耗时80年的几何猜想被AI攻破：关键不在于计算速度

整整80年！

一道几何学难题从提出到被破解，经历了如此漫长的岁月。

1946年，数学家保罗·埃尔德什提出了一个经典的几何学假设：在平面上任意放置 n 个点，其中任意两点间距离恰好为 1 的配对数量，其最大值究竟是多少？

这就是著名的"埃尔德什单位距离问题"。在随后的80年间，众多数学家尝试突破该假设所设定的数量上限，始终未能获得实质性进展。

2026年5月20日，OpenAI官方宣布其团队研发的通用模型，独立发现并纠正了这一经典假设中关于上限的论证缺陷。

按照OpenAI的说法，这是其模型首次独立完成数学领域的公开难题求解。这说明前沿模型不仅能够处理结构化的封闭任务，还开始展现出独立进行创新性数学推导的能力。

根据OpenAI公开的信息，该模型属于其最新的"通用推理模型"，而非专门针对某个几何难题定制的特殊AI。其底层具备的通用推理能力在解题过程中起到了决定性作用。

引发学术界关注的是，该模型在推导进程中，跨领域借鉴了代数数论的工具——这一分支与传统组合几何几乎没有交集。这种跨学科的逻辑整合能力，恰好印证了科技界的一个核心观点：

AI真正令人震撼的，不是它的运算速度。而是它开始探索出人类未曾设想的路径。

由于个体智力和研究周期的约束，人类通常将数学细分为众多垂直领域；但对通用推理模型来说，其符号网络在底层具有更高的互通性。凭借这种跨领域融合，模型不仅推翻了原有的上限假设，还构建出了一批效果更佳的全新反例构造。

为何是现在？AI为何展现出辅助乃至独立进行科研的能力？

除了算法架构本身的进步外，这也与整个行业巨额资金投入和快速迭代的算力基础设施密切相关。

据凤凰网等媒体报道，OpenAI在2026年第一季度的营收已达57亿美元。

这笔商业收益，从侧面反映了当前AI行业在算力基础设施上的整体投入规模。前沿推理模型的发展，通常伴随着庞大的工程基础支撑。跨越不同数学分支、进行大规模的逻辑拓扑推导，需要极高规格的硬件集群作为底层保障。这种商业层面的强劲表现，为前沿的科学探索奠定了坚实的工程物质基础。

此外，OpenAI透露该模型仍属于"尚未对外发布的内部模型"。这意味着，其算力基础设施支撑下的模型矩阵，依然保留了未公开的研发储备。

对于这类技术突破，学术界在关注之余，也给出了更加深入、务实的专业评价。

菲尔兹奖得主、数学家蒂莫西·高尔斯在探讨自动定理证明的发展方向时指出，这类工具的核心价值在于能够将涉及极其复杂组合、人类大脑难以穷尽的数学发现过程"自动化"。高尔斯认为，这并不意味着机器能够立即取代人类，但它正在根本性地改变数学家与工具之间的协作模式，推动机器全面参与到特定数学分支的论证逻辑中。

换句话说，模型正在逐步成为一个具备强推理能力的数字学者。它能够协助完成极其繁重的推导工作，甚至拓展人类逻辑在部分细分领域的视野。

尽管目前它还无法完全取代人类数学家去"提出具有开创性的伟大猜想"或"洞察未知的科学研究方向"，但逻辑论证的边界确实正在被重新定义。

大众或许会认为，纯数学领域的猜想验证与普通人的生活相去甚远，但其背后展现的底层逻辑演进却与每个人的未来都有关联：

推理能力的"通用化"趋势：今天它能够跨学科辅助证明数学猜想，明天这种在不确定、缺乏既定范式条件下进行推演的能力，就有可能迁移到复杂的法律案件分析、医疗综合诊断或高级投资风险评估中。

创造力边界的重塑：过去人们普遍认为机器无法涉足需要高度创造力的科学探索领域。而现在，独立运用跨学科工具推翻长达80年的学术悬案，正在逼近传统定义中"原创性思考"的边界。

80年前，一个猜想被正式提出。 80年后，一个数字推理模型在工程算力的支撑下将其推翻。

数学界流传着一句脍炙人口的名言："数学家就像一架把咖啡转化为定理的机器。"

如今，这架机器的运转方式正在发生深刻的转变。而且，这位新加入的"同行"不需要咖啡，它消耗的是算力。

数据