OpenAI 模型推翻平面單位距離猜想

一個 OpenAI 通用推理模型自主地推翻了離散幾何學中關於平面單位距離問題的長期猜想。此結果是 AI 研究的一個里程碑，標誌著首次由 AI 系統自主解決數學子領域中的一個突出開放問題。

平面單位距離問題的解決

平面單位距離問題由 Paul Erdős 在 1946 年提出，詢問當 $n$ 個點放置在平面上時，能夠恰好相距 1 的點對數量 $u(n)$ 的最大值是多少。數十年來，主流的數學觀點認為經過重新縮放的正方形網格構造是最佳的，這給出了增長率 $n^{1 + C / \\log \\log n}$。Erdős 推測一個上界為 $n^{1 + o(1)}$，其中額外項隨著 $n$ 的增加趨近於零。

一個 OpenAI 模型透過提供一個實現多項式改進的無限家族例子，推翻了此猜想。具體而言，該模型構造了至少包含 $n^{1 + \\delta}$ 個單位距離點對的 $n$ 點配置，其中 $\\delta$ 為某個固定的指數且 $\\delta > 0$。儘管原始的 AI 生成證明未指定 $\\delta$ 的值，但普林斯頓大學教授 Will Sawin 的後續改進確立了 $\\delta = 0.014$。

技術方法：整合代數數論

該模型的解決方案是透過將代數數論中的複雜概念應用於一個基本的幾何問題來實現的，這種關係對數學家而言先前是出乎意料的。

從高斯整數到代數數域

Erdős 的原始下界依賴於高斯整數（形式為 $a + bi$ 的數）。AI 模型透過將高斯整數替換為稱為代數數域的更複雜推廣來擴展此方法。這些數域擁有更豐富的對稱性，使得可以創造出顯著更多的單位長度差異。

進階數學工具

為了證明所需的數域實際存在，該模型使用了以下高級工具：

• 無限類域塔
• Golod–Shafarevich 理論

對 AI 和數學的意義

此突破表明，先進的推理模型能夠超越擔任人類數學家的助手角色，並具備生成原創且機智點子的能力。

對數學研究的影響

結果不僅僅是解決了一個特定的猜想，而是在代數數論與離散幾何之間架起了一座橋樑。正如 Thomas Bloom 在伴隨論文中所指出的，此發現表明「數論構造對於這類問題的看法比我們所懷疑的更多」，並且所需的數論可以是「非常深刻的」.

推理模型的能力

與專門為數學訓練的系統或為證明搜索而構建的系統不同，此結果是由一個通用推理模型產生的。這表明該模型具備深入且連貫的推理能力，以及連接遙遠知識領域的能力——OpenAI 認為這些能力適用於其他科學領域，如生物學、物理學和材料科學。

專家觀點

外部數學家已驗證證明並撰寫了伴隨論文以提供背景。專家們的關鍵見解包括：

"在我看來，此論文表明當前的 AI 模型不僅僅是人類數學家的助手——它們能夠產生原創且機智的點子，並將其付諸實現。" — Arul Shankar, 領先的數論家

"AI 數學領域的一個里程碑" — Tim Gowers, 菲爾茲獎得主