近80年来，数学家一直在研究一个看似简单的问题：在平面上放置n个点，最多能有多少对点之间的距离恰好为1？
这就是平面单位距离问题，由保罗·埃尔德什于1946年首次提出。它是组合几何领域最知名的问题之一，表述简单，却极难解决。
布拉斯、莫泽与帕赫在2005年出版的《离散几何研究问题》一书中称它“或许是组合几何中最广为人知、也最容易解释的难题”。
普林斯顿大学顶尖组合学家诺加·阿隆表示，这是“埃尔德什最钟爱问题之一”，埃尔德什甚至曾为攻克该问题设立奖金。
自埃尔德什提出该问题以来，学界一直普遍认为：下文提到的正方形格点构造，基本就是最大化单位距离点对数量的最优方案。
OpenAI内部一款模型推翻了这一长达数十年的猜想，找到了无穷多组构造方式，实现了多项式级别的提升。
该证明已由外部数学家团队核验，他们还撰写了配套论文，阐释论证逻辑，并介绍这项成果的背景与学术意义。
这项成果的特别之处还在于其诞生方式：该证明出自一款全新通用推理模型，而非专门针对数学训练、定制证明策略搜索、或是专门针对单位距离问题优化的专用系统。
作为测试前沿模型能否助力前沿科研的系列研究之一，OpenAI 用多个埃尔德什经典未解问题对模型进行测试，而本次模型直接独立完成了这一公开难题的证明。
该证明被认为是人工智能与数学界的重要里程碑：这是数学细分领域的核心知名公开难题，首次由人工智能自主完成破解，也印证了当前AI系统已具备极强的深度推理能力。
数学是检验推理能力的绝佳场景：问题定义严谨、证明可核验、长篇论证必须全程逻辑自洽才能成立。
本次解题思路同样极具看点：证明将代数数论中深奥且出人意料的思路，运用到了初等几何问题上。
菲尔兹奖得主蒂莫西·高尔斯在配套论文中评价，该成果是“AI数学领域的里程碑”。
顶尖数论学家阿鲁尔·尚卡尔表示：“在我看来，这篇论文证明了当前AI模型早已不止是人类数学家的助手——它们能够产生原创、巧妙的思路，并完整落地完成论证。”
但其意义被认为远不止解决这一道难题。
更强的数学推理能力，能让AI成为更可靠的科研伙伴：它可以梳理复杂逻辑、串联跨领域知识、挖掘专家忽略的研究方向、助力研究者攻克过于复杂、耗时过久的难题。
而这类能力不止适用于数学。如果模型可以保持复杂论证逻辑自洽、打通跨领域知识、产出经得起专家核验的成果，那么在生物、物理、材料、工程、医学领域同样具备价值。
也就是是， AI 将在科研的创造性环节、尤其是AI自身研究中承担核心角色。
而未来的走向，最终仍取决于人类判断。人类的专业价值只会愈发重要，而非减弱。
AI负责产出证明、人类负责理解与升华证明，将会是未来科研的重要模式。
单位距离问题介绍
设 u(n) 为平面上 n 个点中最多能形成的单位距离点对数量。
构造线性增长的例子十分简单：将 n 个点排成一条直线，可得到 n-1 对点；正方形格点排布约可得到 2n 对点。
此前最优构造来自缩放正方形格点，可达到 n^{1+C/\log\log n}（C 为常数）。
由于当 n 趋于无穷时，\log\log n 趋向无穷，指数上的增量趋近于0，意味着这类构造仅比线性增长略快。
数十年来学界普遍认为，这一增速已是理论上限，没有任何构造方式能显著超越正方形格点。
用专业术语来说，埃尔德什猜想其上界为：
n^{1+o(1)}
其中 o(1) 代表随 n 增大而趋于0的无穷小项。
OpenAI 的新成果推翻了这一猜想。
更准确地说：对无穷多的整数 n，本证明构造出一组 n 点构型，其单位距离点对数量至少为 n^{1+\delta}（\delta 为固定正数）。
AI最初给出的证明未算出具体 \delta 值，不过普林斯顿大学数学家威尔·索恩后续优化证明得出可取 \boldsymbol{\delta=0.014}。
出人意料的是，本次构造的核心思路来自数学中完全不同的分支——代数数论，该学科主要研究代数数域中整数的因式分解等概念。
简单来说，本次证明从一个经典几何思路出发，并将其推向了意想不到的方向。
埃尔德什最初的下界可以用高斯整数理解：即形如 a+bi（a、b 为整数，i 为虚数单位）的数。
高斯整数是普通整数的扩展，同样具备唯一素因子分解性质；这类整数、有理数的扩展体系统称为代数数域。
本次新论证用代数数论中对称性更丰富、结构更复杂的广义数域替代高斯整数，从而构造出更多单位长度差值。
具体论证运用了无限类域塔、戈洛德–沙法列维奇理论等工具，证明论证所需的数域真实存在。这些思路本是代数数论学者熟知的内容，但将其用于欧氏平面几何问题，完全出乎学界意料。
