夜雨聆风一个 80 年的数学难题，被 AI 用"不相关"的方法解决了
5 月 21 日，OpenAI 宣布其内部推理模型成功推翻了保罗·埃尔德什 1946 年提出的"平面单位距离猜想"。
这个猜想问的是一个看似简单的问题：在平面上放 n 个点，最多能有多少对点之间的距离恰好等于 1？
80 年来，数学家们一直认为正方形网格排列是最优解。但 OpenAI 的 AI 模型给出了一个全新的构造方案——它不是用几何思维，而是用代数数论的工具，证明了存在点集的单位距离对数远超人类认知的上限。
菲尔兹奖得主蒂姆·高尔斯称之为"AI 数学的里程碑"。但在我看来，这件事背后有一个更值得职场人关注的信号：AI 正在从"检索工具"变成"原创伙伴"，而它最厉害的能力，恰恰是我们大多数人缺乏的——跨领域连接。
AI 没有按人类的路子走，它换了一套工具
理解这次突破的关键，不在于数学细节，而在于 AI 解决问题的路径。
人类数学家研究这个问题 80 年，一直在几何框架里打转。他们尝试过各种点阵排列，优化过各种网格结构，但始终没能突破埃尔德什设定的上限。
AI 的做法完全不同。它没有沿着几何的路径继续深挖，而是把问题"翻译"成了代数数论的语言。它发现，这个几何问题可以用数论中的某些构造来描述，而那些构造恰好能提供比网格更高效的点集排列方式。
普林斯顿数学家诺加·阿隆事后审查时说："我们熟悉这些数论工具，但没人想到它们能用来解决平面几何问题。"
这句话点出了 AI 真正的优势——它不受学科边界的束缚。对人类来说，几何是几何，数论是数论，两个领域之间有一道看不见的墙。但对 AI 来说，知识是一张互联的网络，它可以在任意两个节点之间建立连接。
这种"降维打击"的思维，职场人为什么需要
你可能觉得数学离自己很远。但 AI 展现的这种思维方式，恰恰是职场中最稀缺的能力。
想象一下这些场景：
你做用户增长，一直用传统的投放优化方法，转化率卡在瓶颈。但有人用游戏设计的"心流理论"重构了用户路径，转化率提升了 3 倍。
你做项目管理，一直在优化甘特图和里程碑。但有人用供应链管理的"just-in-time"思路重构了协作流程，交付周期缩短了一半。
你做内容创作，一直在研究选题和标题。但有人用产品思维搭建了内容矩阵，用数据驱动替代了灵感驱动，产出效率提升了 10 倍。
这些都不是在同一层面上的优化，而是用其他领域的工具解决本领域的问题——这就是"降维打击"。
AI 之所以能做到这一点，是因为它没有学科的身份认同。它不会说"我是搞几何的，数论不归我管"。它只看问题本身，然后在全局知识网络里搜索最优工具。
但人类不一样。我们被专业训练塑造了思维边界，被职业身份限制了认知范围，被行业话语体系框定了问题框架。
如何借用 AI 的"跨领域连接"能力
你不需要成为通才，也能学会这种思维。以下是三个可操作的方法：
第一，建立"问题 - 工具"的映射，而不是"领域 - 知识"的映射。
大多数人学习的方式是："我是做市场的，我要学营销知识。"这种方式的问题在于，你只会用营销工具解决营销问题。
更好的方式是："我要解决的是'如何让用户记住我'这个问题。"然后你去搜索——心理学有什么记忆理论？游戏设计有什么沉浸机制？建筑设计有什么空间叙事手法？
问题不变，工具可以来自任何地方。
第二，刻意练习"翻译"能力。
AI 能跨领域，是因为它能把不同领域的语言"翻译"成统一的表示。你也可以练习这种能力。
下次遇到一个难题，试着用三种不同的学科语言重新描述它：
- • 用经济学的语言（成本、收益、激励）
- • 用心理学的语言（认知、动机、行为）
- • 用工程学的语言（系统、流程、约束）
每一种描述都会打开一扇新的门，让你看到不同的解决路径。
第三，建立"弱连接"的知识网络。
社会学家格兰诺维特提出过"弱连接的力量"理论——真正带来新机会的，往往不是你熟悉的人，而是那些点头之交。
知识也是一样。真正能产生跨领域连接的，往往不是你精通的核心知识，而是那些你略知一二的"边缘知识"。
所以不要只深耕专业，也要刻意涉猎一些"无用"的知识。读一本和你工作完全无关的书，听一场你不熟悉的行业讲座，和一个完全不同领域的人聊天。
这些弱连接，会在某个时刻突然连通，成为你解决难题的关键工具。
AI 不是来替代你的，它是来示范的
很多人看到 AI 破解数学难题，第一反应是焦虑：AI 这么强，我还有什么价值？
但换个角度想：AI 不是在替代你，它是在给你示范一种更高级的思维方式。
它示范了如何不受学科边界束缚，如何在全局知识网络里搜索最优工具，如何用跨领域的连接解决本领域的问题。
这些能力，人类也可以学会。而且正因为你是人类，你有 AI 没有的优势——你有直觉，有审美，有价值判断，有对问题重要性的感知。
AI 可以帮你找到工具，但决定"什么问题值得解决"的，还是你。
回到你的工作，现在可以做什么
明天回到办公室，你可以做一件小事：
选一个你正在处理的难题，不要用你熟悉的方法，而是问自己："如果这个问题交给一个完全不懂我这个行业的人，他会用什么工具解决？"
然后去找到那个工具，试着用它重新定义你的问题。
80 年的数学难题被 AI 用"不相关"的方法解决了。你的问题，可能也在等一个来自"不相关"领域的工具。
互动话题： 你曾经用哪个"不相关"领域的知识解决过工作难题？在评论区分享一下。
