GPT-5前哨战？OpenAI抛出通用推理大招，推翻了人类数学界维持80年的共识

导语：OpenAI内部通用推理模型自主解决未解数学难题，菲尔兹奖得主直言这是AI在数学领域的首个自主突破。

当大模型不再做“复读机”：AI首次自主解决未知数学难题

前沿科技圈最关心的AI逻辑推理能力，又在数学领域砸下了一颗重磅炸弹。这次OpenAI不是靠“题海战术”去刷奥数题，而是派遣了一个尚未公开的内部模型，直接攻克了由传奇数学家保罗·埃尔德什（Paul Erdős）在80年前提出的单位距离难题。这属于无解悬案列表里的经典问题，五代人类数学家都未能取得实质性进展。

以往，AI在数学上的主要贡献通常是由专业模型在特定规则下进行符号推演，或者只是检索已有的文献。而这一次，菲尔兹奖得主蒂莫西·高尔斯（Timothy Gowers）公开坦言：这是AI自主解决极其著名且未解的数学难题的清晰首例，称得上是真正的数学突破。更值得琢磨的是，负责该推理模型研发的项目成员Noam Brown暗示，这款具备强悍通用推理能力的模型将会尽快对公众发布。

这背后折射出的，不仅仅是解开了一个数学公式，而是大模型真正开始具备了摸索人类认知盲区、进行原创性知识推演的雏形。

这道困扰人类80年的经典几何难题，到底在难什么？

我们不妨把这个听上去很玄乎的“单位距离问题”（Unit Distance Problem）拆解得通俗一点。它的规则甚至可以在一张餐巾纸上写明白：假设你在平面上随机画下n个点，那么在这堆点里，彼此之间距离恰好为“1”的点对，最多能有多少个？

直观来看，这似乎是一个类似搭积木的游戏。比如丢下3个点，你当然可以把它们摆成一个等边三角形，这样三条边长度都为1，符合条件的点对就有3对。但如果你放4个点，正方形就不管用了，因为虽然四周长度是一，但对角线的距离并不是一。如果你想让距离为1的连线最多，你的排列方式就需要极其巧妙，如果点数增加到5个、10个甚至是海量，情况就会瞬间变得无比复杂。

在这个分支领域摸爬滚打了大半个世纪的数学家们，之前渐渐达成了一个思维惯性：他们认为最理想的摆法应该无限接近于正方形网格那样的规律排列。

按照这种几何直觉，数学界认为单位距离对数的增长速度 u(n) 大约是线性级别，用公式写出来就是 u(n) ≤ n^(1+o(1))。这里的o(1)在数学概念里无限趋近于0。几代研究者顺着这个直觉走了几十年，尝试去穷尽几何图形的各种排布，始终无法前进一步。

另辟蹊径的旁门解法：用代数数论打破空间直觉

有趣的地方就在这里。OpenAI这只新模型并没有按照几何网格的思想去“画画”，而是做了一个极其离谱的跨界联动：它直接跳出几何学的条条框框，利用代数数论的工具构造出了一套全新的点排列网络。

最终，模型通过极其精密的推演，证明了单位距离的点对增长速度是可以超过线性的，即存在 u(n) ≥ n^(1+δ)（其中常数 δ 大于 0）。

这意味着什么？这意味着人类数学家信奉了80年的“几乎呈线性增长”的直觉大楼倒塌了。原来那个被所有人认为微不足道、微小到可以忽略不计的小尾巴，其实是一个不可小觑的正数值。在这个公式里，AI不仅向人类指明了这条看似死胡同的窄门外另有天地，而且在给出初步分析结构后，人类数学家马上接过接力棒，在AI提供的代数数论构造基础上进一步抬高了极限数值。

为了把这个推论过程说清楚，OpenAI整理出的论文哪怕在极力精简之后，依然有厚厚的 125 页之多。不少前沿研究人员表示，模型在展示极其繁杂的代数推演步骤时，连AI自己都将其中某些构造描述为“令人屏息且堪称恐怖的”复杂程度。人类想要凭纯粹的手工计算来跨越这样的推理迷雾，难度难如登天。

从“检索冒领”的争议，到权威学术界的正式倒戈

实际上，大模型搞数学研究已经不是头一天被摆上货架讨论。但为什么这次业界的反应如此之大？因为OpenAI在半年前曾经为此丢尽了脸。

时间回拨到几个月前，OpenAI副总裁Kevin Weil曾在社交平台上兴奋宣称，自家的测试版模型已经轻松搞定了10个埃尔德什数学问题。这番表态很快就招致了学术界毫不留情的公开反击。维护专业数学网站的知名数学家Thomas Bloom当时直接贴出了对照证据，证明大模型不过是在互联网海量学术遗迹中挖出了已经被解决、但尚未广为人知的旧论文。用简单的话说，它不是在创造，而是在当一个比较灵敏的搜索引擎。这起公关车祸当时被谷歌DeepMind的哈萨比斯调侃为“极其尴尬的宣发布置”。

然而也是同一个Thomas Bloom，在亲自审阅了这次的最新成果后，给出了截然相反的客观评价。他毫无保留地承认，这次的解法完全是全新构造，并公开认定这是目前AI在这个前沿数学方向上取得的最耀眼突破。

无微调通用框架，向高阶推理进发

令人遐想的地方还在于这个执行任务的主体——它并不是一个针对公式推演进行过专门逻辑训练或硬塞入特定数论公理的“纯血数学AI”，而是一个如假包换的通用对话大模型。以往，我们认为通用语言模型只能在创意写作或宽泛的场景互动中发挥作用，但它在没有特定偏科倾向的情况下，硬生生通过底层的多步推理逻辑解出了人类多年没走通的难题。

这或许意味着OpenAI在强化学习与思维链（CoT）技术的演进上，跨上了一个新的台阶。团队的核心科学家Noam Brown此前曾在德州扑克人机对决领域名声大噪，他一直主张的工程理念是：模型的智商不应仅仅体现在依靠算力堆叠出来的参数量上，而是如何在回答问题前给予模型更多推理计算时间。当AI在自我演算进程中被提供了充足的路径纠错和搜索资源时，它极有希望在人类几乎摸不清门路的复杂智力高原里，找出一条前人从未设想过的全新道路。