OpenAI 推翻 Erdős 80 年猜想：AI 首次自主解决数学核心开放问题

📌 核心问题

1946 年，Paul Erdős 提出了一个看似简单却困扰数学界近 80 年的问题：在平面上放置 n 个点，最多能有多少对点恰好相距 1 个单位？这就是著名的「平面单位距离问题」（Planar Unit Distance Problem），被 Brass、Moser 和 Pach 在 2005 年的著作中称为「可能是组合几何中最著名（也最容易解释）的问题」。

几十年来，数学界普遍认为基于「方形网格」的构造已经是最优的——其增长率仅为 n^{1+o(1)}，即略快于线性增长。Erdős 本人甚至为此问题设了奖金。2026 年 5 月 20 日，OpenAI 宣布其内部通用推理模型自主推翻了这一长达 80 年的猜想，构造出无穷多个反例，实现了多项式级别的改进。

这是数学史上第一次，一个数学子领域中的核心开放问题被 AI 系统自主解决。Fields 奖得主 Tim Gowers 称这一结果为「AI 数学的里程碑」。

📊 关键数据

• 问题历史：1946 年由 Erdős 提出，近 80 年未被解决
• 此前最佳下界：n^{1+C/log(log(n))}（来自方形网格构造），增长率仅略快于线性
• 新结果：对无穷多个 n，构造出至少 n^{1+δ} 个单位距离对（δ>0 为固定常数）
• Princeton 数学教授 Will Sawin 后续精化证明，取 δ=0.014
• 此前最佳上界：O(n^{4/3})，来自 Spencer、Szemerédi 和 Trotter 1984 年的工作
• 模型：非数学专用系统，而是通用推理模型，通过 test-time compute 搜索证明策略

🏗️ 技术架构与证明设计

• 从高斯整数出发：Erdős 的原始下界基于高斯整数 Z[i]（形如 a+bi 的数），利用其唯一分解性质构造单位距离对
• 代数数论推广：新证明将高斯整数替换为更复杂的代数数域扩展，这些扩展具有更丰富的对称性，能产生更多单位长度差
• 无限类域塔与 Golod-Shafarevich 理论：证明使用这些工具来论证所需数域的存在性，这些工具在代数数论中众所周知，但用于欧氏平面几何问题令人意外
• 通用推理模型发现：证明来自一个非专用数学系统，通过在 Erdős 问题集合上评估，自主产出了这一证明
• 外部验证：一组独立数学家验证了证明，并撰写了配套论文解释论证细节和结果意义

🔑 关键洞察

🔑 AI 首次自主解决数学核心开放问题

这不同于之前 AI 辅助数学证明的案例（如 Lean 形式化验证）。OpenAI 的模型并非针对单位距离问题训练或搭建，而是一个通用推理系统，在评估 Erdős 问题集合时自主发现了证明。这表明前沿 AI 模型的推理能力已经达到了「原创性洞察」的水平——不仅能辅助人类，还能提出人类未曾想到的思路。

🔑 跨领域知识迁移是关键突破点

证明最令人惊讶之处在于：一个组合几何问题的答案来自代数数论。AI 模型将「无限类域塔」和「Golod-Shafarevich 理论」——这些在代数数论中成熟的工具——带入了欧氏平面几何。正如 Thomas Bloom 所说：「这表明数论构造对这类问题有远超我们预期的解释力，而且所需的数论可以非常深。」跨领域连接正是 AI 相比人类研究者的优势所在。

🔑 Test-time Compute 的研究范式验证

OpenAI 在验证初始证明后，进一步研究了模型在不同 test-time compute 量下的成功率。这表明「推理时扩展计算」（inference-time scaling）不仅能提升模型在标准 benchmark 上的表现，还能在真正的前沿研究问题上发挥作用。这一范式可能改变未来 AI 辅助科研的方式：不是训练专用模型解决特定问题，而是让通用模型在推理时投入更多计算来搜索解决方案。

🔑 人类专家角色从「解题者」变为「诠释者」

配套论文中，外部数学家的工作不是验证对错，而是诠释和丰富结果的意义。Bloom 指出，AI 证明「教会了我们关于这个新问题的新东西」，而 Shankar 认为这证明 AI 模型「超越了人类数学家的助手角色，有能力产生原创的巧妙想法并将其付诸实现」。这预示着一种新的人机协作范式：AI 负责搜索和发现，人类负责理解、诠释和提出新问题。

💭 引发思考

这一结果的意义远超数学本身。如果一个通用推理模型能够保持复杂论证的连贯性、连接遥远知识领域、产出经得起专家审查的工作，那么这种能力同样适用于生物学、物理学、材料科学、工程学和医学。OpenAI 明确表示，这是其「更自动化研究」长期路径的一部分——让系统帮助科学家和工程师探索更多想法、攻克更难的技术问题。

但这也带来了新的挑战。当 AI 开始在研究的创造性环节发挥作用时，「对齐」问题变得更加紧迫——我们如何确保非常智能的系统与人类目标保持一致？OpenAI 自己也承认「这强化了我们对理解 AI 下一发展阶段、对齐挑战以及人机协作未来的紧迫感」。数学因其精确性和可验证性，恰好是研究这些问题的理想试验场。未来几年，我们很可能会看到更多长期未解的数学问题被 AI 攻克，而每一次成功都将深化我们对 AI 推理能力的理解。

📎 相关阅读

• 原始证明：点击查看
• 外部数学家配套论文：点击查看
• 模型推理链摘要：点击查看
• OpenAI 官方博文：点击查看

逍遥云初 | 2026.06.02