OpenAI 的一个模型推翻了离散几何学中的一个核心猜想

The original article was posted at:

https://openai.com/index/model-disproves-discrete-geometry-conjecture/

Title: "An OpenAI model has disproved a central conjecture in discrete geometry"

(OpenAI 的一个模型推翻了离散几何学中的一个核心猜想) -- By Google Translate

 

Used ChatGPT to translate it into Chinese exactly as below (OpenAI has access to the original article)

------------------------------------------------------------------------

 

OpenAI 宣布攻克著名数学难题：平面单位距离问题

近八十年来，数学家们一直在研究一个看似简单却极其困难的问题：

在平面上放置 (n) 个点，最多能有多少对点之间的距离恰好等于 1？

这就是著名的平面单位距离问题（Planar Unit Distance Problem），由匈牙利数学家保罗·埃尔德什（Paul Erd?s）于 1946 年提出。它是组合几何学中最著名的问题之一，表述极其简单，却始终难以解决。

2005 年出版的《Research Problems in Discrete Geometry》甚至称其为：

“可能是组合几何中最著名、也最容易解释的问题。”

普林斯顿大学著名组合数学家 Noga Alon 则称它是：

“埃尔德什最钟爱的难题之一。”

埃尔德什本人甚至曾为解决该问题悬赏奖金。

今天，我们宣布在这一问题上取得突破。长期以来，数学界普遍认为，下面所示的“方格点阵（square grid）”构造本质上已经接近最优。

然而，OpenAI 内部模型推翻了这一持续数十年的猜想。

它构造出一个无限家族的新例子，使单位距离点对数量获得了多项式级别的提升。该证明已经由外部数学家团队完成验证，他们还撰写了一篇配套论文，对这一成果的背景和意义进行了详细解释。

---

更重要的是：它是如何被发现的

这项成果之所以特别，不仅因为结果本身，更因为发现它的方法。

证明来自一个通用推理模型（general-purpose reasoning model），而不是：

• 专门为数学训练的系统；

• 依赖复杂证明搜索框架的系统；

• 针对单位距离问题特别设计的系统。

作为 OpenAI 测试 AI 是否能够参与前沿研究的一部分，我们让模型尝试解决一系列埃尔德什问题。

在这个案例中，它给出了完整证明，并成功解决了这一公开难题。

---

AI 数学研究的重要里程碑

这是数学界与 AI 界的一个重要时刻。

这是第一次：

一个数学分支中的核心公开难题，被 AI 在无人指导下自主解决。

这一成果也展示了现代 AI 推理能力已经达到的新深度。

数学一直是检验推理能力的理想领域：

• 问题定义明确；

• 证明可以验证；

• 长篇推理必须从头到尾保持逻辑一致。

而此次证明尤其令人惊讶的是：

AI 将代数数论中的高级工具，应用到了一个看似初等的几何问题上。

这种跨领域联系此前几乎无人预料。

---

数学家的评价

菲尔兹奖得主 Tim Gowers 表示：

“这是 AI 数学发展的一个里程碑。”

著名数论学家 Arul Shankar 则评价：

“在我看来，这篇论文表明当前 AI 已经不仅仅是数学家的助手。它能够提出原创且巧妙的想法，并最终将其发展成完整成果。”

Noga Alon 更进一步说道：

“几乎每一个从事组合几何研究的人都思考过这个问题。

OpenAI 内部模型给出的解答是一个杰出的成就，它解决了一个长期悬而未决的难题。

更令人惊讶的是，正确答案并不是人们长期相信的
(n^{1+o(1)})。

这一构造及其分析优雅地运用了相当深刻的代数数论工具。”

---

单位距离问题究竟是什么？

设

[
u(n)
]

表示平面上 (n) 个点所能形成的最大单位距离点对数。

简单例子：

• 将 (n) 个点放在一直线上，可得到 (n-1) 对单位距离；

• 放在方格点阵中，可得到约 (2n) 对单位距离。

埃尔德什 1946 年提出的经典构造更进一步：

[
n^{1+frac{C}{loglog n}}
]

其中 (C) 为常数。

由于

[
loglog n
]

会越来越大，因此指数中的额外项趋近于零。

也就是说：

[
n^{1+o(1)}
]

增长速度只比线性稍快一点。

几十年来，人们普遍认为：

这已经接近最优。

因此埃尔德什猜想：

[
u(n)le n^{1+o(1)}
]

---

OpenAI 证明了这一猜想是错误的

新证明表明：

对于无限多个 (n)，

[
u(n)ge n^{1+delta}
]

其中

[
delta>0
]

是一个固定常数。

随后普林斯顿大学数学教授 Will Sawin 对证明进行了进一步优化，给出了明确数值：

[
delta = 0.014
]

虽然 0.014 看起来很小，但这是一个根本性的突破：

因为它意味着增长率已经从

[
n^{1+o(1)}
]

真正提升到了

[
n^{1.014}
]

这属于数学上完全不同的数量级。

---

为什么这如此令人震惊？

因为过去 80 年里：

最好的下界

几乎一直停留在埃尔德什 1946 年提出的方法上。

最好的上界

来自 1984 年 Spencer、Szemerédi 和 Trotter 的工作：

[
O(n^{4/3})
]

尽管后来很多数学家进行了改进研究，但上界本质上没有变化。

因此很多人都相信：

埃尔德什的猜想大概率是正确的。

结果 AI 证明它错了。

---

AI 使用了什么数学？

关键来自：

代数数论（Algebraic Number Theory）

埃尔德什原始构造基于高斯整数：

[
a+bi
]

其中：

• (a,b) 为整数；

• (i=sqrt{-1})。

高斯整数拥有类似普通整数的唯一分解性质。

OpenAI 的证明则进一步推广：

不再使用高斯整数，

而是使用更加复杂的代数数域（Algebraic Number Fields）。

这些数域具有更丰富的对称结构，从而产生更多单位长度差值。

---

证明中甚至出现了：

• 无限类域塔（Infinite Class Field Towers）

• Golod–Shafarevich 理论

这些都是代数数论中的高级工具。

数学家们对此非常惊讶，因为此前几乎没人认为这些深奥理论会对欧几里得平面中的单位距离问题产生影响。

---

这对数学意味着什么？

这不仅仅是解决了一个具体问题。

更重要的是：

AI 发现了一条此前几乎没人注意到的桥梁：

代数数论 ↔ 离散几何

Thomas Bloom 在配套论文中写道：

“这一成果告诉我们，数论构造对于离散几何问题的影响远比我们想象的更深刻。

未来几个月，许多数论学家都会重新审视离散几何中的其他公开问题。”

---

这对 AI 意味着什么？

OpenAI 认为：

更强的数学推理能力意味着 AI 可以成为更强大的科研伙伴。

它能够：

• 维持复杂推理链条；

• 连接相距遥远的知识领域；

• 发现专家未优先考虑的方向；

• 帮助研究者解决过于复杂或耗时的问题。

这些能力不仅适用于数学。

同样适用于：

• 生物学

• 物理学

• 材料科学

• 工程学

• 医学

以及未来更广泛的自动化科研。

---

结语

OpenAI 在文章最后写道：

AI 即将开始在科研创造性部分扮演非常重要的角色，尤其是在 AI 研究本身之中。

但未来仍然离不开人类判断。

AI 可以帮助搜索、提出建议、验证结果。

而真正决定什么问题值得研究、如何解释结果、下一步应该探索什么方向的，仍然是人类。

换言之：

AI 不会取代数学家，而是在越来越多的领域中，开始成为能够提出原创思想的研究伙伴。