2026 年 5 月，OpenAI 内部模型在离散几何领域取得历史性突破：成功证伪了由 Paul Erdős 于 1946 年提出的单位距离猜想（Unit Distance Conjecture）。这一成果经由 Noga Alon、Tim Gowers、Thomas Bloom 等十余位顶尖数学家验证，并以论文形式发布于 arXiv（arXiv:2605.20695v1）。这是首个由 AI 自主发现并严格证明的著名数学开放问题，标志着人工智能在基础科学研究中的能力边界被重新定义。
Erdős 单位距离猜想的历史背景
单位距离问题的表述简洁而深刻：在平面上给定 n 个点，相同距离（单位距离）最多能出现多少次？Erdős 在 1946 年的原始论文中证明，通过构造√n × √n 的整数网格，可以获得 n^{1+Ω(1/log log n)} 个单位距离。基于此，他猜想单位距离的数量上界应为 n^{1+o (1)}，即接近线性增长。
这一猜想在离散几何领域具有核心地位。1984 年，Spencer、Szemerédi 和 Trotter 证明了当前最佳上界 O (n^{4/3})，但该上界与 Erdős 的猜想之间存在显著差距。八十年来，无数数学家尝试证明或证伪这一猜想，但均未能取得突破。正如组合几何学家 Noga Alon 所言，这是组合几何领域 "最著名且最容易解释的问题"，几乎所有从事该领域研究的数学家都曾思考过这一问题。
AI 证明的核心技术路径
OpenAI 模型的证明采用了代数数论中的深层工具，其核心策略与 Erdős 的原始构造存在本质区别。证明的关键在于两个范式转换：
第一，从固定数域到变次数域的转换。 传统方法固定数域（如高斯整数环ℤ[i]），通过扩展素数集合来增加单位距离数量。AI 证明则反其道而行：固定有理素数集合，构造次数趋向无穷的 CM 域（复乘域）序列。具体而言，证明使用了 Golod-Shafarevich 类域塔 —— 一种具有有界根判别式的无限次数域塔。
第二，利用分裂素数的组合爆炸。 在 CM 域 K 中，若一个有理素数 p 完全分裂，则产生大量具有单位绝对值的代数整数。通过鸽巢原理，可以从这些元素中构造出丰富的单位距离对。关键在于，当域的次数 [K:ℚ]→∞时，分裂素数产生的单位距离数量呈指数增长，而点集规模的增长相对较慢，从而突破 n^{1+o (1)} 的界限。
具体构造中，证明选取了特定的素数集合 T = {3,5,7,11,13,17} 和分裂素数 S = {101,∞}，利用类域塔 G_T^S 的无限性，构造出满足条件的点集序列。最终得到的显式指数约为 1 + 6.24×10^{-38}，虽然数值极小，但足以证伪原猜想。
从 AI 生成到人类验证的协作流程
这一成果的验证过程揭示了 AI 辅助数学研究的新型协作模式。OpenAI 模型首先生成了完整的证明草稿，随后由人类数学家进行多轮验证与精炼：
验证阶段由代数学家 Daniel Litt 主导，他利用对 Golod-Shafarevich 理论的熟悉，快速确认了证明的正确性。随后，多位专家从不同角度审视：Thomas Bloom 关注证明的历史语境与 Erdős 的原始动机；Will Sawin 提供了简化版本，证明仅需单个分裂素数即可；Tim Gowers 则从自动定理证明的角度评估了证明的 "Kolmogorov 复杂度"。
精炼阶段中，人类数学家将 AI 生成的原始证明转化为更易理解的形式。原始证明使用了多个分裂素数和复杂的参数设置，而人类版本展示了更简洁的构造：通过 Frobenius 切割论证，可以证明存在具有无穷多个完全分裂素数的类域塔，从而大幅简化证明结构。
这种 "AI 生成 - 人类验证 - 共同精炼" 的模式，展现了人机协作在数学研究中的潜力。正如 Melanie Matchett Wood 所指出的，虽然人类专家在集结后能够理解和改进这一证明，但如果没有 AI 的初始突破，几乎不可能有人会将这些特定领域的专家聚集起来研究这一问题。
对数学研究范式的启示
这一突破引发了数学界对 AI 角色的深刻反思。Tim Gowers 提出了一个关键观察：AI 在此次证明中展现出的优势在于其 "超人的耐心" 和 "跨领域知识整合能力"。模型能够持续探索人类数学家可能因直觉判断而放弃的 "不太可能" 路径，并在代数数论、组合几何、类域论等多个领域间建立意外联系。
然而，这一成果也揭示了当前 AI 能力的边界。Thomas Bloom 指出，该证明是一个构造性反例而非上界证明 —— 后者通常需要引入全新的理论工具。Gowers 进一步区分了 "寻找反例" 与 "严格证明" 的复杂度差异：前者可能通过系统搜索实现，而后者往往需要长链条的创造性推理。
对于 AI 数学研究的未来，多位专家表达了审慎乐观。Jacob Tsimerman 认为，AI 系统能够在 "危险水域" 中探索更长时间而不被复杂性淹没，这可能是其相对于人类的核心优势。Victor Wang 则强调了形式化验证的重要性：随着 AI 生成证明的长度增加，人类验证的成本将急剧上升，形式化工具（如 Lean）将成为必要的辅助。
结论与展望
OpenAI 模型对 Erdős 单位距离猜想的证伪，标志着人工智能在基础数学研究中迈出了关键一步。这一成果不仅解决了一个延续 80 年的著名开放问题，更展示了 AI 在跨领域知识整合和大规模搜索空间探索方面的独特优势。
对于工程实践而言，这一案例提供了 AI 辅助科学发现的可操作范式：定义明确的问题边界、利用模型的广泛知识进行探索、通过人类专家进行严格验证、最终形成可传播的数学知识。随着形式化验证工具的发展和 AI 推理能力的提升，这种人机协作模式有望在更多基础科学领域产生突破性成果。
参考来源
- Alon, N., Bloom, T., Gowers, T., et al. "Remarks on the disproof of the unit distance conjecture." arXiv:2605.20695v1, 2026.
- Kalai, G. "Amazing: Erdős' Unit Distance Problem was Disproved! It was achieved by AI!" Combinatorics and more, May 21, 2026.
内容声明：本文无广告投放、无付费植入。
如有事实性问题，欢迎发送勘误至 i@hotdrydog.com。