全速加载中...

AI自主破解80年数学难题：Erdős单位距离猜想被推翻，菲尔兹奖得主称"这是AI数学的里程碑"

为什么要关注这件事

2026年5月20日，OpenAI宣布其内部通用推理模型成功推翻了一个困扰数学界近80年的核心猜想——Erdős平面单位距离猜想。这是人工智能首次自主解决一个数学分支中居于核心位置的著名开放问题。

这个消息之所以震撼，不仅因为它攻克了一道难题，更因为AI证明的方式本身就让数学界感到意外。模型没有走人类数学家的常规思路，而是从看似完全不相关的代数数论领域借来了工具，构造出一种人类从未想过的点集排列方式。

菲尔兹奖得主Timothy Gowers在审阅后直言："这是AI数学的一个里程碑。" 他甚至建议其他数学家阅读之前"先坐下来"。OpenAI CEO Sam Altman的反应则更加微妙，他转发了这一消息，写下了一句意味深长的："感受很复杂。"

这不仅是关于一道数学题的胜利，更是一场关于**"创造力究竟属于谁"的宣言**。

发生了什么：一道80年无人能破的几何题

让我们回到问题本身。

1946年，传奇数学家保罗·Erdős（埃尔德什）提出了一个看似简单的问题：在无限平面上放置 n 个点，最多能有多少对点的距离恰好等于 1？

这被称为"平面单位距离问题"（Erdős Unit Distance Problem），是组合几何领域最著名、也最容易解释的公开问题之一。Erdős 本人非常喜欢这个问题，甚至专门为此设立了现金奖励。

几十年来，数学界公认的最佳方案是正方形网格——像棋盘一样把点铺开。用这种构造，单位距离点对的数量大约是 u(n) ≈ n^(1 + C/log log n)，其中 C 是常数。这个式子本质上意味着：单位距离点对的数量虽然比 n 增长得快一些，但快得非常有限。

Erdős 据此提出了他的猜想：u(n) 的上界为 n^(1+o(1))，即略高于线性增长，不可能出现一个固定比例的指数优势。

这个直觉看起来很合理——毕竟，在平面上排列点，你想不出比网格更紧凑的放法了。但问题是，没有人能证明它，也没有人能推翻它。

1984年，Spencer、Szemerédi 和 Trotter 给出了上界 O(n^(4/3))，此后40多年，上下界之间始终存在巨大空白。Székely、Katz、Pach、Solymosi 等几何大牛都尝试过突破，但都未能撼动"正方形网格不可超越"的共识。

直到2026年5月20日。

OpenAI 的内部通用推理模型给出了一族全新的构造：对于无穷多个 n，可以构建出至少拥有 n^(1+δ) 个单位距离点对的点集配置，其中 δ 是一个固定正数。普林斯顿大学数学教授 Will Sawin 随后将其精确为 δ = 0.014。

虽然0.014看起来很小，但它的意义在于：这是一个固定的指数增益，彻底打破了 Erdős 猜想中"只能略高于线性增长"的断言。

技术原理（通俗版）：AI如何"跨界"解题

这项突破最令人震惊的部分，不是 AI"解决了难题"，而是它解决问题的路径完全出乎人类意料。

传统上，人类数学家尝试解决单位距离问题，用的是几何和组合数学的方法——从点、线、距离这些直观概念出发。Erdős 本人的构造依赖于高斯整数（形如 a+bi 的复数，a、b 为整数），利用其唯一质因数分解等性质来构造网格。

但 OpenAI 的模型发现，高斯整数提供的对称性还不够"压榨"出极限的单位距离。它"想到"了一个完全不同的领域——代数数论。

简单来说，AI 的推理大致是这样的：

用更复杂的数域替代高斯整数：模型构造了一种更庞大、更抽象的代数数域扩张，这种数域拥有更丰富的对称结构。
利用"无限类域塔"理论：为了证明这种复杂数域存在且能生成足够的单位距离，模型动用了代数数论的深层工具——Golod-Shafarevich 理论和无限类域塔。
将抽象数学映射回几何空间：将这些数论结构坍缩到欧几里得平面上，就得到了一个全新的点集排列，其单位距离数量远超正方形网格。

这就像一位建筑大师用音乐理论来设计桥梁——两个领域看似毫不相干，但在最深的底层结构上，却产生了意想不到的连接。

对于代数数论专家来说，无限类域塔和 Golod-Shafarevich 理论是熟悉的工具，但没有人想过要把它们用到欧几里得平面上的组合几何问题中来。这正是 AI 的独特价值：它没有"学科边界"的概念，可以在整个数学知识空间中自由跳跃。

为什么这次不一样：AI进入科研核心创造环节

这不是 OpenAI 第一次宣称解决了数学难题。就在几个月前，OpenAI 前副总裁曾高调宣布 GPT-5 找到了十个 Erdős 问题的答案，但后来被数学界指出逻辑漏洞，不得不撤回。

但这一次，情况完全不同。

原因有三：

第一，证明经过了严格的学术同行评审。 九位数学家联合撰写了配套论文，对 AI 的原始证明进行了验证、消化和阐释。Tim Gowers、Noga Alon、Thomas Bloom 等一线数学家均认可其结果。Gowers 明确表示："如果这是人写的论文，我会毫不犹豫地推荐顶级期刊接收。"

第二，这不是一个专门为数学设计的系统。 OpenAI 强调，完成这项突破的是一个通用推理模型（很可能是 GPT-5.5 Pro 的升级版），它没有被针对性地训练来解决数学问题，也没有被设计成数学证明搜索引擎。它只是在处理一组 Erdős 问题时，"碰巧"给出了这个惊人的结果。

第三，模型展现了真正的原创性。 过去，AI 在数学中的角色主要是辅助——解竞赛题、辅助形式化证明、帮助检索资料。但这一次，模型在面对一个长期开放的问题时，独立提出了新的构造，并通过了外部专家的审查。 也就是说，AI 开始触碰数学研究中"发现路径"这一最核心的环节。

数论学家 Arul Shankar 评价道："这篇论文显示，当前 AI 模型已经不仅是数学家的助手——它们能够提出原创而巧妙的想法，并将这些想法完整地推进到最终成果。"

行业影响：从数学到整个科研范式

这一成果的意义远超数学本身。

对数学研究：人机协作的新时代

Manchester 大学研究员 Thomas Bloom 写道："知识的前沿往往呈现出崎岖不平的形态。在未来几个月乃至数年间，我们将在数学的许多其他分支中见证类似的成功案例——AI 通过揭示意想不到的关联，解决那些悬而未决多年的难题。"

未来数学家的角色可能会发生深刻变化：人类负责判断"什么问题值得解决"和"结果是否可信"，而 AI 负责批量提出复杂的研究路径和构造方案。

对AI行业：IPO前夕的技术背书

有趣的是，这一重大突破恰逢 OpenAI 上市的关键节点。就在同一天，消息显示 OpenAI 最快将于2026年5月22日（周五）秘密提交 IPO 招股书草案，目标在9月登陆资本市场，估值已超过8500亿美元。

从商业角度看，证明 AI 不仅有"对话能力"还有"科研创造力"，无疑是对投资人最有力的故事。但更深远的影响在于：如果一个模型能够在数学中维持复杂论证的连贯性、连接不同知识领域并产出经得起专家审查的成果，那么类似能力也必然能在生物学、物理学、材料科学、工程学和医学等领域发挥作用。

对普通人：科研加速的序幕

OpenAI 科学家 Noam Brown 透露，实现这一成就的是一个通用大语言模型。它没有针对数学问题进行专门优化，这意味着它的能力可以复用到几乎所有智力领域。 Brown 表示，OpenAI 现在的重点是尽快推出这个模型，让每个人都能使用。

想象一下：如果过一两个月，我们随便拿起手机就能与一个"能自主做数学研究"的AI对话，世界会是什么样子？

我的观点：比"AI会思考"更重要的，是"AI会连接"

在分析这一事件时，我认为最值得关注的不是"AI证明了难题"这个结果本身，而是它证明的方式。

人类数学家的思维往往受限于学科训练——几何学家用几何工具，数论学家用数论工具，大家各守一方。但 AI 没有这些"学科偏见"，它可以在整个数学知识空间中自由游走，把代数数论的抽象工具搬到离散几何的问题上。

这恰恰揭示了人类认知的最大局限：我们太善于制造"学科壁垒"，而 AI 最擅长的正是打破这些壁垒。

我预测，未来两年内我们将看到更多类似的"跨界突破"——不是 AI 比人类更聪明，而是 AI 比人类更"无知"（不受学科边界限制），这种无知反而成了它最大的优势。

同时，我认为这次事件对 OpenAI 的商业价值可能不亚于科学价值。在上市前夕展示 AI 的"科研创造力"，不仅是在向投资人讲故事，更是在向整个社会发出信号：AGI 不再是一个遥远的概念，它正在一步步走进现实。

当然，也有值得警惕的一面。Tim Gowers 曾在另一次实验中表示，AI 在数学领域的发展速度"令人恐惧"——如果 AI 能够以这种速度推进数学研究，那么人类在知识创造中的位置将被重新定义。不是被取代，但可能需要重新思考：当 AI 能够提出我们想不出的方案时，人类数学家的价值在哪里？

或许答案就在 Altman 那句"感受很复杂"里——这是一种混合了兴奋、敬畏与焦虑的复杂情绪。而这种情绪，可能正是人类面对即将到来的 AGI 时代，最诚实的反应。