OpenAI 模型攻克离散几何 80 年难题：Erdős 单位距离猜想被 AI 证明
一场改写数学史的AI突破
2026年5月20日，OpenAI 宣布其内部通用推理模型成功证明了一个困扰数学界近80年的开放问题------Erdős 单位距离问题（Unit Distance Problem）。这是AI首次自主攻克一个数学分支中的核心开放猜想，标志性意义堪比 AlphaGo 击败李世石。
菲尔兹奖得主 Tim Gowers 在同行评注论文中评价："这是 AI 数学的一个里程碑。"普林斯顿大学著名组合数学家 Noga Alon 指出："这是 Erdős 最钟爱的问题之一，每一个从事组合几何的数学家都花过时间思考它。"
什么是单位距离问题？
问题本身出奇地简单
1946年，传奇数学家 Paul Erdős 提出了一个看似简单的问题：
在平面中放置 n 个点，最多能有多少对点之间的距离恰好为 1？
这个函数记为 u(n)（unit distance 的缩写）。问题的直观性与其难度形成了巨大的反差。Brass、Moser 和 Pach 在2005年的《离散几何研究问题》一书中称其为"组合几何中最著名（也最容易解释）的问题"。
80年的进展
| 年代 | 贡献者 | 进展 |
|---|---|---|
| 1946 | Erdős | 提出猜想：u(n) = n^(1+o(1)) |
| 1950s-1980s | 多位数学家 | 建立上界 u(n) = O(n^(4/3)) |
| 1984 | Erdős 再次 | 赌 $500 问题能在有生之年被解决 |
| 2000s | 众多研究者 | 构造出 n^(1+c/loglogn) 的网格结构 |
| 2026 | OpenAI 模型 | 推翻最优性猜想，给出多项式级改进 |
为什么难以攻克？
问题的核心难点在于：上界和下界相差甚远。
- 已知上界：u(n) = O(n^(4/3))（~ n^1.333）
- 已知下界：u(n) ≥ n^(1+c/loglogn)（~ n^1.000...）
- 两者的 gap 巨大，而长期以来所有人都认为网格（square grid）构造是最优的
OpenAI 模型恰恰打破了这一共识------它证明网格并非最优，存在更多单位距离对的构造。
模型如何做到的？
一个通用推理模型，而非特化系统
这次突破最令人惊讶的地方在于：模型并非专门为数学训练，也没有为目标问题做任何定制。
OpenAI 在 post 中明确指出：
"证明来自一个新的通用推理模型（general-purpose reasoning model），而不是一个为数学专门训练的系统，也没有针对单位距离问题做任何检索策略的定制。"
该模型是在一组 Erdős 问题上进行评估时，自主产生了这个证明。
证明的核心洞见
模型的证明带来了出人意料、来自代数数论的深刻思想，用于解决一个看似初等的几何问题：
- 否定猜想 ：证明网格构造不是最优的
- 给出反例族：构造了无限族例子，实现多项式级改进（在指数上）
- 交叉领域：将代数数论的工具引入组合几何的经典问题
Noga Alon 评价道："正确的答案不是 n^(1+o(1))，这本身就令人惊讶。而构造及其分析以一种优雅而巧妙的方式应用了代数数论中的相当精深的工具。"
验证与同行评审
OpenAI 邀请了外部数学家团队对证明进行了独立验证。这些数学家还撰写了配套论文，解释论证过程并提供更多背景。
Noga Alon 的完整评价：
"OpenAI 的内部模型解决这个问题的成果，在我看来是一项卓越的成就，解决了一个长期悬而未决的开放问题......适用的代数数论工具相当优雅巧妙。"
Arul Shankar 更进一步表示：
"在我看来，这篇论文表明当前的 AI 模型已经超越了人类数学家的助手角色------它们有能力产生原创的、有见地的想法，并将这些想法贯彻到底。"
技术实践：如何复现与验证
虽然 OpenAI 尚未公开模型的完整推理链，但他们提供了精简版思维链可供参考：
python
# 单位距离问题的验证思路（OpenAI 开源工具使用示例）
import numpy as np
from itertools import combinations
def count_unit_distances(points):
"""
计算给定点集中距离为 1 的点对数量
"""
count = 0
for p1, p2 in combinations(points, 2):
dist = np.sqrt(np.sum((np.array(p1) - np.array(p2)) ** 2))
if abs(dist - 1.0) < 1e-9:
count += 1
return count
# 示例：随机点集的单位距离数
np.random.seed(42)
n = 100
points = np.random.rand(n, 2) * 100 # 100x100 区域内随机点
unit_pairs = count_unit_distances(points)
print(f"在 {n} 个随机点中，单位距离对数: {unit_pairs}")对于希望深入理解证明细节的研究者，可以访问 OpenAI 官方页面下载完整证明论文和数学家配套论文。
行业影响与展望
对 AI 领域
这次突破验证了一条重要路径：通用推理模型可以做出真正有原创性的数学发现。不是通过穷举搜索，而是通过真正的推理。这与 DeepMind 的 AlphaFold（蛋白质折叠）和 AlphaTensor（矩阵乘法）不同------那些系统是为特定领域训练的。
对数学领域
AI 正在从一个"计算工具"进化为"研究伙伴"。Tim Gowers 所说的"里程碑"意味着数学家的角色可能发生变化：
- 短期：AI 辅助解决中等难度的开放问题
- 中期：AI 提出自己的猜想并证明
- 长期：AI 与数学家协作攻克千年难题（如 Riemann 猜想、P vs NP）
对开发者而言
这个案例展示了几个重要趋势：
- 通用模型 > 特化系统：通用推理能力可能比领域特化更有价值
- 跨域迁移：代数数论的解法思路出现在组合几何问题中，说明模型能够跨领域联想
- 可验证推理：AI 生成的推理可以被人类同行评审，建立信任
对内容可信度的启示
正如我们之前讨论过的 AI 水印问题一样，当 AI 不仅能生成内容，还能生成经过验证的数学真理时，我们对 AI 能力的认知需要更新。OpenAI 这次的成果同时展示了 AI 的推理能力和可验证性。
总结
OpenAI 模型攻克 Erdős 单位距离猜想是 2026 年最重大的 AI 事件之一。它不仅证明了通用推理模型在数学研究中的价值，也为未来的 AI 科学发现开辟了新的可能性。
对于中国的 AI 从业者和数学爱好者来说，这同样是一个值得深思的信号：当 OpenAI 的通用模型可以自主证明 80 年未解的数学难题时，我们如何在 AI + 科学研究的赛道上布局？
如果你想持续关注 AI 前沿进展，欢迎访问 zidongai.com.cn 获取更多深度技术分析。