OpenAI AI模型推翻离散几何经典猜想

数学家们研究了近80年的平面单位距离问题，近日被OpenAI的一个内部模型彻底颠覆。该问题由保罗·埃尔德什（Paul Erdős）于1946年提出，是组合几何中最著名也最棘手的难题之一：在平面上放置n个点，最多有多少对点恰好相距1个单位？

长期以来，数学界普遍认为所谓的“正方形网格”构造是最优的，能最大限度增加单位距离对数。OpenAI的模型推翻了这个持续数十年的猜想，构造了一个无限族，给出了多项式级别的改进。该证明已经过一组外部数学家验证，他们同时还撰写了一篇配套论文，详细阐述论证过程及其意义。

更值得注意的是，这一成果来自一个全新的通用推理模型，而非专为数学设计的系统。模型没有针对单位距离问题进行针对性训练，也没有借助特定的推理策略搜索。作为评估高级模型能否参与前沿研究的一部分，OpenAI在一系列埃尔德什问题上测试了该模型，最终它自动破解了这道难题。

菲尔兹奖得主蒂莫西·高尔斯（Tim Gowers）在配套论文中将该成果称为“AI数学的里程碑”。著名数论学家阿鲁尔·尚卡尔（Arul Shankar）评价道：“在我看来，这篇论文表明当前AI模型已不只是人类数学家的助手——它们能够产生原创的巧妙想法，并将其实现。”

单位距离问题

记u(n)为平面上n个点之间单位距离对数的最大值。容易构造线性增长率的例子：将n个点放在一条直线上得到n-1对，正方形网格给出约2n对。此前已知的最佳构造来自缩放后的正方形网格，能达到n^(1+ C / log log n)量级（C为常数）。由于log log n随n增大而趋于无穷，指数中的附加项趋于0，意味着这些构造仅比线性增长略快一点。几十年来，人们认为这个速率本质上是最优的，不可能有显著改进。埃尔德什曾猜想上界为n^(1+o(1))，其中o(1)表示随n增大而趋于0的项。

新成果推翻了这个猜想。更精确地说，对于无穷多个n，该证明构造了n个点的配置，其中至少有n^(1+δ)个单位距离对，δ为某个固定正指数。（原始AI证明未给出显式δ，但普林斯顿大学数学教授威尔·索温（Will Sawin）在后续改进中表明可取δ=0.014。）

问题的历史有助于理解为何该结果令人意外：自1946年埃尔德什原始构造以来，最佳下界几乎没有变化；最佳上界O(n^(4/3))则可追溯到1984年斯宾塞、塞迈雷迪和特罗特的工作。此后虽有相关结构研究，上界始终未变。马托乌谢克、阿隆-布奇奇-绍尔曼等人在非欧几里得距离下研究该问题，发现“大多数”非欧距离在某种程度上服从猜想，这更强化了原猜想。

令人惊讶的是，构造的关键要素来自代数数论——一个研究整数扩张域（如代数数域）中分解性质的数学分支。

来自代数数论的新技巧

证明从熟悉的几何思想出发，却走向了意想不到的方向。埃尔德什的原始下界可以通过高斯整数（形如a+bi，a、b为整数，i为-1的平方根）来理解。高斯整数扩展了普通整数，并拥有唯一分解等性质。新论证用代数数论中更复杂的推广替代高斯整数，这些推广具有更丰富的对称性，能够创造更多单位长度差。

具体论证使用了无穷类域塔和Golod-Shafarevich理论等工具，证明所需的数域确实存在。这些思想在代数数论领域广为人知，但应用于欧几里得平面的几何问题，令同行大感意外。

对数学的意义

这一成果标志着AI与数学互动的重要时刻：AI系统自主解决了一个活跃领域的长期开放问题。同时，它也提供了AI与人类数学家新型协作的早期案例。外部数学家的配套论文比原始解决方案描绘了更丰富的图景。

如托马斯·布鲁姆（Thomas Bloom）在配套评注中所写：“评估AI生成证明的重要性时，我问自己：它教会了我们关于问题的新东西吗？我们现在对离散几何的理解是否加深了？我认为答案是谨慎的肯定：这表明数论构造在这类问题上的潜力远超我们此前所料，而且所需的数论可以非常深刻。毫无疑问，未来数月许多代数数论学家将重新审视离散几何中的其他开放问题。”

该解决方案揭示的代数数论与离散几何之间出人意料的联系，使其不仅仅解决了一个具体猜想，更为数学家探索相关问题搭建了桥梁。布鲁姆还指出：“知识的边界非常参差不齐，未来数月和数年，AI将在数学的许多其他领域取得类似成功，揭示意外联系，将现有技术推向极限。AI正在帮助我们更充分地探索人类几个世纪以来建立起来的数学大教堂；还有哪些未被发现的奇景正在幕后等待？”