OpenAI 推翻 Erdős 单位距离猜想：AI 数学的分水岭，不在灵感

5 月中旬，OpenAI 披露了一件比新模型发布更值得细看的事：一个内部 AI 模型推翻了 Erdős 的单位距离猜想。

这不是竞赛题刷榜。这个问题从 1946 年挂到现在，属于离散几何里那类典型难题：表面像小游戏，核心是大规模结构的极限。

更反常的是，外部数学家的评价不低。菲尔兹奖得主 Tim Gowers 称其为 AI 数学的里程碑。Daniel Litt 的说法更直接：这是第一个让他因“结果本身”而兴奋的 AI 自主成果，而不是又一个能力演示。

它到底推翻了什么

单位距离问题很好讲。

在平面上放 n 个点。任意两点距离正好等于 1，就算一条单位距离。问题是：n 很大时，最多能有多少条这样的单位距离？

Erdős 在 1946 年给过一个网格构造，提供了下界。他进一步猜测，最优结果大体也就比 n 多一点点。写成数学语言，就是接近 n^(1+o(1)) 的增长。

OpenAI 的模型给出的结论是：这个猜测不成立。

这里最容易误读。

OpenAI 不是算出了某个小点集的精确答案，也不是突然发明一套新数学。它更像是把 Erdős 的网格思路推到更复杂的结构里：借高维网格制造更密的关系，再用代数整数等工具把构造落回相关问题。

结果是，同样数量级的点，可以产生比 Erdős 预想更多的单位距离。

这一下打中的不是一道题的面子，而是一类数学直觉：原来那个看似自然的增长上限，并不牢。

厉害之处不在“天才感”，在耐心和拼接

我不太买账“AI 已经拥有数学灵感”这种说法。至少这一次，公开材料撑不到这个结论。

更准确的说法是：AI 把旧工具翻得够广，把跨分支连接做得够快，把大量可能失败的构造试得够久。

这很冷，也很现实。

数学研究里有大量不体面的工作。查文献，换参数，试构造，接引理，排除死路。它们不出现在漂亮的定理陈述里，却消耗研究者最多的时间。

“天下大事，必作于细。”这句话放在数学里很贴切。真正的突破常常不是从天而降，而是从无数细小尝试里筛出来。

过去，这些活靠博士生、合作者、个人经验和运气。现在 AI 开始切进来。它未必更会提出好问题，但它更适合做一件事：在巨大的旧知识仓库里不知疲倦地试连接。

这才是分水岭。

人类数学家的优势还在。提出问题，判断方向，识别结构，决定一个结果是否值得追。这些不是简单搜索能替代的。

AI 的优势也越来越清楚。知识覆盖更宽，组合搜索更狠，失败成本更低。它不怕一条路试到尽头。人会累，模型不会以同样方式累。

所以这不是“数学家下岗”的故事。它更像研究流程被拆开了。

好问题和深判断仍在人手里。苦活、杂活、连接活，正在被机器拿走一部分。

受影响的人，该看什么

对关注 AI 能力边界的科技读者，这件事比聊天机器人更有参考价值。

不要只盯模型能不能答对标准题。更该看它能不能处理开放问题里的非标准环节：调用旧知识、构造候选、筛掉失败路径、把多个领域的工具接起来。

如果后续类似结果能在不同数学分支复现，AI 能力边界就要重新估。不是因为它像人类天才，而是因为它开始承担研究中的高成本试错。

对做科研自动化、数学工具和 AI for Science 的团队，动作更具体。

模型不该只被当成问答助手。更有价值的位置，是构造搜索器、引理拼接器、文献线索筛选器。团队可以把部分探索任务交给 AI，但不能跳过人类清理、独立复核和形式化验证。

对数学学生和年轻研究者，信号也很明确。

只会机械查资料、套已有技巧、做低层次拼接，护城河会变薄。更该训练的是问题感、结构判断和证明品味。AI 可以帮你跑路，但不会替你决定哪条路值得跑。

接下来最该观察三件事：

• 清理后的证明能否被更多独立数学家复核，并进入稳定发表状态。
• 这种方法能否迁移到别的开放问题，而不是只在一个案例上闪光。
• AI 生成的证明能否和形式化证明工具结合，降低人工验算成本。

目前还看不清的是模型参与边界。公开信息没有给出模型名称、训练细节、算力规模，也没有说明每一步发现中人类提示占多大比例。

这点必须扣住。没有这些信息，就不能把它说成 AI 独立完成了整个数学研究流程。

但反过来，也别把它轻轻放过。

一个系统已经能在 80 年开放问题上给出被数学家认真对待的反例证明，再把它叫成“高级检索工具”，也太保守了。

这次的关键不是 AI 终于变成 Erdős。关键是它不必成为 Erdős，也能开始改变 Erdős 之后那套研究分工。

天才负责提出深问题。机器负责把旧知识翻到发烫。数学没有被接管，但座次已经在动。