OpenAI报道，5月20日，科研机构发布了一项在离散几何领域的重大突破，其内部研发的一款通用推理模型自主证明并推翻了悬而未决近八十年的平面积单位距离猜想。该问题由著名数学家保罗·埃尔德什于一九四六年提出，长期被视为组合几何学中最经典、最难攻克的难题之一。此次研究标志着人工智能首次在没有人类启发式引导的情况下，独立解决数学子领域的核心开放性问题。
值得注意的是，该模型是通用模型，而非数学特化模型
这一经典的数学难题探讨的是，如果在平面上任意放置若干个点，最多能有多少对点的距离刚好等于一。在过去几十年中，数学界普遍认为由于对称性的限制，正方形网格排列是产生单位距离对数量的最优解，其增长率极其接近线性。然而，该推理模型通过构建一种全新的点集配置方案，证明了单位距离对的增长速度可以远超此前预估的极限。后续由普林斯顿大学数学教授进行的精细化推演进一步确认，该模型给出的指数级改进在数学逻辑上完全成立。
这项证明最具创新性的地方，在于它将此前毫无关联的两个数学分支联系在了一起。该模型并没有采用传统的几何搜索，而是引入了代数数论中极为高深的理论，包括无限类域塔和高洛德-沙法列维奇理论。简单来说，普通的网格坐标是基于整数和虚数单位组成的复数系统，而模型构建出了一种具备更丰富对称性质的复杂数域，以此作为点集的坐标体系。这些复杂的数论结构能够自然产生远多于普通网格的单位距离对，从而在逻辑上彻底否定了原有猜想。
此次突破不仅是数学界的里程碑，也印证了通用推理智能体在深度逻辑链条构建上的潜能。菲尔兹奖得主蒂姆·高尔斯及多位前沿数论学家在联合评审后表示，这证实了当前的模型已经跨越了单纯工具的阶段，开始展现出人类专家水平的原创性构思与端端执行力。这种跨学科融合信息的逻辑组织能力，未来预计将被推广应用至物理、生物、工程学等高度依赖复杂推演的尖端科学领域，推动科学探索迈向全面自动化。