一个 OpenAI 的人工智能模型自主地推翻了困扰数学界 80 年的“埃尔德什单位距离猜想”。该模型通过构建一个比传统二维网格更复杂的高维结构，找到了能产生更多单位距离的点阵排列方式，证明了原猜想是错误的。这一成果虽然仍需人类数学家来验证和扩展，但它标志着 AI 已具备在数学领域做出原创性贡献的能力，并预示着在短期内，AI 将作为强大工具与人类数学家互补协作，而非完全取代他们。
什么是单位距离问题？
这个著名问题由数学家保罗·埃尔德什在 1946 年提出。它的核心很简单：在平面上放置任意多个点，如何排列它们，才能使距离正好为“1”的点对数量最多？
- 随着点数的增加，找到精确答案变得极其困难。
- 因此，数学家转而研究其上限（最多能有多少）和下限（最少能保证多少）。
- 埃尔德什通过在一个方形网格上排列点，并利用数论知识，计算出了一个下限。他猜想，这个下限已经非常接近最优解了。
埃尔德什的猜想是：对于大量的点，能产生的单位距离点对的数量，其增长速度仅仅略快于点的数量本身。
在接下来的 80 年里，尽管没人能证明这个猜想，但它看起来似乎是正确的。直到 OpenAI 的 AI 模型出现。
AI 如何推翻旧猜想？
埃尔德什的方法基于一个核心假设：最优的点排列方式应该类似于一个二维的方格网。然而，AI 证明了这个假设是错误的。
AI 的方法更加复杂和巧妙：
- 放弃二维网格： 它没有局限于在二维平面上直接排列点。
- 构建高维结构： 模型在一个高维空间中，使用一种名为“代数整数”的数学工具构建了一个更复杂的网格。
- 投影到二维： 最后，它将这个高维结构投影回二维平面，形成一种全新的、不规则的点阵。
结果证明，这种由高维结构降维而来的点阵，虽然看起来不规整，但其内部包含的“结构”更丰富，能够比传统方格网容纳更多的单位距离。这直接推翻了埃尔德什猜想的基础。
数学家 Will Sawin 基于 AI 的结果推算出，新方法产生的单位距离数量增长速度至少是 n¹·⁰¹⁴，这个增长率虽然看起来只比 n¹ 多一点点，但在 n 变得极大时，会远远超过埃尔德什方法所能达到的数量。
这次突破的真正意义
这被认为是 AI 在数学领域的一个重要里程碑，但它并非凭空而来。它恰好发挥了 AI 相对于人类的独特优势。
- 跨领域的广博知识： 解决方案依赖于将离散几何问题与代数数论的深奥技巧相结合。AI 被训练过海量的数学文献，其知识广度远超任何一个人类个体，因此能发现这种看似遥远的联系。
- 不畏枯燥的“蛮力”探索： AI 所采用的方法，对于人类研究者来说，是一条“看起来就不太可能成功”的路径。它需要进行大量繁琐的计算和尝试。
多伦多大学教授 Jacob Tsimerman 坦言，他曾考虑过类似的方法，但因为“非常耗时且常常行不通”而最终放弃。AI 没有这种心理负担，可以不知疲倦地尝试各种可能。
- 并非创造全新理论： 值得注意的是，AI 并未发明全新的数学理论。它只是聪明地组合和应用了已有的、但分属于不同领域的数学思想。
人类与 AI 的协作未来
这次事件清晰地展示了人机协作的模式。
菲尔兹奖得主蒂姆·高尔斯最初以为 AI “证明”了猜想，并感到恐慌。但当他得知 AI 是“推翻”了猜想时，他反而“松了一口气”，因为推翻一个猜想（通过构造反例）通常比证明它（需要普适的逻辑）要更容易一些。
- AI 的角色： 充当一个强大的灵感生成器和计算工具。它可以快速验证或推翻假设，并从海量知识中找到意想不到的关联。
- 人类的角色： 依然至关重要。人类负责验证 AI 结果的正确性，将其整理成严谨的数学语言，并基于 AI 的发现提出更深刻的问题，探索其更广泛的意义。
短期来看，AI 不会取代数学家，而是会成为他们手中最强大的工具之一，帮助他们更快地探索数学的未知领域。但 AI 在数学能力上的飞速进步也表明，十年后人与 AI 在数学研究中的关系，仍然充满未知。