超越方格网：AI 如何推翻离散几何中一个长期存在的猜想

近八十年来，数学家们一直在努力解决一个看似简单的问题：如果你在平面上放置 $n$ 个点，那么距离恰好为 1 个单位的点对数量的最大值是多少？这个问题被称为平面单位距离问题，由 Paul Erdős 在 1946 年首次提出，长期以来一直被视为组合几何中最容易理解却又最难解决的问题之一。

几十年来，主流观点认为基于缩放方格网的构造方法本质上是最优的。然而，OpenAI 的一个新型通用推理模型推翻了这一长期存在的猜想，并提供了一系列无穷的示例，使得结果在之前的界限之上实现了多项式级别的改进。这标志着一个重要的里程碑：这是第一次有专门数学子领域的重大开放性问题由 AI 自主解决。

数学挑战：单位距离问题

要理解这一结果的意义，首先必须理解单位距离点对的增长率。令 $u(n)$ 为 $n$ 个点中单位距离点对的最大可能数量。简单的构造方法，例如将点放置在直线或方格网中，会产生线性增长（分别约为 $n-1$ 或 $2n$ 个点对）。

此前已知最优的构造方法使用缩放方格网，其增长率达到了 $n^{1 + C / ext{log} ext{log} n}$。由于指数中的项随着 $n$ 的增加而趋于零，这些构造方法的增长速度仅比线性增长略快。Erdős 猜想其上界为 $n^{1 + o(1)}$，这意味着没有任何构造方法可以显著改进方格网的结果。

OpenAI 的模型打破了这一猜想。该 AI 构造了 $n$ 个点的配置，使得对于某个固定的指数 $\delta > 0$，单位距离点对的数量至少为 $n^{1 + \delta}$。虽然原始的 AI 证明并没有指定 $\delta$ 的具体值，但随后由普林斯顿大学教授 Will Sawin 进行的完善研究表明，$\delta = 0.014$ 是可以实现的。

一个意想不到的桥梁：代数数论

这一发现之所以特别引人注目，不仅在于结果本身，还在于其方法。该证明并非源于专门针对数学训练的系统或针对性的搜索算法。相反，它来自于一个通用推理模型，该模型桥接了两个看似无关的领域：离散几何与代数数论。

Erdős 的原始下界依赖于高斯整数（形式为 $a + bi$ 的数）。AI 的证明进一步推进了这一逻辑，用代数数论中更复杂的推广形式取代了高斯整数——具体利用了无限类域塔（infinite class field towers）和 Golod–Shafarevich 理论。

这些工具在数论学家中是广为人知的，但将它们应用于欧几里得平面上的几何问题是完全出乎意料的。正如 Thomas Bloom 在一篇配套论文中指出的，这揭示了“数论构造在这些问题上所能提供的见解比我们预期的要多得多”。

对 AI 与人类研究的影响

这一突破转移了关于大语言模型（LLMs）能力的讨论。虽然批评者经常认为 LLMs 仅仅是在对训练数据进行插值，但这一结果表明其具备原创性的、巧妙的综合能力。

人类专业知识的角色

尽管发现过程具有自主性，但结果强调了人类判断力的持久必要性。AI 提供了证明，但需要外部数学家来验证它、提供背景信息，并阐述结果的意义。这表明了一种新的协作范式：AI 负责详尽的搜索和连接远距离的思想，而人类则负责解释研究的价值和方向。

推理规模

技术观察者注意到，该推理涉及的规模极其庞大。据报道，针对这一特定任务的思维链（chain of thought）摘要涵盖了 125 页，这表明其具备深度的、连贯的连贯推理能力，这远超出了简单的模式匹配。

社区观点与反论点

技术社区的反应是敬畏与怀疑并存的。一些人认为，AI 正在本质上对数学工具进行“蒙特卡洛”搜索——尝试每一种可能的组合，直到找到可行的方法。

“他们可以在一个狭窄的目标下对每一种数学工具进行蒙特卡洛搜索并观察其效果……但如果没有目标背后的拟人化意图，以及人类对 AI 使用的新路径的价值判断，那么结果将毫无意义。”

其他人指出，虽然 AI 可以解决定制化的数学问题，但在其他领域（如药理学或化学）中，它在处理平凡的见解或独特的猜想时仍然表现挣扎，在这些领域中，它往往会退回到文本教科书式的总结，而非原创性思维。

无论这些批评，这一结果仍被视为一个概念验证。如果一个模型可以维持 125 页推理过程中的逻辑连贯性，并在代数数论与离散几何之间建立联系，那么在生物学、物理学和材料科学领域实现类似突破的潜力是巨大的。正如 Thomas Bloom 所描述的，“数学的大教堂”现在正由一位能够发现那些隐藏在在众目睽睽之下近 80 年之久的联系的伙伴在进行探索。