5 月 20 日，OpenAI 宣布其内部推理模型独立证伪了 Paul Erdős（保罗·埃尔德什）1946 年提出的单位距离猜想（Unit Distance Conjecture）。这个困扰数学家 80 年的离散几何问题，被一个通用 AI 模型用代数数论的方法解决了。
菲尔兹奖得主 Tim Gowers 在配套论文中称之为”AI 数学的里程碑”。普林斯顿数论学家 Arul Shankar 的评价更直接：”AI has gone beyond being mere assistants to human mathematicians and generating and executing original ideas”（AI 已经超越了人类数学家的助手角色，能够自主生成并执行原创想法）。
这不是 AI 帮人类做计算。这是 AI 自己想出了一个人类没想到的方法。
这个猜想到底说了什么
问题本身很简单：在平面上放 n 个点，最多能有多少对点之间的距离恰好等于 1？
Erdős 在 1946 年给出了一个基于方格网格的构造，得到的单位距离对数量大约是 n 的 1+C/loglog(n) 次方。由于 loglog(n) 增长极慢，数学家们普遍猜测：单位距离对的数量不会以固定速率超过 n——也就是说，指数部分最终会趋近于 0。
80 年来没人能打破这个上界。直到上周。
AI 做了什么
OpenAI 的模型构造了一类新的点配置，证明对无穷多个 n，单位距离对的数量至少是 n 的 1+δ 次方（δ 是一个固定的正数）。这直接推翻了”指数趋近于 0″的猜想。
关键在于方法：传统构造用的是高斯整数（Gaussian integers，形如 a+bi 的复数），AI 模型用了更复杂的代数数域（algebraic number fields），挖掘出更丰富的对称性。它还用到了 Golod-Shafarevich 理论来证明所需的无穷类域塔（infinite class field towers）确实存在。
这些工具来自代数数论，不是几何学家的常规武器库。AI 做了一件人类专家没有优先考虑的事：把两个看似无关的数学领域连接起来。
普林斯顿数学家 Will Sawin 后来改进了这个证明，把 δ 的具体值确定为 0.014。
为什么这件事重要
不是因为这个猜想本身有多大的应用价值。而是因为它证明了一件事：AI 能够独立产生原创的数学思想。
之前 AI 在数学领域的角色一直是”助手”——帮人类验证证明、搜索反例、做符号计算。这次不一样。模型是在没有人类指导的情况下，自主选择了代数数论作为攻击路径，自主构造了反例，自主完成了证明。
普林斯顿组合数学家 Noga Alon 说，单位距离问题是 Erdős 最喜爱的问题之一，这个结果是”解决长期未解问题的杰出成就”。
对普通人意味着什么
如果 AI 能在纯数学领域做出原创发现，那它在工程、医学、材料科学等应用领域的潜力就更不用说了。这些领域的问题通常比纯数学更”脏”——约束更多、数据更杂、边界更模糊——但也意味着 AI 的跨领域连接能力有更大的发挥空间。
对于开发者来说，OpenAI 的推理模型（reasoning models）正在变得越来越强。如果你在做任何需要复杂推理的应用——代码审查、架构设计、数据分析——这些模型的能力提升直接影响你的工作质量。
我自己测试推理类任务时用的是 aifuel.cc，上面 GPT-5 系列和 GPT-4o 都能调，还有 DeepSeek 的推理模型可以对比。如果想白嫖那些满血模型，就去某鱼找一个稳定的中转站，像我在用的这个 aifuel.cc，刚注册时送了 100 刀的额度，办完新手任务再送 50，加上每日签到领的额度，满打满算日常使用完全够了。
冷思考
不过也别太兴奋。这个证明是 OpenAI 内部模型做的，不是公开可用的 GPT-4o 或 o3。OpenAI 没有公布具体是哪个模型，只说是”通用推理模型”。这意味着普通用户暂时还用不到这个级别的推理能力。
另外，数学证明是可以被严格验证的——要么对要么错。但现实世界的大多数问题没有这种清晰的判定标准。AI 在数学上的突破不能直接等同于它在所有领域都可靠。
但方向是清晰的：AI 正在从”工具”变成”研究者”。这个转变的速度，可能比大多数人预期的要快。
下一篇聊聊 AI 编程工具四强（Claude Code / Cursor / Copilot / Codex）的实际使用体验和组合策略。