跳到正文
OpenAI News·· 2026-05-20精選AI 評分67

OpenAI 模型解決 80 年單位距離問題並推翻離散幾何重要猜想

An OpenAI model has disproved a central conjecture in discrete geometry

AI 導讀

OpenAI 的一個模型解決了有 80 年歷史的單位距離問題,推翻離散幾何中的一項重要猜想。這項成果標誌著 AI 驅動數學的一個里程碑。

推薦理由

這項成果為 AI 驅動數學提供一個具體案例,呈現模型解決離散幾何 80 年單位距離問題並推翻重要猜想的結果。

正文 · 繁體中文

近 80 年來,數學家一直研究一個看似簡單、實則不易的問題:如果你放置 n 個點於平面上,有多少對點之間相距恰好 1?

這是平面單位距離問題,最早由 Paul Erdős 於 1946 年提出。這是組合幾何中最著名的問題之一,容易陳述,卻極難解決。2005 年出版的著作《Research Problems in Discrete Geometry》由 Brass、Moser 和 Pach 合著,稱它為「可能是組合幾何中最廣為人知(也最容易解釋)的問題」。普林斯頓大學的知名組合學家 Noga Alon 稱它為「Erdős 最喜愛的問題之一」。Erdős 甚至曾為解決這個問題懸賞。

今天,我們分享單位距離問題的一項突破。自 Erdős 最初的研究以來,主流看法一直認為,下文所示的「正方形網格」構造,在最大化單位距離點對數目方面已基本達到最優。OpenAI 的一個內部模型推翻了這項長久以來的猜想,提出了一族無限多個例子,帶來多項式級的改進。外部數學家小組已核查這份證明。他們亦撰寫了一篇配套論文,闡釋論證,並補充這項成果的重要性及背景脈絡。

這項成果之所以值得注意,也在於它的發現方式。這個證明來自一個新型通用推理模型,而非來自一套專為數學訓練、配上輔助架構以搜尋證明策略,或特別針對單位距離問題設計的系統。作為更廣泛研究工作的一環,為了測試先進模型能否對前沿研究作出貢獻,我們以一批 Erdős 問題評估了它。在這個案例中,它提出了一份解決這個未解問題的證明。

這份證明是數學界和人工智能界的重要里程碑。這是人工智能首次自主解決一個備受關注、對數學某個分支至關重要的未解問題。這亦展現這些系統如今具備的深度推理能力。數學為推理能力提供了一個特別清晰的試驗場:問題定義精確,可能的證明可以核查,而一段長篇論證只有在推理從頭到尾都連貫成立時才有效。解決這個問題所用的方法也值得注意。這份證明將代數數論中出人意料而精妙的想法,應用於一個初等幾何問題。

菲爾茲獎得主 Tim Gowers 在配套論文中稱這項成果為「人工智能數學的一個里程碑」。著名數論學家 Arul Shankar 表示:「依我看,這篇論文顯示,現今的人工智能模型已不止是人類數學家的助手——它們能提出獨創而巧妙的想法,並將之付諸實踐,直至取得成果。」

數學家談這項成果

第 1 項,共 4 項

證明可於此處⁠(在新視窗中開啟)查閱。由外部頂尖數學家撰寫的配套論文可於此處⁠(在新視窗中開啟)查閱。模型思維鏈的節錄版本可於此處⁠(在新視窗中開啟)找到。

利用重新縮放的方格點陣構造大量單位距離的舊有方法。

單位距離問題

設 u(n) 為平面上 n 個點之間最多可能的單位距離點對數目。構造達到線性增長率的例子很容易:把 n 個點放在一直線上,可得到 n−1 對;方格點陣則約有 2n 對。過往最佳的已知構造來自重新縮放的方格點陣,結果甚至可得到更多: n1+C/log⁡log⁡(n),其中 C 為常數。由於 log⁡log⁡(n) 隨着 n 趨向無限大,指數中的附加項會趨近 0,這表示這些構造的增長速度只略高於線性增長。幾十年來,人們普遍相信這種增長率已近乎最佳,沒有構造能大幅超越方格點陣。從技術角度而言,Erdős 猜想上界為 n1+o(1),其中額外的 o(1) 表示一個隨 n 趨近 0 的項。

我們的新結果推翻了這個猜想。更準確地說,對於無窮多個

n 的取值,該證明構造出由 n 個點組成的配置,當中至少有 n1+δ 對單位距離,其中所用的固定指數為 δ>0。(原始 AI 證明沒有給出明確的 δ,但普林斯頓數學教授 Will Sawin 即將發表的改進版已證明可取 δ=0.014。)

這個問題的歷史有助我們了解這項結果為何令人意外。自 Erdős 在 1946 年提出原始構造以來,已知最佳下界大致一直沒有改變。最佳上界,

O(n4/3), 可追溯至 Spencer、Szemerédi 和 Trotter in 1984 的研究;儘管 Székely、Katz、Silier、Pach、Raz、Solymosi 以及其他人其後作出改進並進行相關結構研究,上界大致一直未變。作為支持這個猜想的證據,Matoušek 和 Alon-Bucić-Sauermann 研究了平面上採用非歐幾里得距離的問題,並證明這些非歐幾里得距離中「大多數」在某種意義下都符合這個猜想。

出人意料的是,這個構造的關鍵元素來自一個截然不同的數學分支——代數數論。這門學科研究整數在稱為代數數域的擴張中如何因數分解等概念。

核實最初的證明後,我們研究了模型在這道問題上的成功率如何隨測試時運算量而變化。結果見此處。

代數數論的新技巧

概括而言,證明由一個熟悉的幾何想法出發,再將它推向出人意料的方向。

Erdős 的原始下界可透過高斯整數理解:形如 a+bi 的數,其中 a 和 b 均為整數,而 i 是 −1 的平方根。高斯整數擴展了普通整數,並且像普通整數一樣,具有唯一分解為質數等性質。普通整數或有理數的這類擴張稱為代數數域。新論證以代數數論中更複雜、對稱性也更豐富的推廣取代高斯整數,這些推廣可以產生更多單位長度差向量。

精確的論證運用無限類域塔和 Golod–Shafarevich 理論等工具,證明其中所需的數域確實存在。這些概念對代數數論學家而言早已廣為人知,然而它們竟然會對歐幾里得平面上的幾何問題產生影響,仍然令人非常意外。

這對數學意味着甚麼

這項結果標誌着 AI 與數學互動中的重要時刻:AI 系統自主解決了一個長期未解、且位於活躍研究領域核心的問題。它同時讓我們初步窺見 AI 與人類數學家合作的新模式。在這個案例中,外部數學家撰寫的配套研究,比原始解答本身呈現的圖景豐富得多。

正如 Thomas Bloom 在配套短文中所寫:

“評估 AI 生成證明的重要性和影響力時,我會問自己一個問題:這有否讓我們對這個問題有新的認識?我們現在是否更了解離散幾何?我認為答案是有所保留的肯定:這表明,數論構造對這類問題能提供的見解,遠比我們原先估計的更多;此外,所需的數論知識可能非常深奧。毫無疑問,未來幾個月會有許多代數數論學家仔細研究離散幾何中的其他未解問題。”

解答所揭示的代數數論與離散幾何之間的意外聯繫,是這項結果引人注目之處。它不只是解決一個特定猜想,還可能為數學家搭起橋樑,讓他們開始探索更多相關問題。

Bloom 亦指出一個更廣泛的可能性:

“知識前沿高低起伏,毫無疑問,未來數月以至數年,數學的許多其他領域都會出現類似的成功:AI 揭示意想不到的聯繫,並將現有技術工具推至極限,從而解決長期未解的問題。AI 正協助我們更全面地探索這座我們歷經數百年建造的數學殿堂;還有哪些未見的奇觀正等待登場?”

這項結果提供了一個很有前景的例子:AI 不只提出解答,還作出一項數學發現,而其重要性會隨後續的人類理解而變得更清晰、更豐富。

這為何重要

重點不只在於這項特定成果。更強的數學推理能力能令 AI 成為更出色的研究夥伴:它可以梳理並貫通複雜思路,把相距甚遠的知識領域中的想法連繫起來,發掘專家未必會優先考慮的有前景方向,並協助研究人員推進那些否則會因過於複雜或耗時而難以處理的問題。

這些能力在數學以外同樣重要。如果模型能夠保持複雜論證前後連貫、連繫相距甚遠的知識領域中的想法,並產出經得起專家審視的成果,這些也都是生物學、物理學、材料科學、工程學和醫學領域所需的能力;它們亦是我們邁向更自動化研究的長遠路徑之一:這類系統可協助科學家和工程師探索更多想法,並研究更艱深的技術問題。

AI 即將在研究的創意環節中扮演極重要的角色,尤其是在 AI 研究本身的創意工作中。雖然這項進展並不出乎意料,但它讓我們更深切感到,必須理解 AI 發展的下一階段、對齊高度智能系統所面對的挑戰,以及人類與 AI 協作的未來。

這個未來仍取決於人類的判斷。專業知識只會更有價值,重要性不會降低。AI 可以協助搜尋、提出建議和核實。由人們選擇重要的問題、解讀結果,並決定下一步要探討哪些問題。

來源:OpenAI News · openai.com