇上离散几何
OpenAI 模型找到了没有人预期到的东西：一个无穷族的点配置，在多项式级别上超越了方形网格构造。对于无穷多个 n 值，这个构造产生至少 n^(1+δ) 个单位距离对，其中 δ > 0。普林斯顿数学家 Will Sawin 进一步把结果精确到 δ = 0.014。
这个证明使用的数学技术才是真正值得关注的。证明把代数数论中的工具应用到了一个看似初等的几何问题上。具体来说：
高斯整数（形如 a + bi 的数）提供了一种自然的框架，可以把几何结构嵌入到代数世界中。但模型走得更远，使用了代数数论中更复杂的推广形式，它们携带更丰富的对称群。关键的技术要素包括无穷类域塔和 Golod-Shafarevich 理论，这些工具通常存在于高等数论中，很少被应用于组合几何。
这恰恰是那种推动真正发现的跨领域连接。离散几何的专家可能知道代数数论的存在，但极少会想到把类域论应用到一个平面上的计数问题。模型没有这种学科边界。它可以同时持有两个领域的概念，搜索它们之间的结构性桥梁。
为什么连接比原始智能更重要
围绕 AI 数学突破的主流叙事聚焦于计算规模：更多参数、更多训练数据、更多推理时间。规模确实重要，但这个结果指向了不同的东西。模型的优势不在于比人类算得更快，而在于它能探索跨专业领域的连接，而人类研究者受限于学科边界，不会想到去尝试这些连接。
想象一下一个人类数学家要复现这个发现需要做什么。他需要同时精通离散几何和代数数论，这两个领域在标准课程体系中很少交叉。他需要同时保持两个框架，搜索一个特定的结构性桥梁。而且他不能依靠从类似问题的解法中获得直觉，因为从来没有人解决过这个问题。
模型没有面对这些约束。它可以从两个领域的训练数据中提取概念，快速测试候选构造，用形式化推理验证有前景的方向。这不是"AI 比 80 年的数学家加起来都聪明"。这是 AI 看到了因为制度和认知边界而对个体研究者不可见的连接。
这个模式在数学之外有直接类比。在工程领域，最有影响力的改进往往来自识别一个领域的瓶颈映射到另一个领域的已解决问题。在科学史上，突破的历史很大程度上是跨领域授粉的历史：统计力学启发信息论，信息论启发机器学习，机器学习现在正在启发纯数学。连接是知识复利的引擎。
验证层
一个细节值得关注：证明由外部数学家验证。Gowers、Alon、Arul Shankar、Jacob Tsimerman 和 Thomas Bloom 都检查了这个结果。Shankar 指出，"当前的 AI 模型已经超越了人类数学家的辅助工具，它们能够产生原创性的巧妙想法。"
这个验证步骤不是走过场。它是 AI 生成一个看似合理的论证与产生一个数学真理之间的区别。形式化验证闭合了回路：模型提出，人类验证，结果进入已确立的数学知识库。模型的贡献是真实的，人类在确认这个贡献中的角色同样真实。
这符合一个更广泛的原则：在高风险领域，瓶颈从生成转移到验证。当代码生成变得廉价，代码审查成为约束。当数学猜想生成变得快速，证明验证成为稀缺资源。系统的吞吐量由其最慢的组件决定。
这对数学和 AI 研究意味着什么
三个启示值得关注。
第一，"AI 在数学中能做什么"的边界已经显著移动。此前的 AI 数学成果，比如解决竞赛问题或证明已知定理，都在既有框架内运作。这个结果创造了新的数学，找到了人类数学家没有考虑过的构造。这是质的区别。
第二，AI 在数学中最有效的角色可能不是独立研究员，而是连接引擎：一个能够快速探索专业领域交叉点、识别人类专家会遗漏的桥梁的系统。人类数学家然后验证、提炼和构建在这些连接之上，把认知资源集中在 AI 尚无法完成的判断密集型工作上。
第三，结果暗示数学发现的瓶颈已经转移。对于这类问题，约束不再是计算能力，甚至不是数学技巧。而是同时维护和搜索多个专业框架的能力。能做到这一点的模型将越来越多地为前沿研究做出贡献，不是通过取代数学家，而是通过扩展数学社区的有效搜索带宽。
FAQ
什么是单位距离问题？
在平面上放置 n 个点，最多有多少对点的距离恰好为 1？Paul Erdős 在 1946 年提出这个问题，并猜想方形网格构造本质上是最优的。
OpenAI 模型具体证明了什么？
它推翻了 Erdős 的猜想，构造了一个无穷族的点配置，在多项式级别上超越了方形网格构造。具体来说，对于无穷多个 n，构造产生至少 n^(1.014) 个单位距离对。
证明经过验证了吗？
是的。包括菲尔兹奖得主 Tim Gowers 和普林斯顿的 Noga Alon 在内的外部数学家验证了这个结果。OpenAI 公布了完整证明、补充说明和推理过程节选。
模型使用了什么数学技术？
证明使用了代数数论中的工具，包括高斯整数、无穷类域塔和 Golod-Shafarevich 理论。这些通常应用于高等数论，而非组合几何。
这个模型是专门为数学训练的吗？
不是。OpenAI 表示证明来自一个通用推理模型，并非为数学专门训练。
这对人类数学家意味着什么？
结果表明 AI 可以通过跨领域连接为前沿数学贡献原创想法。人类数学家在验证、提炼和构建这些发现上仍然不可或缺。
参考资料
- OpenAI. "An OpenAI model has disproved a central conjecture in discrete geometry." 2026 年 5 月 20 日. https://openai.com/index/model-disproves-discrete-geometry-conjecture/
- OpenAI. "Unit Distance Proof (PDF)." https://cdn.openai.com/pdf/74c24085-19b0-4534-9c90-465b8e29ad73/unit-distance-proof.pdf
- OpenAI. "Companion Remarks (PDF)." https://cdn.openai.com/pdf/74c24085-19b0-4534-9c90-465b8e29ad73/unit-distance-remarks.pdf
- OpenAI. "Abridged Chain of Thought (PDF)." https://cdn.openai.com/pdf/1625eff6-5ac1-40d8-b1db-5d5cf925de8b/unit-distance-cot.pdf
- Erdős, P. "On sets of distances of n points." American Mathematical Monthly, 53:248-250, 1946.