一把长度为 1 的尺子，把 AI 送到了数学研究最前线。

想象一下，在一张无限大的平面上放下 n 个点，任意两点之间如果刚好相距 1，就算一组「单位距离点对」。最多能有多少组？

1946 年，数学家 Paul Erdős 提出了这个问题。近 80 年来，数学界一直认为，最接近答案的构造大概会像平方网格，也就是把点像棋盘一样铺开。

截至发稿前，该推文已引来 320 万网友的围观

OpenAI 现在给出了截然不同的结果。

根据 OpenAI 官方博客，其内部一款通用推理模型找到了一族新的构造方法，可以让 n 个点产生比平方网格预期更多的单位距离点对。这个结果否定了 Erdős 关于单位距离数至多为 n^(1+o(1)) 的长期上界猜想。

目前这一证明已经由外部数学家检查，并有配套论文解释背景和意义。

引人注意的地方在于，OpenAI 强调，证明来自一款通用推理模型。它并非为单位距离问题定制，也并非专门的数学证明搜索系统。按照 OpenAI 的说法， 这是 AI 首次自主解决一个数学分支中居于核心位置的重要公开问题。

对数学界来说，这可能只是一个持续近 80 年的经典猜想被推翻。但对 AI 行业来说，模型开始触碰科研创造的上游环节： 提出新想法，连接跨领域知识，并把复杂论证推进到可被专家审查的程度。

1 的距离，80 年的猜想

平面单位距离问题是组合几何里最有名的问题之一。

2005 年出版的《Research Problems in Discrete Geometry》中，Brass、Moser 和 Pach 称它「可能是组合几何中最知名、也最容易解释的问题」。组合数学家 Noga Alon 也说，这是 Erdős 本人最喜欢的问题之一，Erdős 甚至曾为解决它设立奖金。

数学上通常用 u(n) 表示答案：平面上放置 n 个点时，距离刚好为 1 的点对数量最多是多少。研究者关心的重点，是当 n 不断增大时，u(n) 会以什么速度增长。

最容易理解的摆法，是把 n 个点排成一条直线。相邻两点距离为 1，于是可以得到 n 减 1 个单位距离点对。

稍微复杂一点的摆法，是平方网格。把点像棋盘一样排开，每个点可以和上下左右的相邻点形成单位距离。这样一来，单位距离点对数量大约可以达到 2n。

一种此前已知的构造：通过重新缩放的方形网格生成大量单位距离。

Erdős 在 1946 年提出的构造更加精细。他使用经过缩放的平方网格，让单位距离点对数量达到 n^(1+C/log log n) 的量级，其中 C 是常数。这个式子可以拆成一句话理解：它比 n 增长得快一些，但快得非常有限。因为 n 越大，C/log log n 越接近 0，所以整体仍然接近 n 的一次方增长。

长期以来，数学家普遍相信，平方网格类构造已经接近这个问题的极限。Erdős 据此提出猜想，u(n) 的上界应当是 n^(1+o(1))。这里的 o(1) 表示一个会随着 n 增大而趋近于 0 的量。换成普通说法，单位距离点对数量可以略高于线性增长，但不应该出现一个固定比例的指数优势。

OpenAI 公布的新结果打破了这个预期。

官方博客称，模型构造出一族无限多的例子。对于无穷多个 n，平面上可以放置 n 个点，并得到至少 n^(1+δ) 个单位距离点对。这里δ是一个固定正数。原始 AI 证明没有给出δ的具体数值，但普林斯顿大学数学教授 Will Sawin 的后续改进显示，δ 可以取 0.014。

平方网格类构造原本被认为接近最优；OpenAI 模型给出的新构造则在无穷多个 n 上实现了固定指数优势，突破了 n^(1+o(1)) 这一看法。

业界的震动来自两个层面。第一，问题本身分量很重。平面单位距离问题虽然表述简单，实质进展却很慢。下界长期沿着 Erdős 早年的构造推进，最好的上界 O(n^(4/3)) 来自 Spencer、Szemerédi 和 Trotter 在 1984 年的工作。此后，Székely、Katz 和 Silier、Pach、Raz、Solymosi 等研究者继续研究相关结构，但核心上下界之间仍然存在很大空白。

第二，新证明使用的工具出乎很多人预料。过去研究者看这个问题，通常会自然想到几何和组合结构。OpenAI 模型给出的路径，却把问题带到了代数数论。

Erdős 早期构造可以通过高斯整数来理解。高斯整数形如 a+bi，其中 a 和 b 是整数，i 是负 1 的平方根。它扩展了普通整数，并保留了类似唯一分解的性质。借助这种结构，可以解释为什么某些缩放后的平方网格会产生很多单位距离。

图片由 AI 生成，仅供参考

OpenAI 模型的新证明使用了更复杂的代数数域。代数数域可以理解为对普通有理数或整数的推广，其中包含更丰富的对称结构。OpenAI 称，正是这些结构制造出大量单位长度差，让平面上的点能够形成更多距离刚好为 1 的点对。

证明还用到无限类域塔和 Golod Shafarevich 理论等工具。这些概念在代数数论内部并不陌生，但它们突然出现在一个欧氏平面里的组合几何问题中，带来了很强的跨领域意味。

外部数学家也把这一点视为成果的关键。配套论文作者之一 Thomas Bloom 写道，评价 AI 生成证明的重要性时，一个重要标准是它有没有让人类更理解这个问题。在他看来，答案可以谨慎地给出肯定。这个结果说明，数论构造对离散几何问题的影响，可能比过去预想得更深。

组合数学家 Noga Alon 表示，Erdős 曾多次在讲座中提到单位距离问题，几乎每位组合几何研究者都思考过它，许多其他领域的数学家也曾花时间研究。Alon 认为，OpenAI 内部模型解决这一长期公开问题是一项突出成果。尤其让人意外的是，正确答案没有落在 n^(1+o(1)) 这一长期预期内，新构造及其分析还以巧妙方式使用了相当高级的代数数论工具。

菲尔兹奖得主 Tim Gowers 在配套论文中称，这一结果是「AI 数学的一个里程碑」。数论学者 Arul Shankar 则表示，在他看来，这篇论文显示，当前 AI 模型已经能够提出原创且巧妙的想法，并将它们推进到完整证明。

AI 进入科研上游，人类专家的位置在哪里

OpenAI 在官方博客里反复强调，模型来源本身很关键。

按照 OpenAI 的说法，证明来自一款新的通用推理模型。它没有专门针对单位距离问题训练，也没有被设计成一个数学证明搜索系统。OpenAI是在一项更大范围的评估中，让模型处理一组 Erdős 问题，模型最终在平面单位距离问题上给出了证明。

在验证了初始证明之后，OpenAI 研究了在不同测试时计算量下，模型在这个问题上的成功率。

过去几年，AI 在数学中的能力已经快速提高。模型可以解竞赛题，可以辅助形式化证明，可以帮助检索资料，也可以生成证明草稿。但这些能力大多需要人类给出明确方向，或者仍然围绕已有知识体系展开。

OpenAI 此次宣称的案例向前推进了一大步：模型面对一个长期开放的问题，提出新构造，并完成了能让外部专家审查的证明。换句话说， AI 开始触碰数学研究中更核心的环节，也就是发现路径本身。

数学适合检验这种能力。原因不难理解： 问题定义清楚，证明可以检查，任何一处推理断裂都会影响整个结果。一个模型若能完成这类任务，说明它能够维持较长推理链条，也能把相距很远的知识工具放到同一个问题里使用。

在较小规模的研究问题上，类似能力也已有公开案例。Tim Gowers 曾让 ChatGPT 5.5 Pro 处理数论中的公开问题。模型在不到两小时内给出接近博士水平的数学研究，并显著改进了已有界限。

Gowers 称，自己几乎没有做数学贡献，也没有使用复杂提示。相关问题来自数论学者 Mel Nathanson 的一篇论文，涉及整数和集合的可能大小，以及如何有效构造具有特定性质的集合。一位参与研究的年轻学者认为，模型提出的关键想法「完全原创」。

这些案例连起来看，生成式 AI 的角色正在发生变化。它正在从「会解题」进入「会研究」的早期阶段。 模型不再只是在题目给定、方法明确的情况下给出答案，也开始在开放问题中提出构造、改进边界、寻找证明路线。

OpenAI 也希望把这一案例推广到更广泛的科研场景。官方博客提到，如果模型可以在数学中保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，那么类似能力也可能帮助生物、物理、材料科学、工程和医学等领域的研究。

当然，这次难题的完整研究流程仍然离不开人类专家。AI 证明的结果能被严肃讨论，一个重要前提是证明经过外部数学家检查，配套论文也给出了背景、解释和数学脉络。 AI 提出了关键突破，人类专家判断其正确性，解释它的意义，并继续追问它能否扩展到其他问题。

简言之，AI 远远无法替代数学家，但有望改变数学研究的劳动结构。尤其是当 AI 能够批量提出复杂路径，未来研究者的核心任务会越来越集中在三个方面：判断问题是否重要，判断结果是否可信，判断哪条路线值得继续投入。

而 OpenAI 的模型给出了一种连 Erdős 都未曾想象的构造，也是对这位以生活方式极简、四处游历著称的数学顽童最好的致敬： 问题解决的方式，或许比解决本身更令人惊喜。

附上参考链接：

1.完整证明过程🔗

https://cdn.openai.com/pdf/74c24085-19b0-4534-9c90-465b8e29ad73/unit-distance-proof.pdf

2.配套论文🔗

https://cdn.openai.com/pdf/74c24085-19b0-4534-9c90-465b8e29ad73/unit-distance-remarks.pdf

3.模型推理思路🔗

https://cdn.openai.com/pdf/1625eff6-5ac1-40d8-b1db-5d5cf925de8b/unit-distance-cot.pdf

4. OpenAI 官方博客🔗

https://openai.com/index/model-disproves-discrete-geometry-conjecture/

我们正在招募伙伴

📮 简历投递邮箱hr@ifanr.com