OpenAI模型破解80年单位距离难题，掀起AI数学新纪元
•17 阅读•3分钟•前沿
OpenAI单位距离问题离散几何
•17 阅读•3分钟•前沿
关键突破
- 事件概述：OpenAI内部研发的通用推理模型在2026年5月公开的研究报告中，给出了一族点集构造，使平面上 (n) 点的单位距离对数达到 (n^{1+\delta})（(\delta>0)），从而驳斥了埃尔德什长期以来的上界猜想。
- 历史背景：单位距离问题自1946年由保罗·埃尔德什提出，近80年来仅有线性或略高于线性的构造被认为接近最优。上界上限仍停留在 (O(n^{4/3}))。
- 技术亮点：模型并非专门为几何问题训练，而是基于大规模语言推理框架，通过链式思考（Chain‑of‑Thought）探索多种证明路径，最终引入代数数论中的无限类域塔与 Golod‑Shafarevich 理论，构造出全新代数数域并证明其几何效应。
学界评价
"这是一项里程碑式的 AI 数学成果。模型不仅提供了完整、可检验的证明，还带来了全新的数学视角。" — Tim Gowers（剑桥大学）
"该工作展示了当代 AI 已经能够产生原创性思想，并将其付诸实现。" — Arul Shankar（普林斯顿大学）
"如果这篇论文是人类提交，我会毫不犹豫地推荐在《数学年刊》上发表。" — Noga Alon（普林斯顿大学）
影响与意义
- AI 研究范式转变：首次出现 AI 完全自主解决的核心数学开放问题，证明了大模型在严谨推理、跨学科联想方面已具备可验证的能力。
- 数学研究新工具：模型的链式思考与搜索策略为数学家提供了全新的辅助方式，尤其在寻找意想不到的跨域连接时表现突出。
- 跨学科启示：代数数论与几何的意外关联提示，其他离散几何或组合问题也可能通过类似的数论结构获得突破，激发新一轮研究方向。
未来展望
OpenAI 表示，将继续扩大模型在数学、物理、生物等基础科学领域的评估规模，探索更高算力与更深推理能力的协同效应。同时，研究团队呼吁社区建立统一的 AI‑数学验证标准，确保 AI 生成的证明能够在同行评审体系中得到公平审视。
"AI 正在成为科学探索的加速器，而非取代者。人类的洞察力与价值判断仍是不可或缺的核心。" — Thomas Bloom（斯坦福大学）
本文是对第三方新闻源的主观解读。消息可能出现过时、不准确、歧义或错误的地方，仅供参考使用。点击此处查看消息源。