人工智能突破80年数学难题 单位距离问题终被攻克
OpenAI 研发的通用推理模型成功破解了困扰学界八十载的"单位距离问题"，彻底否定了离散几何领域的这一核心猜想。这被视为人工智能驱动数学研究进入崭新阶段的重要标志。
试想你在无限广阔的平面上分布若干点。任意两个点之间都存在一定距离，其中部分点对之间的距离恰好为 1（即"单位距离"）。核心问题在于：究竟能够形成多少对距离恰好为 1 的点？
这个问题看似直白，实则蕴含极深的数学内涵。Brass、Moser 和 Pach 在 2005 年推出的《离散几何研究问题》一书中，将其称为"组合几何中最负盛名（也最易阐释）的问题"。普林斯顿大学知名组合学家 Noga Alon 则称其为"Erdős 最偏爱的问题之一"。Paul Erdős 本人甚至曾为求解此问题设置过高额悬赏。
要具象地把握这个问题，不妨考察一个具体实例。选取一个经过恰当缩放的方形网格——例如将点排布成正方形阵列并调整间距，使每个点与其上下左右相邻点的距离恰好为 1。在此网格内，每个内部点恰好与 4 个相邻点构成单位距离对。整个网格的单位距离对数量大约与点数呈线性比例。
然而，若采用更为精妙的网格布局，效果实际上能够更优。通过精细化调整方形网格并运用数论中的费马平方和定理，可使单位距离对数量达到。这一数值虽比任何固定幂次的增长速度都慢，但确实超越了单纯的线性增长。这正是 Erdős 在 1946 年开创性论文中给出的下界构造。
长期以来，数学家们普遍认为这已是最优方案——不存在任何点集排列能够实质性超越方形网格的效率。另一方面，1984 年由 Spencer、Szemerédi 和 Trotter 证明的最优上界为。真实答案始终徘徊于这两个界限之间，但下界始终未曾获得突破。
直到今日。
OpenAI 内部模型推翻了这一延续多年的猜想，提出了一个无穷构造族，实现了多项式级别的提升。具体而言，新构造的单位距离对数量达到（其中为固定常数），在增长速度上真正超越了方形网格构造。普林斯顿大学数学教授 Will Sawin 即将发表的进一步改进甚至表明可取。
尽管这个指数看似不大，但它意味着质的飞跃——从"本质上的线性增长"跃升至"真正的多项式改进"，彻底颠覆了八十年来关于方形网格最优性的学术共识。
该证明已由一组外部数学家审核确认。他们还撰写了配套论文来解析论证细节，并为这一成果的学术价值提供了更充分的论证。
这一发现的过程同样引人关注。该证明并非源于针对数学训练的专业系统、搜索证明策略的辅助系统，或专门针对单位距离问题的 AI 系统，而是来自一个全新的通用推理模型。
方形网格曾被认为最优并非毫无依据。作为支持该猜想的重要证据，Matoušek 以及 Alon、Bucić、Sauermann 曾研究过平面上非欧几里得距离的同类问题，并证明在某种意义上，"大多数"非欧几里得距离都符合该猜想——即对于绝大多数度量方式，方形网格类型的构造确实最优。欧几里得距离竟然是个例外，这本身就令人十分意外。
与此同时，最优下界自 1946 年以来基本停滞不前，最优上界自 1984 年以来也未获本质突破。尽管 Székely、Katz 和 Silier 等人做过进一步的完善与相关的结构研究，但长期的停滞使大多数研究者确信：方形网格就是答案的极限。
出人意料的是，打破这一猜想的关键要素竟来自数学中一个截然不同的领域——代数数论。
Erdős 最初的下界可通过高斯整数来诠释。高斯整数是形如（其中为整数，）的复数。它们拓展了普通整数的概念，并保留了许多关键性质，如质因数唯一分解。方形网格构造之所以有效，根本原因在于高斯整数中素数的分解结构，决定了哪些整数可表示为两个平方和，而这又进一步决定了网格中哪些点对之间的距离恰好为 1。
新证明从这一经典的几何思路出发，却引向了出人意料的方向。它不再局限于高斯整数（即，对应二次域），而是拓展至更高次的代数数域，借由这些数域中更丰富的算术结构来构建点集。在这些扩展的整数环中，"素数"的分解行为更为复杂，而这种复杂性恰恰提供了超越方形网格的可能性。
代数数论与离散几何之间出人意料的关联，正是这一结果引人入胜的关键所在。它不仅解决了一个具体猜想，更为数学家们搭建了一座桥梁，借此可探索更多相关的未知领域。
在验证了初始证明后，研究团队测试了模型在不同测试时计算量下解决此问题的成功率。结果显示，随着计算量的增加，成功率显著提升。这意味着，给予模型越多的"思考时间"，它就越有可能发现正确的证明路径。
对于一项声称由 AI 完成的数学突破，数学界最为关注的始终是两个核心问题：证明是否正确？水平是否足够？
菲尔兹奖得主 Timothy Gowers 在审阅后，给出了迄今为止对 AI 数学成果最高规格的评价：
作为当今离散数学领域最具影响力的学者之一，Noga Alon 曾荣获沃尔夫奖、邵逸夫奖、哥德尔奖、高德纳奖等几乎所有重要荣誉。谈及这一结果，他评论道：
多伦多大学数论教授、斯隆研究奖得主 Arul Shankar 则从推理过程的角度给出了解读：
Timothy Gowers 还展望了未来：
这一成果提供了一个令人振奋的案例：AI 不仅贡献了一个解答，更带来了一项真正的数学发现——其深远意义通过后续人类数学家的理解与诠释，变得更加清晰和丰满。
其启示远不止这一个具体结果。更强大的数学推理能力，使 AI 正在成为极具潜力的研究伙伴——它能够维持复杂的推理链条、连接知识图谱中相隔甚远的概念、揭示专家们可能未曾优先考虑的潜在路径，并帮助研究人员在原本陷入僵局的问题上取得突破。
正如 OpenAI 研究员 Alexander Wei 所感慨的：十个月前，AI 赢得国际数学奥林匹克（IMO）金牌还令人激动不已；而今日，那种激动似乎已经显得"小儿科"了。从 IMO 证明所需的 1.5 小时思考跨度，到突破性研究所需的数百小时深度推理，AI 数学能力的跃升速度超出了几乎所有人的预期。数学或许只是一个先行指标——在不远的将来，AI 将开始在计算机科学、物理学、经济学、生物学等领域自主产出里程碑式的成果。
我们或许正在见证科学研究范式的一次根本性转变。