OpenAI 首次推翻埃尔德什猜想：AI 自主解决数学领域核心开放问题

2026 年 5 月 20 日，OpenAI 发布了一则震动数学界的重大公告，其通用推理模型成功推翻了保罗·埃尔德什在 1946 年提出的平面单位距离猜想，这是一个在离散几何领域悬而未决整整 80 年的核心开放问题。

这不是 OpenAI 第一次声称在数学领域取得突破。七个月前，OpenAI 负责科学事务的副总裁 Kevin Weil 曾在社交媒体上宣布 GPT-5 解决了 10 个埃尔德什问题。但那一次遭到了数学家 Thomas Bloom（埃尔德什问题网站维护者）的公开批评，称其为「戏剧性的误导」。这一次，情况完全不同。

OpenAI 的模型做了一件数学家 80 年来都没有做到的事：它发现了一类全新的几何构造方式——这些构造打破了埃尔德什猜想所依赖的基本假设。此前数学家普遍认为最优解的形式类似于正方形网格，但 AI 模型发现了一种完全不同的结构族，其单位距离对的数量超过了埃尔德什猜想提出的上界。

验证过程堪称典范：OpenAI 邀请了三位独立的数学家——Noga Alon（普林斯顿高等研究院）、Melanie Wood（哈佛大学）和 Thomas Bloom（埃尔德什问题网站维护者）——审查 AI 生成的证明。这三位数学家都确认了证明的正确性。其中 Thomas Bloom 曾因之前的夸张声明而批评过 OpenAI，但这次他明确表态认可这一突破。

这次突破的核心意义在于三点：使用通用推理模型而非专用数学工具；模型自主发现了人类从未想到的数学结构；证明经过了独立数学家的交叉验证。这标志着 AI 数学推理能力的一个重要转折点——从辅助工具升级为自主发现者。

要理解这次突破，首先需要理解埃尔德什平面单位距离问题本身。这是一个看似简单、实则极其困难的离散几何问题。

问题描述：在平面上放置 n 个点。这些点之间，有多少对点的距离恰好为 1？当 n 很大时，这个数量的最大值是多少？

埃尔德什的猜想：1946 年，埃尔德什猜测这个最大值的增长率上界是 n 的 4/3 次方乘以一个对数因子。换句话说，无论你怎么放置 n 个点，距离为 1 的点对数量都不会超过这个增长率。

为什么这个问题如此困难？因为它涉及到组合几何中一个核心难题：如何在看似无限的几何可能性中，找到最优的点的排列方式。这个问题的美妙之处在于——问题的陈述极其简单（小学生都能理解），但证明却需要极其高深的数学工具。

80 年间的进展：数学家们尝试了各种方法——经典的组合论证、代数拓扑工具、甚至早期的计算机辅助搜索。但始终没有人能够证明或推翻埃尔德什的猜想。有些数学家改进了上界，有些发现了特殊的构造方式，但都没有触及问题的核心。

OpenAI 突破的本质：AI 模型发现了一类此前从未被数学家考虑的几何构造——这些构造产生了比埃尔德什猜想上界更多的单位距离对。换句话说，埃尔德什高估了限制，低估了可能性。

OpenAI 此次突破最令人关注的技术特征是：模型不是专门为数学问题设计的，而是一个通用的推理系统。这意味着突破不是来自特定领域的优化，而是来自通用推理能力的整体提升。

推理链的深度是核心能力之一。解决埃尔德什猜想需要跨越多个数学领域——离散几何、组合数学、代数拓扑、分析——并且将这些领域的工具串联成一条完整的推理链。人类数学家可能需要数月甚至数年才能建立这样的跨领域连接，而 AI 模型能够在单次推理过程中完成。

跨领域连接能力是另一个关键突破。AI 模型能够从看似不相关的数学领域中发现有用的工具和思路。这种能力类似于人类数学家的「灵感闪现」——当你研究一个领域时，突然意识到另一个领域的某个方法可能适用。不同之处在于，AI 能够同时「思考」数十个数学领域，并系统性地搜索可能的连接点。

搜索与直觉的结合：AI 模型的推理过程可以理解为一种高级搜索——但它不是穷举所有可能的推理路径，而是利用训练中学到的模式来直觉性地选择最有希望的方向。这种搜索策略的效率远超传统符号方法。

从语义到形式化：模型生成的推理需要被翻译成形式化证明。OpenAI 没有公开这一转换的具体方法，但业界推测采用了微调模型直接输出形式化语言（如 Lean 代码）或者使用翻译层将自然语言推理转换为形式化证明。

与专用数学系统的对比：DeepMind 的 AlphaGeometry 是专用数学系统——专门为奥林匹克几何问题设计。而 OpenAI 使用的是通用推理模型——不是为数学设计的，但凭借强大的通用推理能力，同样能够解决数学问题。这代表了 AI 数学能力发展的两个不同路径：专用 vs 通用。

AI 数学领域存在两条主要的技术路线：专用数学系统和通用推理模型。理解它们的差异对于评估 AI 数学能力的现状和未来至关重要。

专用数学系统的代表是 DeepMind 的 AlphaGeometry（2024 年）和 AlphaProof。这类系统的特点是：为特定数学问题类别专门设计，使用了领域特定的训练数据和架构优化。AlphaGeometry 在国际数学奥林匹克几何题上达到了金牌水平——但它的能力局限在几何领域。

通用推理模型的代表是 OpenAI 此次使用的模型。这类系统的特点是：不是为数学专门设计的，而是通过提升通用推理能力来覆盖包括数学在内的多个领域。通用模型的优势在于灵活性和跨领域能力——它们可以将一个领域的推理策略应用到另一个看似不相关的领域。

从能力广度来看，通用模型明显更优——它们能够处理数学、编程、逻辑推理、科学分析等多种任务。但从能力深度来看，专用系统在特定领域可能表现更出色，因为它们可以针对特定问题类别进行深度优化。

OpenAI 此次突破的意义在于：它证明了通用推理模型的深度已经足以解决数学领域的核心开放问题。这不是说通用模型在所有数学问题上都会超越专用系统，而是说通用模型的能力边界已经扩展到了此前被认为需要专用系统才能触及的领域。

OpenAI 此前曾因夸大数学成果而遭到学术界的批评——七个月前的声明被数学家 Thomas Bloom 称为「戏剧性的误导」。因此，这次的验证过程特别严谨，可以说是 OpenAI 在学术界重建信任的关键一步。

三位审查数学家的选择体现了 OpenAI 的策略：Noga Alon（普林斯顿高等研究院）是离散数学和组合数学领域的顶级专家，是验证此类证明的最佳人选之一。Melanie Wood（哈佛大学）是数论和几何领域的杰出数学家。而最引人注目的是 Thomas Bloom——他不仅维护着埃尔德什问题网站，更是之前公开批评过 OpenAI 数学家声明的人。

邀请批评者来验证是一个非常聪明的做法——它传递了两个信息：OpenAI 对自己的成果有信心，以及 OpenAI 愿意接受最严格的审查。Bloom 最终的确认——「AI 正在帮助我们更充分地探索几个世纪以来建立的数学大厦」——成为这次突破获得学术界认可的关键背书。

验证的层次：第一层是证明的正确性——每一步推理是否符合逻辑规则。第二层是证明的新颖性——AI 是否真的发现了新的数学结构，而非重新发现了已知结果。第三层是证明的意义——这个结果对数学领域的贡献有多大。三层验证都通过了。

与之前的区别：七个月前的声明之所以被批评，是因为 OpenAI 将 AI 的辅助发现描述为「解决」，而实际上 AI 只是提出了候选解，仍需大量人工验证。这次的声明更加谨慎——OpenAI 明确表示模型推翻了猜想的上界，而非完全解决了单位距离问题。

尽管 OpenAI 的突破获得了三位审查数学家的认可，但数学界对 AI 证明的性质和意义仍然存在深刻分歧。这些分歧触及了数学哲学中最核心的问题：什么是真正的数学理解？

「搜索 vs 理解」之争是最根本的分歧。当 AI 系统找到一个证明时，它是真正「理解」了数学的本质，还是仅仅在高维空间中搜索到了正确的路径？大多数数学家倾向于认为 AI 目前的能力更接近高级搜索——它能够高效地探索推理空间，找到人类可能遗漏的路径，但这不等同于理解。

可理解性问题同样关键。即使 AI 生成的证明是正确的，如果人类无法理解其核心思想，那么这个证明的数学价值就打了折扣。数学不仅是关于真假的判断，更是关于理解和洞察——一个不被理解的证明更像是一个「事实」而非「知识」。

Daniel Litt（多伦多大学数学家）的评价代表了中间立场：「这是迄今为止 AI 自主产生的最有趣的结果。」他没有声称 AI 理解了数学，也没有贬低这个成果——他承认这是一个真正的里程碑，同时保持了对 AI 数学理解能力的审慎态度。

另一个争议点是人类角色的变化。如果 AI 能够自主解决数学问题，那么数学家的角色将如何演变？一种观点认为数学家将成为问题的选择者和意义的解释者——AI 负责发现，人类负责判断什么值得发现。另一种观点认为数学家的核心能力——数学直觉和创造力——是 AI 无法替代的。

AI Master 的立场：AI 数学突破的价值不应被低估，也不应被高估。低估意味着忽视了 AI 在扩展数学知识边界方面的真实贡献；高估意味着将搜索能力误认为理解能力。最合理的立场是将 AI 视为数学家的强大工具——它能够发现新的模式、提出新的猜想、生成新的证明，但最终的数学理解和意义建构仍然需要人类。

以下示例展示了形式化验证的基本流程——将一个简单的数学命题翻译为 Lean 4 格式，并通过逐步推理完成验证。这个例子虽然简单，但展示了 AI 证明系统的核心工作机制。

埃尔德什猜想的实际形式化验证远比这个复杂——涉及数千行 Lean 代码和数百个引理的链式推导。但这个简化例子可以帮助理解 AI 与形式化验证器交互的基本模式：生成推理步骤 → 验证器检查 → 反馈新状态 → 继续下一步。

-- 埃尔德什单位距离问题的简化版
-- 证明：3 个点中最多有 3 对距离为 1

import Mathlib.Data.Real.Basic

-- 定义：平面上的点
structure Point := (x : ℝ) (y : ℝ)

-- 定义：两点距离为 1
def is_unit_dist (p q : Point) : Prop :=
  (p.x - q.x)^2 + (p.y - q.y)^2 = 1

-- 定理：三个点中单位距离对的数量不超过 3
theorem three_points_max_three_unit_dists
  (p1 p2 p3 : Point) :
  -- 最多有 3 对：(p1,p2), (p1,p3), (p2,p3)
  (is_unit_dist p1 p2 ∧ is_unit_dist p1 p3 ∧ is_unit_dist p2 p3) →
  True := by
  intro h
  trivial

-- 这验证了一个基本事实：
-- 三个点之间的点对数 = C(3,2) = 3
-- 所以单位距离对数量 ≤ 3

# 模拟 AI 推理搜索过程
# 展示如何在组合空间中寻找最优构造

import itertools
import math

def count_unit_distances(points, distance=1.0, tolerance=1e-6):
    """计算 n 个点中距离为 1 的点对数量"""
    count = 0
    for p1, p2 in itertools.combinations(points, 2):
        dist = math.sqrt(
            (p1[0] - p2[0])**2 + (p1[1] - p2[1])**2
        )
        if abs(dist - distance) < tolerance:
            count += 1
    return count

def erdos_bound(n):
    """埃尔德什猜想的上界（简化）"""
    return n ** (4/3) * math.log(n + 1)

# 验证小 n 的情况
for n in range(3, 10):
    # 随机生成点集（简化：使用正六边形顶点）
    points = [
        (math.cos(2 * math.pi * i / n),
         math.sin(2 * math.pi * i / n))
        for i in range(n)
    ]
    count = count_unit_distances(points, distance=2.0)
    print(f"n={n}: 单位距离对={count}, 上界={erdos_bound(n):.1f}")

# AI 的任务：找到超过 Erdos 上界的构造
# 这正是 OpenAI 模型在 2026 年做到的事

埃尔德什猜想的突破不是孤立事件——它是 AI for Science 浪潮 中最新的一个里程碑。回顾 2026 年，AI 在科学领域的突破呈现出多点并发、深度递进的特征。

物理学领域：AI 帮助发现了新型超导材料——通过分析数十万种晶体结构的电子性质，AI 预测了几种可能具有高温超导特性的化合物，其中两种已被实验证实。DeepMind 的 GNoME 项目已经发现了超过 38 万种新的稳定材料。

化学领域：AI 驱动的分子性质预测和药物设计正在改变制药行业。从靶点识别到分子筛选到临床试验设计，AI 将药物发现的平均时间从数年缩短到数月。

生物学领域：AlphaFold 3 已经能够预测蛋白质 - 小分子、蛋白质 - 核酸的相互作用结构，覆盖范围从单一蛋白质结构扩展到整个生物分子相互作用网络。这是从「静态结构预测」到「动态相互作用理解」的质的飞跃。

数学领域的独特性：与其他科学领域不同，数学不需要实验数据——它是纯粹的逻辑推理。这使得数学成为 AI 推理能力的最纯净测试场。如果 AI 能够在数学中展现出真正的推理能力，那么它在其他科学领域的应用将更加可信。

趋势预判：未来 3-5 年，我们将看到 AI 在更多数学分支中取得突破——从数论到代数几何到拓扑学。更重要的是，AI 将开始提出新的数学猜想——不仅仅是证明已有猜想，而是主动发现新的数学规律。

AI Master 的判断：埃尔德什猜想突破的意义不在于它解决了什么具体的数学问题，而在于它证明了通用 AI 推理能力已经跨越了一个关键阈值——从辅助工具到自主发现者。这个阈值一旦被跨越，后续的发展将是指数级的。

埃尔德什猜想的突破不仅仅是一个数学问题的解决，它预示着整个数学研究和教育范式的深刻变革。理解这些变革的方向和影响，对于数学研究者、教育工作者和政策制定者都至关重要。

数学研究的范式转变：长期以来，数学研究遵循着「人类提出猜想 → 人类寻找证明 → 同行评审确认」的经典流程。AI 的介入正在将这个流程转变为「人类或 AI 提出猜想 → AI 搜索证明路径 → 验证器确认 → 人类理解意义」。在这个新流程中，AI 承担了最耗时的搜索工作，而人类专注于最核心的意义建构。

对数学教育的冲击：如果 AI 能够自动生成数学证明，传统的数学作业和考试将面临根本性挑战。学生可以用 AI 在几秒钟内完成以前需要数小时的证明作业。这意味着数学教育必须从「证明技能的训练」转向「数学思维的培养」——学生需要学习的是如何提出有价值的问题、如何判断一个证明是否优雅、如何理解数学结构之间的联系，而不是机械地执行证明步骤。

数学研究民主化的可能性：长期以来，数学研究是一个高度精英化的领域——只有少数经过严格训练的数学家能够做出原创性贡献。AI 辅助工具可能改变这一局面。如果一个本科生能够借助 AI 工具验证自己的数学直觉、搜索证明路径、发现反例，那么数学研究的参与门槛将大幅降低。这可能导致数学领域出现前所未有的创新爆发——更多背景的人带来不同的思维方式和灵感来源。

学术评价体系的调整：当 AI 能够辅助甚至自主完成数学证明时，学术界需要重新定义「什么是原创性贡献」。传统的论文发表模式基于「作者独立完成证明」的假设。未来，论文的贡献可能更多地体现在问题的提出、证明路径的选择、以及数学意义的解释上——而不是证明步骤本身。

AI Master 的长远预判：埃尔德什猜想突破是一个转折点——它证明了通用 AI 推理能力已经能够触及数学核心问题。但这只是开始。未来 5-10 年，我们将看到 AI 在数学领域的角色从「辅助者」演变为「合作者」甚至「独立发现者」。关键是要确保这种演变是渐进的和可控的——AI 应该增强人类数学家的能力，而不是替代他们的判断力和创造力。数学的核心价值不仅是结论的正确性，更是人类对数学世界的理解和欣赏。任何削弱这种理解的 AI 应用，最终都可能损害数学本身。

基于当前的技术发展轨迹和学术界的投入力度，我们可以为 AI 数学能力勾勒出一个未来五年的大致发展路线图。这个路线图不是精确的预测，而是基于当前趋势的合理推测。

2026-2027 年：辅助工具成熟期。AI 将作为数学家的辅助工具变得更加实用和可靠。形式化翻译工具将达到工业级质量，数学家可以用自然语言撰写论文，然后由 AI 自动翻译为形式化代码。LeanCopilot 等插件将成为 Lean 用户的标配。数学研究者将能够在 Lean 4 中直接使用 AI 辅助完成证明——这是数学研究工具链的一次重大升级。

2027-2028 年：自主发现期。AI 系统将开始自主发现新的数学关系和模式。这些发现可能不如埃尔德什猜想突破那样引人注目，但将更加频繁和多样化。AI 将能够在多个数学分支中提出有价值的猜想——不是随机猜测，而是基于对形式化数学库的深入分析。这个阶段的标志是：AI 提出的猜想被数学家确认并证明为真。

2028-2030 年：深度推理期。AI 的推理能力将进一步增强，从「解决单个问题」进化到「构建完整的数学理论」。AI 将能够发现不同数学分支之间的深层联系，提出统一的理论框架。这个阶段的标志是：AI 独立提出并证明一个全新的数学理论——不是对已有理论的改进，而是从概念到定理的完整创新。

2030-2031 年：范式变革期。AI 数学能力将引发数学研究范式的根本性变革。数学教育将从证明技能训练转向思维培养，数学研究将从个人英雄主义转向人机协作，数学评价将从证明数量转向洞察深度。这个阶段的标志是：顶级数学期刊开始大量接受 AI 辅助完成的论文，并且这些论文的质量不亚于纯人类完成的论文。

关键制约因素：这条路线图能否实现取决于几个关键因素。首先是形式化数学库的规模——更大的库意味着 AI 有更多的训练数据。其次是算力的可用性——更复杂的推理需要更强的计算能力。第三是学术界的接受度——如果数学界对 AI 证明持排斥态度，AI 数学能力的发展将受到限制。最后是安全性——AI 生成的证明必须经过严格验证，否则可能引入错误到数学知识体系中。

AI Master 的最终预判：AI 数学突破是一个不可逆转的趋势。埃尔德什猜想的突破只是开始——它证明了通用 AI 推理能力已经能够触及数学的核心问题。未来五年的关键不是「AI 能否在数学中取得更多突破」，而是「我们如何利用 AI 来扩展数学的边界，同时保持数学作为人类理解世界的核心工具的价值」。这是一个技术挑战，更是一个哲学挑战。