超越方格網：AI 如何推翻離散幾何學中一個長期的猜想

近八十年來，數學家們一直致力於解決一個看似簡單的問題：如果你在平面上放置 $n$ 個點，那麼距離恰好為一個單位的點對數量，其最大值是多少？這個問題被稱為平面單位距離問題（planar unit distance problem），最早由 Paul Erdős 在 1946 年提出，長期以來一直被視為組合幾何學中最容易理解卻又最難攻克的難題之一。

數十年來，主流觀點認為基於縮放方格網的構造方式基本上是最優的。然而，OpenAI 的一個新型通用推理模型推翻了這一長期存在的猜想，並提供了一系列無限的範例，使得其結果在多項式層面上優於先前的界限。這標誌著一個重要的里程碑：這是首次有知名數學子領域的開放性問題由 AI 自主解決。

數學挑戰：單位距離問題

要理解這一結果的意義，首先必須了解單位距離點對的增長率。令 $u(n)$ 為 $n$ 個點中單位距離點對的最大可能數量。簡單的構造方式，例如將點放置在直線或方格網中，會產生線性增長（分別大約為 $n-1$ 或 $2n$ 個點對）。

先前使用縮放方格網的最佳已知構造方式達到了 $n^{1 + C / \log \log n}$ 的增長率。由於指數中的項隨著 $n$ 的增加而趨向於零，這些構造方式僅比線性增長快一點點。Erdős 猜想其上限為 $n^{1 + o(1)}$，這意味著沒有任何構造方式能顯著改善方格網的結果。

OpenAI 的模型打破了這一猜想。該 AI 構造了 $n$ 個點的配置，使得在某些固定的指數 $\delta > 0$ 下，單位距離點對的數量至少為 $n^{1 + \delta}$。雖然原始的 AI 證明並沒有指定 $\delta$ 的值，但隨後由普林斯頓大學教授 Will Sawin 的完善研究顯示，$\delta = 0.014$ 是可以實現的。

意想不到的橋樑：代數數論

這一發現之所以特別引人注目，不僅是因為結果本身，還因為其方法。該證明並非源於專門為數學訓練的系統或針對性的搜尋演算法，而是來自一個通用推理模型，它橋接了兩個看似不相關的領域：離散幾何學與代數數論。

Erdős 的原始下界依賴於高斯整數（Gaussian integers，形式為 $a + bi$ 的數）。AI 的證明進一步推動了這一邏輯，將高斯整數替換為代數數論中更複雜的泛化形式——特別是利用了無限類域塔（infinite class field towers）和 Golod–Shafarevich 理論。

這些工具在數論學家眼中是耳熟能詳的，但將它們應用於歐幾里得平面上的幾何問題，完全出乎意料。正如 Thomas Bloom 在一篇配套論文中指出的，「數論構造在這些問題上能提供的資訊，比我們預期的要多得多。」

對 AI 與人類研究的影響

這一突破轉移了關於大型語言模型（LLMs）能力的討論焦點。雖然批評者常說 LLMs 僅僅是在對訓練數據進行插值，但這一結果顯示了其具備原創性與巧妙的綜合能力。

人類專業知識的角色

儘管發現過程具有自主性，但結果凸顯了人類判斷力的持久必要性。AI 提供了證明，但需要外部數學家來驗證它、提供背景資訊，並擴展其結果的意義。這表明了一種新的協作模式：由 AI 處理詳盡的搜尋與遠端概念的連結，而人類則負責解釋研究的價值與方向。

推理規模

技術觀察者注意到，這項任務涉及的推理規模極其龐大。據報導，該特定任務的推理鏈（chain of thought）總計達到了 125 頁，這顯示出了一種深層且連貫的著思，其程度遠超簡單的模式匹配。

社群觀點與反論點

技術社群的反應既有敬畏也有懷疑。有些人認為 AI 本質上是在對數學工具進行「蒙地卡羅」（Monte Carlo）搜尋——嘗試每一種可能的組合，直到找到可行的方法。

「他們可以針對一個狹窄的目標進行蒙地卡羅式的數學工具搜尋，並觀察哪些有效……但如果沒有目標背後的人類意圖，以及人類對 AI 使用的新路徑的理解與價值判斷，這個結果將毫無意義。」

其他人則指出，雖然 AI 可以解決特定的數學問題，但在其他領域（如藥理學或化學）中，處理平凡的洞察或獨特的猜想時，它仍顯得力不從心，往往會退回到教科書式的總結，而非原創性思考。

無論這些批評如何看待，這一結果仍可作為一個概念驗證。如果一個模型可以維持 125 頁連貫的論證，並將代數數論與離散幾何學聯繫起來，那麼在生物學、物理學和材料科學領域實現類似突破的潛在可能性是非常巨大的。正如 Thomas Bloom 所描述的，「數學的殿堂」現在正由一位能夠看見那些隱藏在眼前卻已隱藏了近 80 年的連結的夥伴共同探索。