一个 OpenAI 的内部模型推翻了数学领域一个近 80 年的猜想，即“平方格子”构造在解决平面单位距离问题时已接近最优。该模型提出了一种新的点集构造方法，能够产生多项式级别的更多单位距离对。这一证明不仅首次展示了人工智能能够自主解决核心数学难题，更意外地是，它借用了代数数论的深层工具，揭示了离散几何与数论之间一个前所未见的新联系。
一个存在了近 80 年的数学难题
平面单位距离问题由数学家保罗·埃尔德什（Paul Erdős）于 1946 年提出，是组合几何学中最著名的问题之一。问题本身非常简单：
- 在平面上放置 n 个点，它们之间距离恰好为 1 的点对最多可以有多少对？
几十年来，数学界普遍认为，通过“平方格子”构造出的点集（能产生大约 2n 对单位距离）已经接近最优解。埃尔德什本人也猜想，单位距离对数量的增长上限是 n¹⁺ᵒ⁽¹⁾，意味着增长速度只比线性稍快一点。
“这可能是组合几何学中最著名（也最容易解释）的问题。” — 《离散几何研究问题》
人工智能带来的意外突破
一个 OpenAI 的通用推理模型自主地解决了这个难题，推翻了长期以来的主流猜想。
- 新的构造方法： AI 模型找到了一个全新的构造，对于无限多个 n，可以找到一个 n 个点的集合，其中至少有 n¹⁺ᵟ 个单位距离对。
- 实质性改进： ᵟ 是一个固定的正数（后续研究表明可取 ᵟ=0.014），这意味着单位距离对的数量实现了多项式级别的增长，远超之前“略快于线性”的认知。
- 自主解决： 这一发现并非来自一个专门为数学或该特定问题训练的模型，而是一个通用推理模型在解决一系列埃尔德什问题时自主产生的。
这个结果标志着 AI 首次独立解决了一个活跃数学子领域的核心公开难题。
关键：来自另一个数学领域的工具
最令人惊讶的部分在于证明所使用的方法。解决方案的关键并非来自几何学本身，而是来自一个看似毫不相关的领域——代数数论。
传统的构造方法依赖于高斯整数（形如 a+bi 的复数）。而新的证明则使用了更复杂的代数数论工具，例如：
- 更复杂的代数数域，它们拥有更丰富的对称性。
- 利用无限类域塔和 Golod–Shafarevich 理论来证明所需数域的存在性。
这些来自数论的深层概念，竟然能对一个基础的欧几里得平面几何问题产生影响，这让数学家们感到非常意外。
这对数学意味着什么？
这一成果不仅解决了一个具体的猜想，更重要的是它揭示了不同数学分支之间前所未见的深层联系。
菲尔兹奖得主蒂莫西·高尔斯（Tim Gowers）称其为“人工智能数学的一个里程碑”。
“这表明，数论构造在这类问题上能做的，比我们想象的要多得多；而且，所需的数论知识可能非常深奥。毫无疑问，在未来几个月里，许多代数数论学家将会密切关注离散几何中的其他开放问题。” — 托马斯·布鲁姆（Thomas Bloom），数学家
AI 不仅给出了答案，还为人类数学家提供了一座新的桥梁，让他们可以探索此前未知的研究方向。
更广泛的意义：AI 作为研究伙伴
这个案例展示了 AI 作为研究伙伴的巨大潜力，其能力远不止于数学领域。
- 跨领域连接： AI 能够连接看似遥远的不同知识领域，发现专家可能忽略的路径。
- 处理复杂问题： AI 能够维持复杂的逻辑链条，帮助研究人员处理过于复杂或耗时的问题。
- 加速科学发现： 这种强大的推理能力同样适用于生物、物理、工程和医学等领域，有助于推动更自动化的科学研究。
尽管如此，人类的专业判断变得更加重要。人们负责提出有价值的问题，解释 AI 的结果，并决定下一步的研究方向。AI 负责搜索、建议和验证，而人类则负责赋予研究以意义和方向。