OpenAI模型推翻平面单位距离猜想

OpenAI的一款通用推理模型已自主推翻了离散几何中关于平面单位距离问题的长期猜想。该成果是人工智能研究的里程碑，标志着首次有显著的数学子领域公开问题被 AI 系统自主解决。

平面单位距离问题的解决

平面单位距离问题由 Paul Erdős 于 1946 年提出，询问在平面上放置 $n$ 个点时，最多可以有多少对点 $u(n)$ 恰好相距 1。数十年来，主流数学观点认为重新缩放的方格构造是最优的，其增长率为 $n^{1 + C / \log \log n}$。Erdős 猜想上界为 $n^{1 + o(1)}$，其中额外的项在 $n$ 增大时趋于零。

OpenAI 模型通过提供一个实现多项式改进的无限族例子推翻了该猜想。具体而言，模型构造了 $n$ 点的配置，使得单位距离对的数量至少为 $n^{1 + \delta}$，其中 $\delta > 0$ 为固定指数。虽然最初的 AI 生成的证明未给出 $\delta$ 的具体数值，随后 Princeton 教授 Will Sawin 的细化工作表明 $\delta = 0.014$。

技术方法：融合代数数论

该模型的解法是通过将代数数论中的高级概念应用于一个基础几何问题实现的，这一关联此前在数学家中并未被预料到。

从高斯整数到代数数域

Erdős 最初的下界依赖于高斯整数（形如 $a + bi$ 的数）。AI 模型通过用更复杂的推广——代数数域——取代高斯整数，扩展了这一方法。这些数域拥有更丰富的对称性，从而能够产生显著更多的单位长度差。

高级数学工具

为了证明所需的数域确实存在，模型使用了包括以下高级工具在内的手段：

• 无限类域塔
• Golod–Shafarevich 理论

对 AI 与数学的意义

这一突破表明，先进的推理模型可以超越仅作为人类数学家的助手，具备产生原创、巧妙想法的能力。

对数学研究的影响

该结果不仅仅解决了一个特定的猜想，还在代数数论与离散几何之间搭建了一座桥梁。正如 Thomas Bloom 在配套论文中指出的，发现表明“数论构造在这些问题上能够发挥的作用比我们预想的更大”，且所需的数论可以是“非常深奥的”。

推理模型的能力

不同于专门为数学训练的系统或为证明搜索搭建的框架，此成果由通用推理模型产生。这表明模型具备深度、连贯的推理能力以及连接遥远知识领域的能力——OpenAI 认为这些能力同样适用于生物学、物理学、材料科学等其他科学领域。

专家观点

外部数学家已验证该证明并撰写了配套论文以提供背景。专家的关键见解包括：

“在我看来，这篇论文表明当前的 AI 模型已经超越了仅仅作为人类数学家的助手——它们能够产生原创的巧妙想法，并将其付诸实现” — Arul Shankar，领先的数论学者

“AI 数学的里程碑” — Tim Gowers，菲尔兹奖得主