2026 年 5 月 20 日，OpenAI 在官方博客上发布了一条只有几百字的简短声明，却在全球数学界和科技界掀起了一场海啸。一个你可能上周还用来写邮件、做旅行计划的通用人工智能模型，竟然独立推翻了由传奇数学家保罗・埃尔德什在 1946 年提出的 "平面单位距离猜想"。

这不是 AI 第一次在数学领域有所建树，但却是人类历史上第一次，通用 AI 自主解决了一个处于数学核心领域、困扰了整整三代顶尖数学家的重大开放性难题。

一个小学生都能听懂的世纪难题

要理解这项突破有多么震撼，我们得先回到 1946 年的那个夏天。第二次世界大战刚刚结束，世界还在废墟中重建，匈牙利数学家保罗・埃尔德什却把全部精力投入到了一个看似极其简单的问题上：在无限大的平面上放置 n 个点，最多能有多少对点之间的距离恰好等于 1 个单位长度？

这个问题的表述简单到小学生都能明白。你可以在草稿纸上随便画几个点试试：如果画 5 个点，最多能得到 7 对单位距离；如果画 10 个点，最多能得到 15 对。但当 n 变得越来越大，比如 1000 个、100 万个甚至无限多个时，问题就变得异常复杂了。

埃尔德什本人是 20 世纪最多产的数学家，一生发表了超过 1500 篇论文，与 500 多位不同领域的研究者合作过。他提出的这个问题，后来被称为 "埃尔德什单位距离问题"，成为了组合几何领域最著名的未解难题之一。

2005 年出版的《离散几何研究问题》一书称它为 "组合几何中可能最著名也最容易解释的问题"，普林斯顿大学顶尖组合数学家诺加・阿隆更是表示，这是 "埃尔德什最喜欢的问题之一"，他甚至专门为解决这个问题设立了奖金。

在接下来的近 80 年里，全球无数顶尖数学家都曾尝试攻克这个难题。埃尔德什本人在 1946 年就提出了一个构造方案：使用经过缩放的正方形网格，也就是把点像棋盘一样排列。这种方式可以让单位距离点对的数量达到 n^(1+C/log log n) 的量级，其中 C 是一个常数。这个式子看起来复杂，翻译过来就是：当 n 变得非常大时，单位距离点对的数量增长速度只比线性略快一点点。

近 80 年来，数学界形成了一个几乎牢不可破的共识：正方形网格构造基本上就是最优的了，任何其他排列方式都不可能显著超越它。埃尔德什本人更是将这个直觉写成了一个正式的猜想：单位距离点对的最大数量 u (n) 的上界应该是 n^(1+o (1))，其中 o (1) 表示一个随着 n 增大而趋近于 0 的项。换句话说，增长速度本质上还是线性的，不会出现质的飞跃。

这个猜想就像一座无形的高墙，阻挡了一代又一代数学家的脚步。没有人能证明它是对的，但也没有人能找到反例证明它是错的。直到 2026 年 5 月，一个通用人工智能模型的出现，彻底打破了这个僵局。

从全网群嘲到学术认可：OpenAI 的救赎之路

值得注意的是，这并不是 OpenAI 第一次在 "AI 攻克埃尔德什难题" 上引发争议。恰恰相反，就在 7 个月前，这家公司还因为类似的声明遭遇了一场前所未有的信任危机。

2025 年 10 月 20 日，时任 OpenAI 副总裁的凯文・韦尔在社交平台 X 上高调发帖称："GPT-5 找到了 10 个此前未解决的埃尔德什问题的解，并在另外 11 个问题上取得了进展。" 这条消息迅速传遍了全球科技圈，引发了一片惊叹。OpenAI 研究员塞巴斯蒂安・布贝克甚至激动地表示："科学加速的时代已经正式开始了。"

然而，这场狂欢仅仅持续了几个小时就迎来了戏剧性的反转。负责维护全球最权威的 "埃尔德什问题档案" 网站的数学家托马斯・布卢姆站出来直接打脸。他指出，韦尔声称的那些 "未解问题"，绝大多数早已在学术文献中有了答案，只是他的网站没有及时更新而已。GPT-5 所做的，不过是通过几千次查询，从海量文献中检索到了这些已有的解答，根本不是什么原创性的数学发现。

谷歌 DeepMind 首席执行官德米斯・哈萨比斯更是毫不留情地评论道："这太尴尬了。"Meta 首席人工智能科学家杨立昆也加入了嘲讽的行列。在巨大的舆论压力下，韦尔最终删除了那条帖子，布贝克也承认 "我们发现的解都存在于文献中"。这场风波对 OpenAI 的声誉造成了严重的打击，许多人开始质疑 AI 在科学研究中的真实能力。

或许正是因为有了这段前车之鉴，OpenAI 在此次发布中表现得异常谨慎。他们没有召开盛大的发布会，也没有使用夸张的宣传语言，只是在官方博客上发布了一篇简短的声明。但与上次不同的是，这次他们附上了完整的数学证明过程，以及一份由多位国际知名数学家撰写的 "补充评述" 文件。

最令人惊讶的是，上次把 OpenAI 批得体无完肤的托马斯・布卢姆，这次竟然亲自联名为这个新证明背书。其他联名的数学家还包括普林斯顿大学的诺加・阿隆、威斯康星大学的梅兰妮・伍德等组合数学和数论领域的顶尖学者。

菲尔兹奖得主、剑桥大学教授蒂莫西・高尔斯更是给出了极高的评价："如果这是一篇人类投稿，被送到了《数学年鉴》编辑部，我被要求给出快速审稿意见，我会毫不犹豫地推荐接收。没有之前的 AI 生成证明接近过这个水平。"

OpenAI CEO 山姆・奥特曼在转发这条消息时，只写了一句意味深长的话："感受很复杂。" 这句话或许道出了许多人此刻的心情：既为科学的进步感到兴奋，又对 AI 展现出的惊人能力感到一丝不安。

超越数学：科学研究范式的转折点

这一成果的影响已经远远超出了数学领域本身。它标志着人工智能发展进入了一个全新的阶段：从辅助人类进行科学研究的工具，转变为能够独立做出原创性科学发现的合作者。

在此之前，AI 在科学领域的应用主要集中在数据处理、模式识别和文献检索等方面。比如 AlphaFold 能够预测蛋白质结构，但它是基于大量已知的蛋白质结构数据进行训练的；AI 能够帮助化学家筛选潜在的药物分子，但它仍然需要人类科学家设定目标和评估结果。而这次，AI 在没有任何人类干预的情况下，独立提出了一个全新的数学证明，并且这个证明得到了顶尖数学家的认可。

如果通用 AI 真的具备了这种长链条、复杂逻辑推理的能力，能够自主打通不同学科之间的知识壁垒，那么它将彻底改变科学研究的范式。跨学科创新通常需要人类研究者花费数十年时间积累多个领域的知识，再通过长期的思考与探索才能实现。而现在，AI 已经能够在几小时甚至几分钟内完成这样的跨学科思维跳跃。

这一变革将辐射到科学研究的几乎所有领域。在生物学领域，AI 可以通过结合遗传学、生物化学和物理学的知识，帮助我们理解复杂的生命过程；在物理学领域，它可以尝试统一量子力学和广义相对论这两个看似矛盾的理论；在医学领域，它可以设计出全新的药物分子和治疗方案；在材料科学领域，它可以预测具有特殊性质的新材料。

当然，这并不意味着人类数学家和科学家将会被取代。正如 1997 年 IBM 的深蓝计算机击败国际象棋世界冠军卡斯帕罗夫之后，国际象棋这项运动并没有消失，反而变得更加精彩一样。AI 的出现，将会把人类科学家从繁琐的计算和重复性的工作中解放出来，让他们能够专注于更具创造性和洞察力的工作。

但不可否认的是，人类再也无法自诩为唯一能够进行高级逻辑推理的物种了。我们亲手创造的工具，其思考能力已经开始在某些特定领域超越人类自身。这是一个令人兴奋又令人不安的时刻，它标志着一个新时代的开始。在这个时代里，人类与 AI 的合作，将会带领我们探索那些曾经无法企及的科学高峰。