一次 AI 数学突破与新型分工模式

标题：AI 数学突破与新的分工格局

来源网址：https://gradientflow.com/openai-erdos-discrete-geometry/

发布时间：2026-05-22T12:00:02+00:00

几个月前我在一篇文章中提出，研究数学意外地成为测试 AI 能力的一个非常有用的案例，正是因为数学命题非对即错，这使得 AI 的输出可以像许多商业应用一样得到验证。而这个论点刚刚获得了一个非常具体的实例。一个 OpenAI 内部模型不仅仅是在研究流程的边缘提供帮助，它找到了推翻一个著名 80 年历史猜想的核心构造方法，这个问题此前许多专家都预期会得出相反的结果。这一成果不仅是 AI 的一个重要里程碑，更是一个具体例子，展示了当系统愿意探索一条专家群体普遍放弃的低概率路径时会发生什么。

_你是我们的常读者吗？考虑成为付费支持者吧 _

##### 当 AI 找到了反例

Erdős 单位距离问题是一个已有 80 年历史的问题，听起来像是来自一本谜题书：如果我在一张平面上放置 n 个点，最多有多少对点之间的距离恰好为一单位长度？Erdős 猜想答案的增长速度只会略快于 n 本身。正是这种简单的设定让这个问题如此出名——容易解释却难以解决，吸引了数十年来严肃数学家的关注。而且这不是纯粹的趣味数学。这类问题之所以重要，是因为它们常常揭示不同领域间的意外联系，而这道问题确实做到了这一点。它抵抗了八十年来众多顶尖学者的努力，并被专家称为“组合几何中最著名的公开问题之一”，这也正是让它成为一个有意义基准的原因。

进入 AI 领域后，一个 OpenAI 内部模型推翻了该猜想，这意味着它找到了一种构造方式证明 Erdős 是错误的：在数学家关心的渐近意义上，你可以实现比他所推测更多的单位距离数量。该模型一次性生成了一份完整的数学证明，随后由包括 Timothy Gowers 和 Noga Alon 在内的九位数学家组成的团队进行了核查、消化并适度简化，他们还共同撰写了论文。关键思路在于不再把问题当作绘图练习来看待，而是将其转化为算术构造问题：寻找一个包含大量等距关系的秘密数字体系，再将这种结构转换回平面中的点集。之后人类数学家团队介入，验证逻辑并整理步骤，形成了一篇更加清晰易读的正式报告。

##### 从数学家视角看 AI 证明

最让我印象深刻的是这些反应，数学家们并没有把它当成一场噱头表演。几位评论者表示，如果是人提交的话，他们会毫不犹豫地接受这篇论文发表在顶级期刊上。 还有一些人指出，这是他们第一次看到真正作为数学成果而非仅仅反映 AI 发展趋势的自主 AI 成果。这个区别很重要。这项成果的价值独立存在。机器产生它的事实只是增加了背景信息，但并未改变论证本身的品质。

使结果令人惊讶的不仅仅是 AI 解决了一个难题，更是因为它挑战了学术界的默认直觉。“大多数专家原本认为 Erdős 的猜想是对的”，这就意味着大部分人力投入都在试图证明它而不是反驳它。而模型显然没有共享这种先验信念。 几位数学家指出了几个可能阻碍人类发现这条道路的因素：整个领域的集体共识相信该猜想正确；原始构造最自然的推广并不能明显改善边界值；一旦选择这条路，其构造过程本身就极其复杂难行。模型的优势并非浪漫意义上的创造力，而是更具操作性的特质：广泛的技术记忆能力、容忍笨拙搜索路径的能力，以及在人类研究人员合理放弃的方向上继续工作的意愿。对于任何构建企业级 AI 系统的人来说，这种模式应该很熟悉。许多困难问题也存在于专业交叉地带，早期信号微弱，并且需要整合那些很少出现在同一团队思维模型中的工具。

同样值得注意的是回应中的警告。论文本身就是对最初 AI 输出的人工验证和改进版本，这也提醒我们，虽然模型找到了路径，但它并不是独自完成了最终的研究产物。Melanie Matchett Wood 提醒说，一次成功不应掩盖 AI 系统经常会产生看似合理但实际上错误的论证的事实，同时数学界尚未准备好迎接一个说服力强与正确性越来越难以区分的世界。此外，在归属权和规范方面仍有许多未决问题：这份证明借鉴了几组先前研究成果的思想，而在 AI 吸收这些工作并用于产出具有商业意义的结果时，如何分配信用和取得同意并不明确。

来自**《数学家关于AI的发现，大多数企业尚未了解》**

因此，我不会将其视为替代的故事。我会将其看作是对劳动分工更加明确化的预演：机器扩展了搜索空间，而人类作为审阅者、编辑者、评判者以及知识可靠性规范的守护者变得更加重要。这一课的意义远远超越了数学领域。

• * *

##### 相关内容

• 构建数学超级智能
• 数学家关于AI的发现，大多数企业尚未了解