1946年，数学家 Paul Erdős（保罗·爱尔特希）在《美国数学月刊》上发了一篇很短的文章。他在里面提了一个问题。
问题的内容我后面再细说，你先知道两件事就够了：
第一，他随手给了一个最简单的答案——像在方格纸上画个阵列一样，非常朴素。然后他猜，也许最好的情况也就这样了，不可能更好了。
第二，80 年来，没人能证明他错了，也没人能证明他完全对。
一代又一代数学家试过。有人从上面进攻——试图证明"最多只能到这个数"，卡住了。有人从下面进攻——试图构造出比 Erdős（爱尔特希）更好的答案，也卡住了。40 年前有人把上限往前推了一小步，然后就再也没有然后了。
大多数专家已经开始相信 Erdős（爱尔特希）是对的。
直到 2026 年 5 月 20 号，一个完全意料之外的求解者出现了。
不是某个数学天才，不是某个顶尖研究机构的团队，而是OpenAI（开放人工智能公司）内部的一个模型，在完全没有人类干预的情况下，独立完成了这个证明——它推翻了 Erdős（爱尔特希）的猜想，给出了一个确凿的反例：存在无穷多个 n，能构造出比 Erdős（爱尔特希）认为可能的多得多的点对。
我先说一下，这篇东西不是那种「AI 又进化了」的泛泛感慨。我把围绕这个证明的三份一手资料全都读了一遍。一份是 OpenAI（开放人工智能公司）最终发表的[证明论文](/OpenAI，Planar Point Sets with Many Unit Distances「平面点集的多个单位距离」)，18页，干净、严谨、像任何一篇顶尖数学期刊会登的东西。一份是[数学家评述](/Alon et al.，Remarks on the Disproof of the Unit Distance Conjecture「关于单位距离猜想反例的评述」)，由九位顶尖数学家联名撰写，包括 W.T. Gowers（W.T. 高尔斯）、Jacob Tsimerman（雅各布·齐默尔曼）、Melanie Matchett Wood（梅兰妮·马切特·伍德），他们消化了 AI 的证明，给出了人类视角的解读。还有一份是 123 页的 AI [思维链](/Rewritten Chain of Thought for the Solution to the Unit Distance Problem「单位距离问题求解的思维链重写版」)，记录了这个模型从被问到问题到输出完整答案之间，每一步的推理过程。
123 页。像一个数学博士生在 24 小时不眠不休地思考，把所有试过的路、撞过的墙、绕过的弯，全部写下来了。
而这篇东西真正让我坐下来的，是一个问题。AI 到底是怎么解决这个问题的？它是真正的创新，还是只是找到了前人走过的路，但前人没能坚持往下走？
一张白纸上的钉子
先说清楚问题本身。其实它特别直观，你拿张纸，拿支笔，就能理解。
纸上画 n 个点——随便你放，可以叠在一起，可以分散各处，完全不限制你——然后数一数，有多少对点之间的距离正好是 1 厘米。
问题是：给定 n 个点，你最多能制造出多少个"正好相距 1 厘米"的点对？
听起来像是个挺傻的问题对吧。拿 5 个点来说，所有人之间最多有 10 对关系，这就是上限。但难就难在几何限制——距离必须精确等于 1，你不能随便摆。
试着在纸上画两个相距 1 厘米的点，很容易。加第三个点，让三个点两两之间都是 1 厘米，那就是等边三角形，也还简单。加第四个人——你想让四个点两两之间距离都是 1 厘米，地球上做不到，因为三维空间里正四面体才做得到，平面上最多只有三条边能同时等于 1。
所以问题一下子就不好玩了。你要让一个有 n 个点的图里，让尽可能多的边"恰好是单位长度"。
Erdős（爱尔特希）在 1946 年提供了一个聪明的基本构造：在纸上用整数画一个 √n × √n 的网格，大概就是你在方格本上画个正方形阵列。然后以某个特定的长度为半径画圆——比如 5 这个整数，它可以写成 1²+2²，也可以写成 2²+1²，意味着可以用两种不同的方式构造一个"斜边等于 √5"的直角三角形——把这个网格中落在圆上的所有点挑出来，它们之间的距离恰好等于 1 的，数量相当可观，约为 n^{1+c/loglogn}（n的1+c除以loglogn次方）。
这个构造在思维链文件的开头几页里被 AI 从头到尾重新推了一遍，它一上来就先理解了这个经典方法。
这个构造做到的最好程度大概是 n^{1.1}（n的1.1次方）或 n^{1.05}（n的1.05次方）——指数比 1 大一点点但不多，而且随着 n 的增大，指数会越来越接近 1，永远不会固定在某个大于 1 的常数上。
可以这么理解：你在沙滩上堆一个城堡，每次潮水涨上来，城堡就变小一点点。Erdős（爱尔特希）的构造就像一个每次潮水都会削掉一点的沙堡——点越多，指数越趋近于 1，永远得不到一个"铁打不动"的大于 1 的指数。
Erdős（爱尔特希）猜测：任何构造都无法超越这个极限。也就是说，无论你怎么排列 n 个点，单位距离对的数量最多也就是 n 乘以一个缓慢增长的因子，永远不可能达到 n{1.01}（n的1.01次方）、n{1.05}（n的1.05次方）这种量级——那个 "o(1)"（比常数小的项）的小尾巴会无限趋近于 0，永远没法变成 "δ"（固定正数）这样的固定正数。
80 年来，最顶尖的数学家都试过。1984 年，Spencer（斯宾塞）、Szemerédi（塞迈雷迪）和 Trotter（特罗特）把上界的证明推到 O(n^{4/3}) ≈ n^{1.333}（大O记号下n的4/3次方约等于n的1.333次方），然后就再也没人能前进一步。大多数专家开始相信 Erdős（爱尔特希）是对的——因为它看起来就是对的。
直到 2025 年，一个完全意料之外的求解者出现了。
AI 的第一步，像人类一样在死胡同里打转
思维链的前几十页，读起来极其「人类」。
AI 被问到的问题非常干净。PDF里有一句完整的陈述，OpenAI（开放人工智能公司）把它拿出来的原文是，你要么证明 Erdős（爱尔特希）是对的，要么证明它是错的。
然后 AI 就开始自我对话了。
它先试了最简单的思路，能不能用图论里的 crossing lemma（交叉引理）或者 incidence bound（关联界）来突破？分析了一番觉得不行，这些方法只能到 O(n^{4/3})（大O记号下n的4/3次方）。
然后它试了超立方体构造，拿 d 个单位向量，取它们所有的子集和。这样能得到 2^d 个点，每个点跟差一个单位向量的另一个点之间距离为 1，所以有大约 d·2^{d-1} 条边。但 n = 2^d，所以边数大约是 ½n log₂n（二分之一n乘以以2为底n的对数）。这跟 Erdős（爱尔特希）构造的 n^{c/loglogn} 差远了，因为后者是指数级的增长，前者只是对数级的。
它又试了分圆域，拿单位圆上的 m 次单位根（roots of unity）做方向，构造格点。算了一下，发现单位根的数量跟域的度数之比最多是 O(loglog m)（大O记号下loglog m），还是比不上经典构造。
它试了 S-unit（S-单位），试了代数数域里的幂。
全都不行。
思维链里有一段我印象特别深。AI 在连续淘汰了好几个方案之后，写了一段自我追问
「Maybe cycles give algebraic control over directions. Along every cycle in the unit-distance graph there is a relation... A graph of average degree d contains a cycle of length O(logn/logd)... Short vanishing sums of roots of unity are highly constrained by Mann-type theorems. Unfortunately our directions are arbitrary points of the unit circle, not roots of unity...」
「也许环（cycle）能对方向（direction）施加代数控制。沿着单位距离图（unit-distance graph）中的每个环，都存在一个关系……平均度为 d 的图包含一个长度为 O(logn/logd)（大O记号下logn除以logd）的环……单位根（roots of unity）的短零和受到 Mann 型定理（曼型定理）的强约束。不幸的是，我们的方向是单位圆上的任意点，不是单位根……」
你能感受到那种卡住的感觉。它把所有能想到的几何方法试了一遍，图论、加法组合（additive combinatorics）、代数方法，全部撞墙。就像一个研究生坐在书桌前，草稿纸丢了一地。
然后它转了个方向。
「Number fields deserve a closer look.」（「数域值得更仔细地看一看。」）
思维链进入了第 6 页。AI 之前一直在讨论代数数域（algebraic number fields），觉得把问题代数化可能有用，但很快又意识到通常的代数化只会让问题更复杂，因为代数数域的度数和高度会大得惊人。
然后我看到了这句话
也许那个巨大的度数不只是一个麻烦，而是一种可能反例的来源。数域值得更仔细地看一看。
坦率的讲，我读到这句话的时候，是真的愣了一下的。
这不是「计算出来的最优解」。这是一个定性的判断，AI 意识到，通常被视为麻烦的高维代数数域，反过来可能正是解决问题的关键。这个反直觉的视角转换，是整个证明的起点。
在证明论文里，[这种方法被正式写成了 Section 2 和 Section 3（第2节和第3节）](/Proof Paper, Sec. 2-3证明论文第2-3节)。用一个无穷塔构造一系列 CM 域（CM fields，虚二次域的全实域全虚扩张）Kⱼ = Lⱼ(i)，让它们的度数趋于无穷，但同时保持有界根判别式（root discriminant，根判别式）。然后再找一组固定的有理素数，让它们在所有这些域里完全分裂（completely split）。利用这些分裂素数（split primes），通过鸽笼原理（pigeonhole principle）构造大量模长为 1 的代数数（algebraic numbers），再用 Minkowski 嵌入（Minkowski embedding，闵可夫斯基嵌入）把它们映射到高维复空间，切一个窗口，投影到第一个复坐标，就得到了平面上的点集。
这一步是整篇论文的技术核心。也是 AI 真正找到突破口的地方。
但等等，这些工具都不是 AI 发明的
就在你可能觉得「AI 好牛逼，AI 发明了全新数学」的时候
我读到[九位数学家的评述](/Alon et al., Remarks on the Disproof「关于该反例的评述」)。
他们说的话让我冷静下来了。
几乎每一个关键步骤，人类数学家都已经发明过了。
核心工具一，用分裂素数（split primes）的鸽笼法（pigeonhole principle）构造大量 norm-one（范数为1）元素。Lemma 2.2（引理2.2）里的那个选择一组理想对、用类数（class number）做鸽笼的论证，这篇评述的 Lemma 2.2（引理2.2）和证明论文的 Proposition 2.2（命题2.2）是同一个东西。而评述里写得很清楚，这个方法来自 Ellenberg（埃伦伯格）和 Venkatesh（文卡泰什）2000 年代的工作，用于 ℓ-torsion（ℓ-挠）的类群（class group）界。
你可以在评述的 p.3 看到这句话：「Ellenberg and Venkatesh famously used small split primes to bound the ℓ-torsion in the class group... at this level of description that is similar to the strategy used here in Lemma 2.2.」
「埃伦伯格和文卡泰什曾用小的分裂素数来界类群中的 ℓ-挠，在这个描述层次上，这与引理2.2中使用的策略是相似的。」
核心工具二，Golod-Shafarevich（戈洛德-沙法列维奇）无穷塔理论。证明中最关键的一步，构造无穷多层、每层都有界判别式的域塔，依赖的是 Golod（戈洛德）和 Shafarevich（沙法列维奇）在 1964 年证明的定理，如果一个 pro-p 群（pro-p群，一种p进射有限群）的生成元数 d 和关系数 r 满足 r ≤ d²/4（关系数小于等于生成元数的平方除以4），那么这个群是无限的。这个 1964 年的结果，是 AI 的构造能够无限延续而不是在某一层停下来的根本保证。
（证明论文的 Section 3（第3节）使用了这个定理，Appendix A（附录A）有完整的引用链：GS64, GS65, Koch02, Chapter 11（参考文献GS64、GS65、Koch02第11章）。）
核心工具三，Frobenius（弗罗贝尼乌斯）切除技术（cutting technique）。这个技术用于在保持塔无限的前提下，让选定的素数的 Frobenius 类（Frobenius class，弗罗贝尼乌斯类）变成平凡的。评述的 p.4 明确指出，AI 用的是 Hajir-Maire-Ramakrishna（哈吉尔-迈尔-拉马克里什纳）在 2021 年发展的方法，选择 Frobenius 类落在 Frattini 子群（Frattini subgroup，弗拉蒂尼子群）里的素数，把它们作为新关系加入，利用 Golod-Shafarevich（戈洛德-沙法列维奇）不等式保证商群（quotient group）仍然是无限的。
[证明论文的 Remark 3.1（注记3.1）](/Proof Paper, p.10证明论文第10页) 自己都承认了：「The class-field-theoretic construction is a specialization of the Hajir-Maire method for building T-split S-ramified p-towers... The Frobenius-killing step below is the same tower-cutting mechanism developed further by Hajir, Maire, and Ramakrishna.」
「这个类域论构造是 Hajir-Maire（哈吉尔-迈尔）方法的一个特化，用于构造 T-分裂 S-分歧 p-塔……下面的 Frobenius 消去步骤就是被 Hajir（哈吉尔）、Maire（迈尔）和 Ramakrishna（拉马克里什纳）进一步发展的同一个塔切除机制。」
所以，构成 AI 这个证明的每一个关键模块，全都是人类数学家发明的。
Golod（戈洛德）和 Shafarevich（沙法列维奇）1964 年在一篇俄语论文里发表的理论，Ellenberg（埃伦伯格）和 Venkatesh（文卡泰什）2000 年代初为另一个问题设计的方法，Hajir（哈吉尔）、Maire（迈尔）和 Ramakrishna（拉马克里什纳）2021 年才发表的塔切除技术，没有一个是从零开始的。
那 AI 到底做了什么？
组合本身就是突破
我觉得这是整件事最值得想清楚的地方。
人类发明了所有这些工具，但没有人把它们组合起来解决这个具体问题。这听起来像一句废话，但深想一层你会发现，「组合」本身就是一种非平凡的智力劳动。
这三个工具，分裂素数鸽笼法（split primes pigeonhole method）、GS 无穷塔（Golod-Shafarevich 无穷塔）、Frobenius 切除（弗罗贝尼乌斯切除），分别来自三个完全不同的数学子领域：解析数论（analytic number theory）、群论（group theory）、类域论（class field theory）。它们发表的时间跨度超过 60 年，动机完全不同。Ellenberg-Venkatesh（埃伦伯格-文卡泰什）用那个鸽笼法是为了 ℓ-torsion 类群界（ℓ-挠类群界），跟平面几何毫无关系。Golod-Shafarevich（戈洛德-沙法列维奇）发明无穷塔理论是为了解决类域塔问题（class field tower problem），眼睛都没瞟过单位距离。Hajir-Maire-Ramakrishna（哈吉尔-迈尔-拉马克里什纳）的切除技术更是高度专门化的类域论构造。
把这些东西串起来，意识到「我需要一个无穷塔来保持判别式有界」，进而想到「Golod-Shafarevich（戈洛德-沙法列维奇）定理可以给我这个塔」，进而想到「但光有塔还不够，我需要固定的分裂素数来给鸽笼法提供素材」，进而想到「可以用 Frobenius 切除（弗罗贝尼乌斯切除）来固定这些素数」——这个推理链条涉及的知识跨度，已经远超任何单个数学家（甚至任何单个数学子学科）通常能达到的范围。
而这正是 AI 比人类做得好的地方。
人类数学家，尤其是一流的数学家，很擅长深挖一个方向。但你让一个代数数论（algebraic number theory）专家去读离散几何（discrete geometry）的文献，或者让一个组合几何学家去啃 Golod-Shafarevich（戈洛德-沙法列维奇）定理的证明——不是不可能，但成本极高，而且大概率不会发生在同一个人身上。
AI 没有这个限制。它的思维链显示，它可以在一小时内从超立方体构造（hypercube construction）跳到分圆域（cyclotomic fields）、从 S-unit（S-单位）跳到 CM 域（虚二次域的全实域全虚扩张）、从几何跳到数论再跳回来。跨领域的知识调用对它来说是零成本的。
读思维链时一个让我不安的细节
写到这儿我得说，这种感觉不完全让人舒服。
思维链里有一段，AI 试了试分圆域构造之后觉得不行。它在笔记里写过：「Roots of unity are a natural test... but m/phi(m) is at most of order loglogm. So roots of unity do not beat the Gaussian divisor construction.」
「单位根是一个自然的测试……但 m 除以 φ(m) 最多是 loglogm 的量级。所以单位根无法击败高斯除数构造。」
然后它换了思路，开始试 CM 域（虚二次域的全实域全虚扩张）和单位圆上的代数整数。
这个跳跃放在「AI 思考过程」的语境里，看起来只是一个思路切换。但如果你了解数学史，你会发现，这两个步骤之间，隔着的恰好是 80 年来人类数学家对单位距离问题的大部分探索。人类花了 80 年走完了 AI 在几十页思维链里就走完的路。
不是 AI 走了什么人类没走过的路。是 AI 把人类花了 80 年走的所有路，在极短的时间内全部重走了一遍，并且走到了更远的地方。
这个更远，不是说它发现了什么人类完全不知道的新定理。而是说它把三个分别被人类发明、但从未被放在一起用的工具，组合成了一个能解决具体问题的完整构造。
数学家评述里有一段话我觉得是最公允的判断，给你直接引过来。证明论文的[Statement on AI Use（关于AI使用的声明）](/Proof Paper, p.2证明论文第2页) 是这样描述的
「这个问题是以完全自动化的方式解决的。我们的内部模型收到了由 AI 编写的问题陈述，其输出被送入一个 AI 评分管道，该管道表明该解决方案具有很高的置信度。直到这之后，内部的人类研究人员和数学家才开始仔细审查这个解决方案。」
而九位数学家的评述，我再说一次，这是 W.T. Gowers（W.T. 高尔斯）、Jacob Tsimerman（雅各布·齐默尔曼）、Melanie Matchett Wood（梅兰妮·马切特·伍德）这些人，他们在 Abstract（摘要）里写下的判断是
「The argument relies crucially on ideas that may, at least in retrospect, be attributed to Ellenberg-Venkatesh, Golod-Shafarevich, and Hajir-Maire-Ramakrishna.」
「这个论证关键性地依赖于一些想法，这些想法至少事后看来，可以归功于埃伦伯格-文卡泰什、戈洛德-沙法列维奇和哈吉尔-迈尔-拉马克里什纳。」
「至少事后看来。」这句话说得太精确了。
这些工具事后看，都是人类发明的。但 AI 是第一个把它们组合在一起、并且实际解决了一个 80 年未解问题的人。
最后的构造长什么样
如果你还好奇最终的构造长什么样，我觉得最有意思的是它的非构造性（non-constructive，非构造性的）。
在证明论文的 Section 2（第2节，Planar Point Sets from Number Fields「来自数域的平面点集」），AI 展示了一个非常漂亮的几何论证。给定一个 CM 域（虚二次域的全实域全虚扩张），利用分裂素数（split primes）构造大量模长为 1 的代数数 U，然后把这些数放到 Minkowski 嵌入（Minkowski embedding，闵可夫斯基嵌入）的格子里，找一个合适的平移 coset（陪集），切一个半径为 R 的多圆柱窗口，然后投影到第一个复坐标。
[Lemma 2.4（引理2.4）](/Proof Paper, p.8证明论文第8页) 用了一个平均论证，对整个 torus（环面）做 Haar 测度（哈尔测度）平均，证明存在一个 coset（陪集）使得有序方向的计数足够大。Lemma 2.5（引理2.5）证明投影到第一个复坐标是单射（injective）。Lemma 2.6（引理2.6）用 packing 论证（包装论证）给出了点数的上界。
最后得到的结果是，对于无穷多个 n，存在 n 个平面点，它们之间有至少 n^{1+δ}（n的1+δ次方）个单位距离对。δ 是固定的正数，由参数 γ/4B 确定，其中 γ = tlog2 - logH，B = 2log(4RD)。
从证明论文的[Theorem 2.3（定理2.3）](/Proof Paper, p.9证明论文第9页) 到 Theorem 1.1（定理1.1）只需要一步
Set δ = γ/(4B) > 0. Since nⱼ → ∞, the factor 1/2 is absorbed for all sufficiently large j, and ν(Pⱼ) ≥ nⱼ^{1+δ}. （令 δ = γ/(4B) > 0。由于 nⱼ 趋于无穷，对于所有足够大的 j，因子1/2被吸收，且 ν(Pⱼ) ≥ nⱼ^{1+δ}。）
简洁得让人嫉妒。
所以
回到最开头那个问题，AI 到底是不是创新？
我觉得答案比「是」或「不是」都要复杂一点，但也更有意思一点。
AI 没有发明任何一个新工具。你在证明论文里找不到任何一个以前不存在的定理。Golod-Shafarevich（戈洛德-沙法列维奇）是 1964 年的，Ellenberg-Venkatesh（埃伦伯格-文卡泰什）方法是我读博士之前就有的，Hajir-Maire-Ramakrishna（哈吉尔-迈尔-拉马克里什纳）是 2021 年发表的，但没有人把它们以这个方式组合在一起。
所以人类数学家其实一直站在这个答案的门口。所有需要的工具都已经存在了。缺口只是一个跨领域的组合。而这个缺口，恰恰是传统数学研究中最难跨越的部分，因为学科越分越细，一个人同时精通 Golod-Shafarevich（戈洛德-沙法列维奇）理论和离散几何（discrete geometry）的概率太低了。
所以如果你现在问我，AI 做数学证明这件事是好事还是坏事？
我自己的感受是，它既没有想象中那么「威胁人类」，也没有想象中那么「只是工具」。它卡在一个中间地带，AI 最擅长的事情，不是取代人类的创造力，而是消除「跨领域盲区」这个制约人类数学研究的天花板。
而这本身可能就已经足够改变很多东西了。
因为那个 80 年都没人能横跨的盲区，现在被一个从不睡觉、从不偏科、会把所有死胡同都走一遍的东西，给跨过去了。
你敢信？？？
感谢阅读。点个关注，不迷路，我们后续会持续跟大模型领域的前沿技术动态，第一时间为你解读。
主要参考来源
OpenAI. 「Planar Point Sets with Many Unit Distances」（「平面点集的多个单位距离」） 2025. （证明论文，18页）
Alon, N., Bloom, T.F., Gowers, W.T., Litt, D., Sawin, W., Shankar, A., Tsimerman, J., Wang, V., Wood, M.M. 「Remarks on the Disproof of the Unit Distance Conjecture」（「关于单位距离猜想反例的评述」） 2025. （数学家评述，19页）
OpenAI Internal Model. 「Rewritten Chain of Thought for the Solution to the Unit Distance Problem」（「单位距离问题求解的思维链重写版」） 2025. （AI 思维链，123页）
Erdős, P. 「On sets of distances of n points」（「关于n个点的距离集」） American Mathematical Monthly, 53(5):248-250, 1946.
Spencer, J., Szemerédi, E., Trotter, W.T. 「Unit distances in the Euclidean plane」（「欧几里得平面中的单位距离」） Graph Theory and Combinatorics, 293-303, 1984.
Golod, E.S., Shafarevich, I.R. 「On the class field tower」（「关于类域塔」） Izv. Akad. Nauk SSSR Ser. Mat., 28(2):261-272, 1964.
Hajir, F., Maire, C., Ramakrishna, R. 「Cutting towers of number fields」（「切割数域塔」） Annales Mathématiques du Québec, 45(2):321-345, 2021.
