AI首次攻克Erdős猜想：数学未解难题的历史性突破

AI攻克数学未解难题：一个历史性时刻

在数学与人工智能的交汇处，一个里程碑式的事件正在发生——AI首次真正意义上解决了一个广为人知的数学未解难题。这不是某个冷门的边缘问题，而是被誉为"组合几何领域最著名的问题"的Erdős猜想。

参与这项研究的数学家们对此感到震惊。正如一位研究者所描述的："当我看到模型输出的初始版本时，我几乎不敢相信。我花了很长时间反复阅读，试图弄清楚到底发生了什么。我的反应是——你不是认真的吧，这听起来好得不像真的。"

AI输出的初始结果让研究者难以置信

Erdős猜想的核心：平面上的点问题

这个问题本身涉及的是平面上的点——一个完全初等的几何问题。然而，它的解决方案却需要用到代数数论中非常深刻的工具。此前，数学界普遍认为已有的构造方法基本上已经是最优的了，但AI证明了这个构造实际上可以被大幅改进。

Erdős猜想的数学背景：保罗·埃尔德什（Paul Erdős，1913-1996）是20世纪最多产的数学家之一，一生发表了超过1500篇论文，与500余位合作者共事。他以提出大量简洁却极难解决的猜想而著称，这些猜想往往以悬赏金的形式激励数学界——金额从25美元到10000美元不等，反映了他对问题难度的主观估计。组合几何中的Erdős单位距离问题（Unit Distance Problem）正是其中之一：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？这个问题的上界至今未被精确确定，Erdős本人猜测最大对数约为n^(1+c/log log n)量级。尽管问题陈述极为简洁，但其背后牵涉到代数数论、图论和调和分析等多个深层数学分支，半个多世纪以来吸引了无数顶尖数学家的持续攻关。

平面上的点问题示意

这正是这个突破的精妙之处：问题的陈述简单到任何人都能理解，但解决路径却深不可测。值得注意的是，此次证明路径大量借助了代数数论工具——这一领域研究代数整数、数域扩张与理想分解等结构，是将几何或组合问题编码为多项式方程、再利用代数工具推导计数上下界的"代数方法"的核心支柱。Guth和Katz在2015年解决Erdős不同距离问题时，正是综合运用了代数几何与多项式方法。AI此次的突破同样依赖这类深层工具，但关键在于它能够在极其庞大的代数构造空间中，系统性地搜索出人类难以凭直觉发现的特定构型。研究团队将模型应用于几个Erdős提出的问题——这些问题吸引了无数数学家数十年的关注——令人惊讶的是，模型竟然给出了其中一个最重要问题的解答。

为什么人类无法完成这个证明？

一个关键问题是：为什么这个方法人类无法执行？答案在于证明过程中的极端复杂性。

研究者解释道："人类无法执行这种方法。它太精细了，在证明的每一步都有太多的决策需要做出。"这就像在一个巨大的迷宫中，每个岔路口都有数十个选择，而只有一条极其特定的路径能通向终点。

人类无法执行的精细证明过程

理解"高维决策空间"：在数学证明的语境中，所谓高维决策空间指的是：构造一个证明时，每一步都面临大量可能的推理方向、引理选择和代数变换，这些选择相互组合形成一个指数级增长的搜索树。人类数学家依赖直觉、经验和审美判断来"剪枝"——即快速排除"看起来不对"的路径——但当每一步的局部选择都看似合理、只有全局视角才能判断路径优劣时，人类的工作记忆和注意力资源便成为制约因素。现代大语言模型结合强化学习（如OpenAI的o系列模型所采用的"思维链"训练范式）和蒙特卡洛树搜索（MCTS）等技术，能够在这类搜索树中进行大规模并行探索，同时通过奖励信号学习哪些中间步骤更可能通向有效证明。

AI的优势在于它能够更加全面地探索所有这些可能性。在这个庞大的决策空间中，AI系统地搜索、评估、回溯，最终找到了一条通往解答的路径。这不是暴力穷举，而是一种智能化的探索——AI展现出了在高维决策空间中导航的非凡能力，其本质是将数学直觉"外包"给了统计模式，并在规模上超越了人类的认知极限。