通用AI模型首次独立破解核心数学难题
数学界一项困扰研究者近80年的公开难题近日被AI攻克。OpenAI内部一款通用推理模型成功生成了原创数学证明，正式推翻了保罗·埃尔德什（Paul Erdős）于1946年提出的平面单位距离猜想。菲尔兹奖得主蒂姆·戈尔斯（Tim Gowers）对此评价道，这是AI在数学研究领域的一座重要里程碑。
猜想内容
单位距离问题看似简单：在无限大平面上放置n个点，任意两点间距离恰好为1的称为一组「单位距离点对」，最多能有多少组？数学上用u(n)表示这一答案。
埃尔德什在1946年提出，上界应当是n^(1+o(1))。其中o(1)表示一个随n增大而趋近于0的量。这意味着单位距离点对数量可以略高于线性增长，但不会出现固定比例的指数优势。他使用经过缩放的平方网格构造，让点对数量达到n^(1+C/log log n)量级。长期以来，数学家普遍认为平方网格类构造已接近这个问题 的极限。
AI的突破
OpenAI模型构造出一族新的点集构造方法，使得对于无穷多个n值，平面上放置n个点可以得到至少n^(1+δ)个单位距离点对，其中δ为大于0的固定常数。原始AI证明未给出δ的具体数值，但普林斯顿大学数学教授威尔·萨温（Will Sawin）的后续改进显示，δ可取0.014。这一结果直接突破了n^(1+o(1))上界预期。
更值得关注的是，这并非一款专门为数学证明打造的AI系统。模型既没有针对单位距离问题进行定制，也没有使用搜索脚手架，而是作为通用推理模型独立完成了证明。
跨领域数学工具的创新应用
新证明的技术亮点在于其跨学科方法论。模型将代数数论领域的深层工具引入欧氏平面组合几何，这一路径此前未被数学家尝试。组合数学家诺加·阿隆（Noga Alon）指出，埃尔德什生前多次在讲座中提及单位距离问题，几乎每位组合几何研究者都曾思考过它。
哈佛大学数论学者阿鲁尔·尚卡尔（Arul Shankar）认为，当前模型已具备提出原创想法并推进完整论证的能力。外部数学家在检查原始证明后，于arXiv发布了配套说明论文，指出推导过程依赖埃伦贝格-文卡泰什（Ellenberg-Venkatesh）和戈洛德-沙法列维奇（Golod-Shafarevich）等复杂的代数数论思想。
里程碑意义
相比最终结论，这条反例路线的独立打通具有更大的技术价值。数学家原本认为平方网格类构造已接近最优，而AI通过引入更复杂的代数数域结构——其中包含比普通整数更丰富的对称结构——制造出大量单位长度差，让平面上的点能够形成更多距离刚好为1的点对。
这项成果标志着AI在不依赖专属工具链的环境下，首次独立解决了一个数学分支中居于核心位置的重要公开问题。