AI 终结 80 年几何猜想，菲尔兹奖得主惊叹：数学新纪元

2026 年 5 月 20 日，OpenAI 公布了一项令数学与人工智能领域为之震动的新发现：其内部的一款通用推理模型，独立证明并证伪了一个存续近八十载的组合几何核心猜想——平面单位距离难题（Planar Unit Distance Problem）。

这并非 AI 在博弈游戏中胜过人类，也非辅助数学家进行运算。这是 AI 首次独立攻克一个公开的、位于数学核心领域的未解之谜。普林斯顿大学知名组合数学家 Noga Alon 评述道："这是 Erdős 钟爱的数学谜题之一，所有钻研组合几何的学者都曾深思此题。"而今，揭开谜底者非人类，竟是 AI。

菲尔兹奖获得者 Tim Gowers 在联合评论文中将此成果誉为"人工智能数学的里程碑"。数论专家 Arul Shankar 更是直言："依我之见，此文证实，当下的 AI 模型已超越人类数学助手的定位——它们能提出独创见解，并完整执行到底。"

欲理解此突破之重，必先知晓这个困扰学界近八十载的难题本身。

平面单位距离问题由 20 世纪最杰出的数学家之一 Paul Erdős 于 1946 年提出。问题本质极为朴素：若在平面上布设 n 个点，其中有多少对点间距恰好为 1？

初看似易。例如布 3 点，最多可得几对单位距离？答案是 3——即等边三角形，三边长均为 1。4 点呢？菱形可给 4 对。5 点呢？则为 6 对。

但关键在于：当 n 趋于无穷时，单位距离对数的增长速率为何？长久以来，学界主流猜想认为：最优解约为 n^(1+o(1))——即单位距离对数与点数大致呈线性关系。该猜想依据在于"方格构造"：将点排布于正方形网格，经适当缩放以获最多单位距离。

Brass、Moser 和 Pach 于 2005 年编著的权威巨作《离散几何中的研究问题》将此题称为"组合几何中或许最著名（亦最易解释）的问题"。Erdős 甚至为此题设立奖金，足见其心中分量之重。

最令人惊诧者，非仅结果本身，更在于其被发现之途径。

OpenAI 在公告中明确强调：此证明源自一款新型通用推理模型，而非专为数学训练之模型，亦非靠搜索海量证明策略寻得答案的系统，更非特为此单位距离问题而设。

这意味着，该模型在其他领域的推理力同样卓越。其能解决几何难题，实因"巧合"地被用于测试一系列 Erdős 问题，并于此题上取得突破性发现。

模型的具体推理过程相当精妙。数学家在验算论文时发现，AI 引入了一个人类此前未曾设想之切入点：代数数论。原本这是纯组合几何问题——即点与距离之关联——但 AI 却从代数数论中借取工具，以极巧妙方式构造出反例。

Noga Alon 在评论中写道："正确答案并非 n^(1+o(1))，仅此一点便令人惊叹。而构造及其分析以优雅巧妙之姿，应用了代数数论中相当复杂的工具。"

OpenAI 提及证明中运用的若干核心概念与关键思路，包括：

具体而言，模型构建了一个无限族的新构造，使单位距离对的数量增长超越了 n^(1+o(1))，实现了多项式级别的改进。该构造之证明已获外部数学家团队独立验证——由普林斯顿大学 Noga Alon、剑桥大学 Tim Gowers（菲尔兹奖得主）、多伦多大学 Jacob Tsimerman 及数论学家 Arul Shankar 组成的评审团逐行核查了证明逻辑。

他们专门撰写了一篇配套评论论文，详尽阐释证明之核心思想、历史背景及此结果之重要性。数学家们甚至不满足于仅"验证正确"，他们还以己之语言重述证明，确保数学界众人皆能理解。

在 AI 发展史上，有几个标志性节点：

此事之独特在于：它证明 AI 不仅能在封闭规则（如围棋）或数据密集（如蛋白质结构预测）领域超越人类，还能在开放探索的纯数学推理领域做出开创性贡献。

另一位验证数学家 Jacob Tsimerman 评价道："问题本身极难，但更难得的是，AI 找到了一个人人皆能理解的优美构造。这正是伟大数学之特征。"

OpenAI 方面表示，此结果是在更广泛测试中意外所得——他们本欲测试模型在一系列 Erdős 问题上的表现，未料其直接解决了一个核心难题。这进一步证实：当 AI 推理能力提升至一定水平，将产生意想不到的、跨越边界的成果。

此突破引发的连锁反应正于多个层面展开。

对数学界而言，这意味着 AI 不再是"计算器"或"验证器"，而是真正的研究伙伴。传统上，数学猜想需数学家耗费数月甚至数年思考方可突破，而 AI 可于更短时间内探索更多可能。当然，这并非意味数学家将被取代——事实上，AI 提出的构造仍需人类数学家理解、解释并推广。但 AI 能极大加速数学发现进程。

对 AI 界而言，此成果打破了一重要心理障碍。此前，许多人认为"创造性数学推理"是人类智能的最后堡垒之一。如今，此堡垒亦被攻破。这不仅意味 AI 推理能力达新高度，也预示在科学研究其他领域——物理、生物、化学——AI 或同样能做出原创贡献。

OpenAI 官方声明提及，此成果是模型在多任务测试中的"意外收获"。当通用推理能力模型在日常工作中被推向极限时，它展现出跨领域创新能力。这暗示：通用人工智能（AGI）的某些关键能力或比我们预期更近。

此次突破并非孤立事件。2026 年 5 月第三周，AI 行业几乎每日皆有重磅消息：

这些事件叠加，勾勒出一幅清晰图景：2026 年 5 月，AI 竞争已从"谁能训练更大模型"，全面转向"谁能做出更聪明推理"及"谁能真正用好 AI"。OpenAI 以纯推理实验证明，在拼"聪明"一事上，AI 尚有巨大潜力待释放。

此次突破亦引发更根本追问：AI 是真的"理解"了数学，还是仅碰巧找到正确答案？

持谨慎态度的观察者指出，AI 推理模型内部机制仍为黑箱。我们可见输入输出，却难定其"推理"过程究竟经历何事——是真正如人类数学家般构建概念框架，还是仅在大规模模式匹配中"撞"上正确路径？

但支持者之反论同样有力：数学本就是关于逻辑链条，只要 AI 产出证明能被独立验证，且展现出人类意料之外的创造性（如引入代数数论工具），那么无论其内部机制如何，结果本身便已足够珍贵。

Tim Gowers 在评论中表达了一种折中看法："无论此发现如何产生，它都拓展了我们对数学发现边界的认知。若 AI 能做到这点，那还有多少待发现的数学定理藏于我们想象力之外？"

此问题短期内难有答案，但它至少说明一事：AI 与人类关系正从"工具 - 使用者"向"协作者 - 协作者"转变。数学家不再需独自面对难题，他们多了一位不知疲倦、富于创造力的"数字同事"。

在此大背景下，OpenAI 的几何猜想突破显得尤为关键——它证明 AI 能力天花板远未触及。当全球科技巨头在大模型竞赛中比拼参数规模与基准分数时，一家 AI 实验室却用推理能力击穿了数学前沿。

这或许才是 2026 年 5 月真正的分水岭时刻：AI 从"好用"进入"能发现"阶段。不再是人类告诉 AI 如何做，而是 AI 告诉人类"此问题可如此解"。

正如 Arul Shankar 所言："AI 不仅能当助手，它已能做主角了。"

参考资料：

OpenAI 官方公告：An OpenAI model has disproved a central conjecture in discrete geometry https://openai.com/index/model-disproves-discrete-geometry-conjecture/

完整证明 PDF（OpenAI） https://cdn.openai.com/pdf/74c24085-19b0-4534-9c90-465b8e29ad73/unit-distance-proof.pdf

数学家验证评论论文（Tim Gowers、Noga Alon、Arul Shankar、Jacob Tsimerman） https://cdn.openai.com/pdf/74c24085-19b0-4534-9c90-465b8e29ad73/unit-distance-remarks.pdf

模型推理链摘要 https://cdn.openai.com/pdf/1625eff6-5ac1-40d8-b1db-5d5cf925de8b/unit-distance-cot.pdf

VentureBeat AI 频道报道 https://venturebeat.com/ai/

2005 年著作《Research Problems in Discrete Geometry》（Brass, Moser, Pach）- 参考文献中引用的权威数学著作