OpenAI通用模型突破数学难题：80年单位距离问题权威解析

AI独立攻克了一道困扰数学家近八十年的经典难题。

整个过程完全自主，未使用任何针对该问题定制的系统，也未经过专门的数学训练。

这道难题名为平面单位距离问题，由匈牙利数学家保罗·埃尔德什于1946年首次提出。

平面单位距离问题的核心

问题表述并不复杂：在平面上任意放置 n 个点，其中最多能有多少对点之间的距离恰好等于1？

然而，这个看似初等的问题，其精确答案却让数学界探索了近八十年。

定义 u(n) 为 n 个点中单位距离点对的最大可能数量。最直观的构造，例如将点排列在一条直线上，能得到 n-1 对；采用正方形网格，则能得到大约 2n 对。此前已知的最佳构造源于一种缩放后的正方形网格，其数量级为：

其中 C 为常数。由于 loglog(n) 随 n 增长趋于无穷，指数中的附加项趋于0，这意味着该构造的增长速率仅略快于线性。

近八十年来，主流数学观点认为这一速率已接近最优，难以被显著超越。埃尔德什本人也曾猜想上界为 n^(1+o(1))，其中 o(1) 表示一个随 n 增大而趋于0的项。

如今，这一长期被接受的猜想已被推翻。

AI证明带来的实质性突破

新的证明构造了一族点集，对于无穷多个 n，其单位距离点对数至少达到 n^(1+δ)。关键在于，这里的 δ > 0 是一个固定的正指数。

原始AI证明未给出 δ 的具体值，但普林斯顿大学数学系教授Will Sawin随后将其精确为 δ = 0.014。

这一进展的意义何在？自1946年埃尔德什给出初始下界构造以来，该下界几乎未被撼动。在上界方面，Spencer、Szemerédi和Trotter于1984年给出了 O(n^(4/3)) 的结果，此后虽有诸多相关研究，但上界始终未有根本性突破。

此次成果在下界端打开了一个实质性缺口，证明了单位距离点对的数量可以以一个多项式因子的速度超越线性增长。这彻底改变了该问题的认知框架。

该证明已通过一批外部数学家的独立核验，他们撰写了一篇配套论文，进一步阐释了该结果的背景与深远意义。

证明方法本身更令人意外

比结论本身更让数学家惊讶的，是证明所采用的路径。

证明的核心工具竟来自代数数论——一个研究代数数域中整数分解性质的领域，与平面几何看似毫无关联。

具体而言，证明从埃尔德什原始构造中使用的高斯整数出发，将其替换为代数数论中更复杂的推广形式。这些推广形式具有更丰富的对称性，从而能生成更多单位长度的差值。

证明中运用了无限类域塔和Golod-Shafarevich理论等工具，以确保所需数域的存在性。这些概念在代数数论界虽已成熟，但能对欧氏平面几何问题产生决定性影响，完全超出了所有人的预期。

菲尔兹奖得主蒂莫西·高尔斯在配套论文中称其为AI数学的里程碑。

普林斯顿大学数论学家阿鲁尔·尚卡尔的评价则切中要害：这篇论文表明，当前AI模型已不仅是辅助工具，它们能够生成真正原创的、精妙的数学思想，并独立将其推进至最终结论。

AI首次自主解决数学核心开放问题

另一个值得关注的维度，是完成此任务的模型性质。

解决该问题的是OpenAI的一个通用推理模型。它并非专为数学任务训练，也未被特别设计来解决此类几何问题，甚至未被专门导向这道题目。作为评估先进模型能否参与前沿研究的一部分，OpenAI只是将一批埃尔德什问题作为测试集，此题恰在其中。

结果，模型给出了一个完整的证明，一举解决了这个开放问题。

这标志着AI首次自主解决了一个位于数学分支核心的著名开放问题。

超越单一问题的深远影响

数学家托马斯·布鲁姆在配套论文中写道，评估AI生成证明的价值时，他会问：这是否让我们对问题本身有了新的理解？离散几何的图景是否因此更清晰？他的答案是：在有限意义上，是的。这表明数论构造在此类问题中仍有巨大潜力，且所涉数论本身可以相当深刻。可以预见，未来数月将有许多代数数论学家开始审视离散几何中的其他开放问题。

OpenAI则认为，其背后的意义更为深远。

在复杂推理链中保持连贯性、跨领域连接思想、发现研究人员可能忽略的路径——这些能力同样适用于生物学、物理学、材料科学、工程学和医学。这是迈向更自动化研究的一步，此类系统能帮助科学家和工程师探索更多可能性，挑战更艰巨的技术难题。

但必须清醒认识到，这一未来仍深度依赖人类的判断。专业知识不会贬值，反而会更加重要。AI可以协助搜索、提出建议和进行验证，但选择关键问题、解读结果、决定下一步追问方向——这些核心的决策与洞察，依然由人类主导。

OpenAI将此视为通用模型的突破。当通用模型开始触及人类知识的前沿，其所预示的未来，或许比解决一道数学题本身更值得深思。

来源：互联网