OpenAI模型推翻离散几何核心猜想

OpenAI 模型推翻离散几何的核心猜想

来源：https://openai.com/index/model-disproves-discrete-geometry-conjecture

自 1946 年保罗·厄多斯（Paul Erdős）首次提出以来，一个看似简单的数学问题困扰了学界近 80 年：若在平面上放置 \( n \) 个点，最多能有多少对点之间的距离恰好为 1？

这就是平面单位距离问题（unit distance problem），它被认为是组合几何学（combinatorial geometry）中“最知名（且最容易解释）的问题之一”，收录于 Brass、Moser 和 Pach 合著的 2005 年著作《离散几何研究问题》（_Research Problems in Discrete Geometry_）。普林斯顿大学的组合数学家诺加·阿隆（Noga Alon）称其为“厄多斯最钟爱的问题之一”。厄多斯甚至曾悬赏奖金以求解决这一问题。

今天，我们分享了这一问题的突破性进展。自厄多斯最初的研究以来，学界普遍认为，通过“方格”构造（如后文所述）可以近乎最优地最大化单位距离点对的数量。然而，OpenAI 的内部模型推翻了这一长期猜想，提出了一种无限族（infinite family）的示例，其表现比传统构造有多项式级改进。这一证明已由一组外部数学家验证。他们还撰写了一篇配套论文，详细解释论证过程，并补充了该成果的重要背景与意义。

这一成果的特殊之处还在于其发现方式。证明来自一种新型通用推理模型，而非专门针对数学问题训练的系统，也未通过策略搜索或针对单位距离问题进行定向优化。作为测试先进模型能否助力前沿研究的广泛尝试之一，我们曾让该模型尝试解决一系列厄多斯问题。在此案例中，它成功给出了这一开放问题的证明。

这一证明对数学与 AI 领域均具有里程碑意义。这是首次由 AI 自主解决数学子领域的核心开放问题，也展现了这些系统支持深度推理的能力。数学为推理提供了理想测试床：问题精确、证明可验证，且长篇论证只有在逻辑自洽时才成立。该问题的解法尤为引人注目——它将代数数论（algebraic number theory）中精妙的非传统思想引入了一个基础几何问题。

菲尔兹奖得主蒂姆·高伟斯（Tim Gowers）在配套论文中称该成果为“AI 数学领域的里程碑”。数论专家阿鲁尔·尚卡（Arul Shankar）指出：“在我看来，这篇论文表明当前 AI 模型已超越‘辅助工具’的角色——它们能够提出原创性精巧思路，并将其付诸实践。”

单位距离问题

设 \( u(n) \) 表示平面上 \( n \) 个点中最多可形成的单位距离点对数量。线性增长的构造易于实现：将 \( n \) 点排成一条直线可得 \( n-1 \) 对，而方格构造可得约 \( 2n \) 对。此前最佳构造来自缩放后的方格，其数量级为 \( n^{1 + C / \log \log n} \)（\( C \) 为常数）。由于 \( \log \log n \) 随 \( n \) 增长而趋近无穷，指数中的附加项趋近于 0，因此这些构造的增长率仅略高于线性。数十年来，学界普遍认为这一速率已接近理论极限，再难显著突破。技术层面，厄多斯曾猜想上界为 \( n^{1 + o(1)} \)，其中 \( o(1) \) 表示随 \( n \) 增大而趋近 0 的项。

我们的新成果推翻了这一猜想。更精确地说，对于无穷多 \( n \) 的取值，证明构造了 \( n \) 个点的配置，其单位距离点对数量至少为 \( n^{1 + \delta} \)，其中 \( \delta > 0 \) 是固定指数（原始 AI 证明未明确给出 \( \delta \)，但普林斯顿大学数学教授威尔·索温（Will Sawin）的后续改进表明可取 \( \delta = 0.014 \)）。

这一结果之所以令人惊讶，需结合问题历史理解。此前最佳下界自 1946 年厄多斯最初的构造以来几乎未变。最佳上界 \( O(n^{4/3}) \) 来自 1984 年斯宾塞（Spencer）、Szemerédi 和特罗特（Trotter）的工作，尽管后续学者如 Székely、Katz、Silier、Pach、Raz、Solymosi 等人对其进行了细化和结构分析，但上界本质未变。Matoušek 和 Alon-Bucić-Sauermann 等人通过研究平面上的非欧氏距离，进一步为猜想提供了证据，证明“大多数”这类非欧氏距离在某种意义上符合猜想。

出人意料的是，构造的核心思想竟来自代数数论——这一研究整数扩张（如代数数域）中因式分解的数学分支。

![验证初始证明后，我们测试了不同推理计算量下模型的成功率，结果如图所示。]

代数数论的新方法

从高层次看，证明始于一个熟悉的几何思路，却将其推向了意想不到的方向。

这对数学意味着什么

这一成果标志着人工智能与数学互动的重要时刻：一个AI系统自主解决了活跃领域中心的长期悬而未决问题。它也展现了人机协作的新模式早期雏形。在此案例中，外部数学家的配套研究为原始解法提供了更丰富的解读视角。

正如托马斯·布鲁姆（Thomas Bloom）在配套注释中所写：

“_在评估AI生成证明的重要性与影响时，我会自问：这是否教会了我们关于该问题的新知识？我们现在是否对离散几何有了更深入的理解？我认为答案是谨慎的肯定：这表明数论构造对这类问题的解释远比我们预想的更为丰富；更重要的是，所需的数论知识可能非常深刻。可以预见，未来数月内许多代数数论学家将重新审视离散几何领域的其他开放问题。_”

解决方案揭示的代数数论与离散几何之间的意外联系，正是这一成果引人注目的原因之一。它不仅解决了具体猜想，更可能为数学家提供一座桥梁，开启探索相关问题的新方向。

布鲁姆进一步指出更广泛的可能性：

“_知识的边界是参差不齐的，未来数月乃至数年，我们将在数学其他领域看到类似的成功案例：那些长期未解的难题被AI揭示出意想不到的联系，并将现有技术工具推向极限。AI正在帮助我们更全面地探索历经数世纪构建的数学圣殿——还有哪些未被发现的奇迹正在幕后等待？_”

这一成果提供了极具代表性的范例：AI不仅贡献了解决方案，更通过人类后续理解逐渐显现其数学发现的深层价值。

为何这至关重要

这一成果的启示远超具体案例本身。提升数学推理能力可使AI成为更强大的研究伙伴：它能构建复杂的论证逻辑、连接不同知识领域的思想、挖掘专家未优先考虑的潜在路径，并帮助研究者攻克那些过于复杂或耗时的难题。

这些能力的重要性不仅限于数学领域。若模型能保持复杂论证的连贯性、跨越知识领域连接思想、并产出经专家检验的成果，这些能力在生物学、物理学、材料科学、工程学和医学等领域同样至关重要，也是我们迈向更自动化研究的重要一步：系统将帮助科学家和工程师探索更多想法，攻克更艰深的技术问题。

AI即将在科研的创造性环节中扮演严肃角色，而最重要的是在AI研究本身领域。尽管这一进展在意料之中，但它进一步强化了我们对下一阶段AI发展的理解紧迫性——包括如何与高度智能系统对齐的挑战，以及人机协作的未来图景。

这一未来仍依赖人类判断力。专业知识的价值不减反增。AI可辅助搜索、建议和验证，但人类需要选择重要的问题、解读结果，并决定下一步探索的方向。