夜雨聆风Opening
一个AI模型，用了不到一天时间，证明了人类数学家80年来一直搞反了的事情。
这不是科幻小说。2026年5月20日，OpenAI宣布其内部模型自主证明了Erdős单位距离猜想的反例——一个困扰数学界近一个世纪的著名问题。获得过数学界最高荣誉Fields奖的Tim Gowers在看到结果后说："毫无疑问，单位距离问题的解决是AI数学的里程碑。"但他紧接着补了一句：当他发现AI是"推翻"而非"证明"这个猜想时，他"大大松了一口气"。
单位距离问题的示意图：在平面上排列n个点，使得恰好相距1单位的点对尽可能多（来源：Ars Technica）
为什么一个80年没人解决的数学问题，被AI攻克了？更重要的是——这对AI的真正能力意味着什么？
Background
Erdős是谁？为什么这个问题重要？
Paul Erdős是数学史上最高产的数学家，一生发表了超过1500篇论文。他最大的天赋是提出那些"说出来简单，但根子很深"的问题。
1946年，他提出了单位距离问题：假设你在平面上有n个点，测量每对点之间的距离。问题是——你能不能重新排列这些点，使得恰好相距1单位的点对尽可能多？
听起来像是个几何游戏，但这个问题连接着图论、数论、组合数学等多个领域。80年来，数学家们普遍认为Erdős的猜想是对的：当点的数量n足够大时，相距1单位的点对数量应该只是"微微"超过n本身。
为什么这个问题难住了人类这么久？
问题出在两个方向上：
下界（最少能有多少对）： Erdős自己用正方形网格构造了一个方案，证明至少能有这么多单位距离对。通过调整网格间距，可以让每个点有更多邻居恰好距离1单位。但这被认为已经接近最优了。
上界（最多能有多少对）： 用图论方法可以给出一个上界，但这个上界比下界大得多。中间的"gap"一直没人能缩小。
大多数数学家认为，真正的答案应该接近下界。所以他们一直在尝试"证明"这个猜想，而不是"推翻"它。
Core Content
AI是怎么做到的？
OpenAI的模型没有去"证明"猜想，而是找到了一个反例——一个构造方式比Erdős的网格更复杂的排列，能产生更多的单位距离对。
具体来说，AI的思路是：
高维空间投影。 AI没有在二维平面上直接构造，而是在更高维的空间里构建了一个更丰富的结构，然后把它投影到二维平面上。这就像从三维世界看二维平面上的点，能看到更多隐藏的对称性。
代数整数替代整数。 Erdős的网格用的是普通整数坐标（如(1,3)、(-3,6)）。AI的构造使用了"代数整数"——一种更一般的数，它们满足某个整系数多项式方程。这让网格的结构更丰富，能"塞进"更多单位距离对。
关键洞察：c²的选择。 两点距离为1的条件是a²+b²=1。AI发现，选择一个更大的c²值（如65=1²+8²=4²+7²），可以让单位圆上有更多整数点，从而产生更多单位距离对。c²=65时，每个点有16个距离为1的邻居，远超传统网格的4个。
为什么这个解法"聪明但不意外"？
多伦多大学教授Jacob Tsimerman透露，他其实"短暂考虑过"用类似方法推翻这个猜想，但"这种技术耗时巨大，而且经常失败"，所以他放弃了。
这正是AI的优势所在：它不怕失败。 人类数学家会因为某个思路"看起来不太可能成功"而放弃，但AI可以一遍又一遍地尝试各种证明策略，直到找到一个有效的。
OpenAI的图表显示，即使在最大token预算下，其内部模型也只有一半的概率能解决这个问题。换句话说，AI可能跑了这个题目很多次，才找到一次成功的证明。
这对AI意味着什么？
这不是AI"取代"数学家的故事，而是AI"补充"数学家的故事。
几个关键点：
AI的知识面比任何人类都广。 这个问题的解决需要用到代数数论的知识——一个与离散几何看似无关的领域。AI系统训练了大量数学文献，它知道这些工具，而一个专注单位距离问题的数学家很可能不知道。
AI不怕"无聊"的工作。 尝试各种证明策略、穷举各种可能性——这对人类来说是枯燥的体力活，但AI可以高效地完成。
但AI仍然需要人类。 人类数学家验证了AI的结果，Will Sawin等数学家进一步扩展了AI的思路，给出了显式的下界估计（n^1.014）。AI找到了答案，但人类让它变得更清晰、更完整。
Fields奖得主Gowers在评论中写道，当他以为AI是"证明"了猜想时，他花了一整个晚上调整自己的世界观："如果AI能想出这样的证明，那数学家可能很快就要失业了。"但第二天早上，他发现AI是"推翻"了猜想，他"大大松了一口气"。
为什么推翻比证明更让人安心？因为推翻一个猜想，本质上是一种"优化"——找到一个比现有构造更好的方案。这更接近AI擅长的搜索和优化工作。而"证明"一个猜想，需要构建全新的数学理论，这是目前AI还做不到的。
Deep Analysis
这事儿到底牛在哪
真实含金量： 这是AI系统首次自主解决一个重大开放数学问题。之前AI在数学上的贡献，要么是辅助性的（如文献综述），要么是优化性的（如AlphaEvolve在特定问题上找到更好的数值解）。这次是第一次AI自主构建了一个完整的、可验证的数学证明，解决了一个80年悬而未决的问题。
效率提升： 人类数学家80年没解决的问题，AI模型在有限的计算预算内找到了答案。虽然AI可能尝试了很多次，但总时间成本远低于人类持续80年的努力。
对普通人的意义： 短期内，这不会改变你的日常生活。但它预示着一个未来：AI可能成为科学家的"超级助手"，帮助解决那些人类因为知识面有限或耐心不足而无法攻克的问题。
体验改善： 文章作者Kai Williams尝试用比OpenAI更清晰的方式解释了AI的解决方案，包括交互式可视化。这本身就是一个AI辅助人类理解复杂概念的例子。
坑在哪、别被忽悠了
技术瓶颈： AI目前只能"推翻"猜想，还不能"证明"猜想。推翻本质上是一种优化——找到更好的构造。证明需要构建全新的数学理论，这是AI目前做不到的。
成功率问题： 即使在最大token预算下，模型也只有一半概率解决这个问题。这不是一个可靠的、可重复的工具。
商业化难题： 数学突破很难直接变现。OpenAI公布这个结果，更多是为了展示AI能力，而非寻找商业模式。
人类验证仍然关键： 如果没有人类数学家验证和扩展AI的结果，这个证明本身的价值会大打折扣。AI找到了答案，但人类让它变得可信。
过度解读的风险： 媒体可能会把这渲染成"AI取代数学家"的叙事。但实际上，这更像是"AI成为数学家的强力工具"。Gowers的反应很说明问题——他担心的是AI"证明"猜想，而非"推翻"猜想。
别被热点带节奏：真正值得关注的
真趋势： AI在数学推理能力上的快速进步是真实的。三年前LLM连算术都做不好，一年前才开始在高中数学竞赛中表现出色，现在已经能解决80年未解的开放问题。这个进步速度是惊人的。
短期炒作： "AI将取代数学家"是过度解读。至少在中期内，AI更可能成为数学家的工具，而非替代品。
6-12个月内值得盯的变量：
其他AI公司（如Google DeepMind）能否解决类似级别的数学问题？ AI能否开始"证明"而非仅仅"推翻"猜想？ 这些数学突破能否转化为实际应用（如密码学、材料科学）？
对从业者的启示： 数学家需要学会与AI协作。未来的数学研究可能是"人类提出好问题，AI帮忙找答案，人类验证并扩展"的模式。那些能够有效利用AI工具的数学家，可能会比纯粹靠自己思考的数学家更有生产力。
行业格局变化： OpenAI、Google DeepMind、Harmonic等公司都在布局AI数学。这是一个新的竞争前沿。谁能率先让AI系统性地解决数学问题，谁就掌握了下一代科学发现的引擎。
Conclusion
OpenAI模型推翻Erdős单位距离猜想，是AI发展历程中的一个标志性事件。它不是那种"AI一夜之间超越人类"的故事，而是一个渐进式突破的缩影——从三年前连算术都做不好，到今天能解决80年未解的数学问题。
这个结果的真正意义在于，它展示了AI的一种新能力：在人类不耐烦或知识面不足的地方，找到被忽视的可能性。 Tsimerman教授承认他考虑过类似的方法，但因为"耗时巨大且经常失败"而放弃。AI没有这种心理负担。
但我们也应该清醒地认识到，这更多是一个"优化"的胜利，而非"创新"的突破。AI找到了一个比Erdős更好的构造，但它没有发明全新的数学工具。人类数学家仍然是理论创新的源泉。
Fields奖得主Gowers的反应最能说明问题：他先是担心AI要"证明"猜想（那意味着数学家可能很快失业），然后发现AI只是"推翻"了猜想（那更像是优化工作），于是"大大松了一口气"。这个微妙的心理反应，揭示了当前AI能力的真实边界——擅长搜索和优化，还不擅长构建和创造。
对于普通人来说，这个事件的启示是：AI正在成为一种强大的"思维放大器"，但它不是万能的。那些能够有效利用AI工具的人，会在各自的领域获得巨大的优势。而那些被AI吓到、以为自己要失业的人，可能忽略了一个事实——AI目前最大的价值，是让人类的创造力变得更高效，而非取代人类的创造力本身。
References
Kai Williams, "An OpenAI model solved a famous math problem that stumped humans for 80 years," Ars Technica, June 1, 2026. https://arstechnica.com/ai/2026/06/openais-math-breakthrough-played-to-ais-strengths/ OpenAI, "Disproving the Erdős unit distance conjecture," OpenAI Research, May 2026. Will Sawin, "Explicit lower bounds for the unit distance problem," May 2026. Tim Gowers, reaction to OpenAI's result, published in OpenAI's announcement. Jacob Tsimerman, reaction to OpenAI's result, published in OpenAI's announcement. Thomas Bloom, "Erdős Problems," www.erdosproblems.com.
