AI首次自主推翻
一个困扰学界 80 年的核心猜想
2026年5月20日，OpenAI 内部通用推理模型独立解决了 Erdős 于1946年提出的平面单位距离猜想，并以代数数论中从未与该问题关联过的 Golod-Shafarevich 理论完成了从几何到数论的跨界"降维打击"。这不是辅助、不是检索、不是优化——这是 AI 第一次以原创者身份产出数学发现。这正是带带科研坚持"AI原生科研路线"的最直接依据。
年开放问题
页证明文档
位顶尖数学家联署验证
推翻 Erdős n^(1+o(1)) 上界
1. 事件核心：80年猜想如何被推翻
平面单位距离问题表述极简：给定平面上 n 个点，最多能有多少对点之间的距离恰好为 1？Erdős 在1946年用高斯整数网格构造出 n^(1+c/log log n) 的下界，并猜想真实上界应为 n^(1+o(1))——即任何超越线性的增长都只能是微弱的。
八十年间，最强上界停留在 1984 年的 O(n^(4/3))，下界几乎未有改进，整个数学界默认 Erdős 猜想为真。直到 OpenAI 模型证明：存在无穷多个 n 值，使得单位距离对数至少为 n^(1+δ)，其中 δ>0 为固定正常数。普林斯顿数学家 Will Sawin 进一步精化得到 δ=0.014——直接推翻 Erdős 的猜想。
"如果一位人类撰写了这篇论文并投稿《数学年鉴》，我会毫不犹豫地推荐录用。此前没有任何 AI 生成的证明接近这一标准。"
—— Timothy Gowers，菲尔兹奖得主
2. 如何做到：从几何到数论的跨界桥梁
模型的解决方案彻底颠覆了八十年的认知框架。它没有在传统的"组合几何+离散傅里叶+实代数几何"工具箱里继续雕琢，而是把目光投向了与该问题看似毫不相关的代数数论中的无穷类域塔理论。
构造逻辑是这样的：用 Golod-Shafarevich 定理保证一列具有 3 次 Galois 群的全实数域 F_j存在；通过添加虚数单位 i 得到 CM 域 K_j = F_j(i)；用 Chebotarev 密度定理选择特定有理素数让它们在 K_j 中完全分裂；最后通过 Minkowski 嵌入将这些高维格点投影到二维平面。Golod-Shafarevich 保证类域塔的无穷性，Chebotarev 分裂条件确保平面点集具有足够多的单位距离对——两者之间的耦合关系此前从未被任何数学家注意到。
模型在思维链中的关键转折出现在这句话："从原则上讲，所有极值例子都可以取为代数的。但那个代数实现的次数和高度可能巨大无比……也许那巨大的次数不仅是麻烦，更是可能的反例来源。"——这个从"巨大次数是障碍"到"巨大次数是资源"的认知翻转，是人类数学家长期未能跨越的心理门槛。
3. 为什么是 AI 而不是人
九位顶尖数学家在伴随论文中给出了三个层次的解释：
- 领域壁垒：现代数学高度专业化，离散几何学家不熟悉类域塔，代数数论专家不会想到几何应用。Noga Alon 直言"这一事实令代数数论专家感到极大的惊讶"。
- 认知锚定：Erdős 猜想拥有近乎公理般的认知权重，人类数学家自动把"证明"而非"证伪"设为默认目标。模型 CoT 显示它大部分时间都在尝试构造反例——一个不被社群权威绑架的方向。
- 审美偏好：人类对"优雅"有强烈追求，倾向回避高次数、高复杂度的构造。AI 没有这种审美包袱。
"AI 的优势不仅在于能尝试所有已知方法，还在于能在更危险的领域探索更长时间而不被压垮。"
—— Jacob Tsimerman，多伦多大学
这一观察至关重要：AI 的突破不来自某种神秘的"机器直觉"，而来自不知疲倦的系统性探索能力，以及对"巨大计算开销"和"复杂结构"的天然容忍度。
4. 从助手到原创者：科研范式的三段式跃迁
把这次突破放进 AI 参与科学研究的历史脉络，可以看到一条清晰的三段曲线：
计算加速器
优化已知方法的执行效率，关键思想仍来自人类。
竞赛级解题者
AlphaProof 在 IMO 摘银，Aristotle/Seed-Prover 摘金。但仍局限于结构良好的竞赛问题。
开放问题原创者
面对没有已知答案、没有标准方法的开放问题，自主产出新方法论。
OpenAI 公开的测试时计算扩展实验显示：分配给模型的推理计算量越多，单位距离问题的成功率单调上升。这意味着科学发现的瓶颈正在从"人类天才的稀缺性"转向"计算资源的投入和验证注意力的分配"。
5. 带带科研为什么坚持 AI 原生路线
这个事件之所以对带带科研意义重大，不在于"AI 又解决了一个问题"，而在于它从根本上改变了科研服务这门生意的可能性边界。
在过去模式下，科研服务的天花板由"接单专家的认知带宽"决定——专家擅长什么领域，你就只能服务什么客户；专家有多少时间，你就只能接多少单。AI 原生意味着：
- 跨学科组合能力不再受单个专家训练背景的限制——这是 AI 跨界推翻 Erdős 猜想的同一种能力，落到客户服务上就是为不同背景的客户提供专业方案。
- 探索深度不受疲劳约束——AI 能在客户问题上做长时间系统性探索，把 Tsimerman 所说的"在危险领域更长时间不被压垮"变成日常服务能力。
- 规模化产出——一个研究员AI 可以并行服务多个项目，外包专家只在关键节点介入审核，整体边际成本远低于纯人工模式。
这就是为什么我们的服务矩阵——MATLAB 仿真、生信分析、分子对接、医学统计、AI+专家科研协作——都建立在"AI 原生执行 + 专家审核"的双层结构上。OpenAI 的这次突破，是对这条路线最强有力的外部背书。
6. 结语：一场静默的认知革命
Anthropic 联合创始人 Jack Clark 在2026年5月预测："AI 将在12个月内帮助实现一项诺贝尔奖级别的发现。"OpenAI 的单位距离突破——发生在同一周——把这个预测从"推测"变成了"证据"。
最深刻的转变也许不在于 AI 能做什么，而在于"科学发现的速度将不再受限于人类天才的稀缺性，而是受限于我们愿意为计算投入的资源和为验证付出的注意力"。这个新约束下，最优秀的科研服务公司，是那种把 AI 的探索深度与人类专家的判断力工程化整合的公司。
如果你正在为科研课题、论文方向或专利布局犯难，欢迎和带带科研聊聊——我们用最新的 AI 原生方法论，帮你把"看似不可能"的研究目标，拆解成清晰可执行的路线。