被AI终结的80年几何难题：OpenAI通用大模型如何重塑跨学科科学发现？

导语：OpenAI最新大模型自主打破80年几何猜想，宣告通用AI正式跨入无人科研深水区。

科学研究的范式正在我们眼前发生剧烈的重塑。本周，OpenAI 用一项令人震惊的研究成果，在中外学术界投下了一颗深水炸弹：AI 首次自主推翻了离散几何学中一个被奉为圭臬的经典猜想。这项惊人的突破直接打破了人类数学家甚至大师本人的直觉，找到了一个全新的、性能更优的构造族。这也是通用大语言模型第一次在没有人工强力引导下，独立攻克了数学领域悬而未决的核心著名难题。

一向严谨的菲尔兹奖得主蒂莫西·高尔斯（Tim Gowers）在得知消息后盛赞：“这是 AI 数学史上的一个里程碑。如果这篇论文署名是一个人类学者，我会毫不犹豫地建议顶级学术期刊予以接收。”顶级数论学家 Arul Shankar 也坦言，这一成果证明当前的 AI 模型已经脱离了“研究助手”的定位，它们拥有提出原创、巧妙构想，并推动其闭环落地的能力。

长达80年的幽灵：折磨几代人的埃尔德什猜想

要还原这次突破的震撼力度，我们必须把视线拉回80年前。

1946年，被誉为“数学界流浪大师”的保罗·埃尔德什（Paul Erdős）提出了一个表述极简、实则极为棘手的几何谜题：如果在二维平面上随意散落 n 个点，那么在这堆点里，彼此距离刚好等于 1 的“点对”最多能有多少个？这个谜题在学术界被称为“Erdős单位距离问题”。

直觉往往会把我们带向规整的对称世界。比如，如果把 n 个点简单地排成一条直线，那么我们只能得到 n – 1 个距离为 1 的点对。

如果把这些点密密麻麻地排成一个方形网格，点对的密集度会大幅上升，能够逼近 n 的 1 次方以上。长久以来的共识是，最精妙的构建方式往往源于缩放后的方形网格（利用了数学中高斯整数的优良性质），能将单位距离的对数提升至 n 乘上一个略大于 1 的小指数。

几十年里，数学界始终走不出埃尔德什本人设立的“思维路标”。他当年非常自信地指出：正方形网格结构就是几何层面的极限，其增长速度上限由一个复杂的公式决定。为了论证这一点，他还自掏腰包为攻克此题设置了现金奖励。然而，自 1984 年数学家 Spencer 等人设定了当时的绝对上限以来，这个维度的探讨已经在过去 40 年里陷入了冰封期。虽然世界顶尖的几何学家不断尝试微调，依然没有人能够战胜“方形网格不可战胜”的老旧直觉。

现在，这个看似牢不可破的权威常识，被 OpenAI 的大模型彻底撕碎了。

降维打击：通用模型如何突破人类知识盲区？

这次颠覆性的证明是由一个通用型大语言模型独立完成的。OpenAI 知名科学家 Noam Brown（曾参与开发席卷德扑界的 AI 模型）特别指出了这其中的奥妙：这个模型并非针对数学问题或者几何证明定制的专用程序，它就是一款以通用推理为核心的大模型。更妙的是，它在推理开放性问题上甚至还没有被压榨到性能红线，只是研发团队急于向公众分享这一划时代的果实。

这并非像谷歌 DeepMind 旗下 AlphaProof 那种极度垂直、高度依赖形式化数学语言的“偏科生”，它拥有极宽泛的视野。这个特质恰好在解题过程中体现得淋漓尽致。人类解决这道题时总是盯着“高斯整数”——即具备完美实数与虚数整数形式的格点，而 AI 却敏锐地捕捉到了另一个此前被几何学家冷落的交叉学科分支：代数数论。

AI 的原创构想极其飘逸：它彻底绕开了传统的几何网格思考，转而利用代数数论中极其复杂的“代数数域扩张”，重塑了高维空间到低维欧几里得平面的对称映射结构。在证明过程中，为了克服构建点集的阻碍，模型直接掏出了代数数论领域的高端工具——无限类域塔（infinite class field towers）和 Golod-Shafarevich 理论。这种令人拍案惊奇的联结，就像是从两座本不相通的大山之间架起了一座隐秘的桥梁，以一种近乎神迹的逻辑链条，完成了对经典猜想的极限拉扯。

当科幻照进现实：研究效率的疯狂跳跃

在验证了证明后，OpenAI 针对模型在不同计算资源消耗下的成功率进行了细致的测试。数据清清楚楚地显示，随着模型运算步长和思考深度的升级，其找到正确数学构造的胜率呈现出极为明显的上扬曲线。这种通过“堆砌算力”而非“重组算法”实现科学跨越的路径，让业界再一次见证了缩放定律（Scaling Law）在高级逻辑推理领域的统治力。

普林斯顿大学的 Will Sawin 教授沿着 AI 的方向继续推导，顺利算出了这一新构造的具体参数，标志着这场由人类引发、AI 破局、人类再提炼的完美学术回环正式合龙。正如曼彻斯特大学学者 Thomas Bloom 所言：“我们对离散几何的理解在这一夜之间被彻底拓宽了。这次突破深刻地暗示我们，看似毫不相关的数论构造，所能给几何学带来的启示其实无比庞大。”

走出象牙塔，这绝不是一次“数学家的自娱自乐”

许多置身事外的观察者可能会认为，纠结于几个二维平面的点对距离纯粹是象牙塔里的智力游戏。但事实上，离散几何的研究成果往往直接承接着现代通信技术、拓扑网络优化乃至数据密码学的地基。而比具体结论更容易引发行业海啸的，是 AI 所展现出来的“跨领域知识缝合力”。

在传统的科研范式中，一个纯粹钻研离散几何学者，很可能一生都不会涉足代数数论高精尖的无限类域塔领域。不同学术流派之间隔行如隔山，构成了人类科研效率的隐形天花板。然而，AI 模型的神经元网络天然具有全球化的知识视图，能够在瞬息之间横跨数个完全不同的数学分支，寻找到那根拉动全局的线头。这种“融会贯通的能力”，正是走向通用具身智能和科研自动化的最强引擎。

如果 AI 能够维持复杂抽象论证的逻辑完整性，那这就不仅仅意味着数学定理的终结。同样的逻辑推衍能力完全可以无缝复制到以下尖端领域：

• 靶向创新药研发：理解庞大复杂的生物蛋白质分子折叠规律与药物靶点空间的几何对位。
• 前沿物理与新材料合成：设计出拥有特定晶格对称性、可实现室温超导或极佳光电转化率的新型元器件空间点阵。
• 智能工程系统优化：对数以亿计的异构高精度元件进行逻辑排布与多维拓扑结构分析。

结语：无人区的探索者，人类与机器的新契约

长久以来，人们习惯于将 AI 贬低为一个高效率的“文字复读机”，或者是一个只会用穷举法做苦力的计算工具。但现在，那座由无数代天才数学家穷尽心血建立起来的、庄严古朴的“数学大教堂”深处，已经留下了来自硅基生命的足迹。AI 不仅学会了阅读教典，甚至开始动手修改那些传世的拱顶石。

这是一曲属于人类与 AI 共同谱写的新协奏曲。当人类数学家负责审视美学与判断方向，AI 用一往无前的算力与天马行空的结构串联去拓宽知识的疆界，困扰我们许久的科研效率平台期，可能正被悄然打破。我们甚至不需要等待太久，当这一代推理模型通过我们掌心的终端与我们对话，人类探索未知的旅程，或许才刚刚开启大幕。