“证明是数学家用来使自己相信的东西；严格证明则是用来使别人相信的东西。”

最近几天，从数学界到普通媒体，都在流传着一则吸引眼球的消息：OpenAI 的研究系统成功发现了一种新的数学构造，并利用这一构造建立了一族反例，从而推翻了一个与单位距离问题相关、存在了数十年的埃尔德什（Erd?s）单位距离猜想。随着 OpenAI 原始证明以及 Noga Alon、Tim Gowers 等数学家撰写的伴随论文陆续公开，人们逐渐意识到，这项成果远不只是“找到一个反例”那么简单，它还涉及新的结构发现、跨领域的结合以及相当深刻的证明工作。

消息传出后，许多媒体迅速将其描述为“AI 解决了开放数学问题”“AI 战胜了数学家”甚至“AI 开始从事原创数学研究”。对于公众而言，这些标题无疑具有强烈的吸引力，因为数学长期以来被视为人类智力活动中最抽象、最严谨、也最难被自动化取代的领域之一。然而，在这些博取网路流量的喧嚣后面，一个自然且值得注意的问题是：这一次的发现究竟意味着什么？AI 到底完成了什么工作？它是否真的像某些报道暗示的那样，已经具备了人类数学家的创造力？数学家将会是下一个灭绝的“种类”。

要回答这些问题，我们首先需要理解一个经常被学术界以外忽略的事实：数学研究既不是数数，也远不只是证明定理。事实上，如果把数学比作一座冰山，那么发表在论文中的成果和证明往往只是露出水面的很少的一部分，而真正漫长且充满创造性的探索过程，则隐藏在水面之下。在那里，数学家们不断了解和观察各种现象和应用，尝试分析和解释新的例子，构造新的结构和对象，观察总结规律，提出猜想，或者探索证明，或者推翻旧想法，重新建立新的结构、体系、方法、表示。很多时候，一个伟大的数学发现并不是从证明开始的，而是从一个奇怪的例子、一个反直觉的现象，甚至一个看似偶然的构造开始的。因此，当我们讨论 AI 是否在“做数学”，是否已经可以在数学研究中替代人类以前，首先要弄清楚它究竟参与了数学研究过程中的哪些环节。

保罗·埃尔德什(Paul Erdos)无疑是讨论这一问题最合适的历史人物之一。作为二十世纪最具影响力的数学家之一，埃尔德什一生发表论文超过一千五百篇，与五百多位数学家合作。他没有固定的办公室，没有长期居住的住所，终生带着一个行李箱在世界各地的大学之间旅行。我学生时就在几乎在所有重大的数学会议和活动中都看到他那佝偻的身影。那是他一生最后的十来年。他几乎总在旅行中，从一个会议到下一个会议，一个学校到下一个学校。在许多人眼中，他几乎成为了数学研究本身的化身。更重要的是，他所钟爱的研究领域——组合数学、离散几何和图论——恰恰也是现代人工智能最容易产生突破的方向之一。

保罗·埃尔德什 Paul Erd?s

埃尔德什提出的问题有一个共同特点：表面极其简单，甚至可以向高中生解释清楚，但其背后却隐藏着异常复杂的结构。例如现在这个成为主角的单位距离问题便是如此。想象在平面上放置许多个点，如果两点之间的距离恰好为1，我们就称它们形成一个单位距离。那么，对于 n 个点而言，最多能够形成多少个单位距离？比如下面的正6边形，7个点，有12对点之间正好是单位距离。这个问题看起来像是一道简单的几何习题，但事实上，它与组合几何、极值理论、图论和离散结构有着深刻联系。过去八十多年里，无数数学家试图理解这一问题背后的规律，并围绕它发展出一系列猜想和理论。

正因为如此，这次 OpenAI 参与推翻相关猜想的消息才格外引人注目。然而，要理解其真正意义，我们需要首先讨论一个长期存在的误解：许多人认为证明一个猜想比推翻一个猜想更困难，因此也更具有智力含量。按照这种观点，如果 AI 找到的是反例而不是证明，那么它的成就似乎应该打一个折扣。

这种看法并非毫无依据。从逻辑结构上说，证明和反驳确实是不对称的。假设有人提出一个猜想：“所有满足条件 A 的对象都具有性质 B。”如果要证明这个猜想成立，就必须解释为什么无限多个可能对象都满足性质 B；而如果要推翻它，只需要找到一个满足条件 A 但不满足性质 B 的对象即可。正因为如此，数学教科书里常常会告诉学生：一个反例足以推翻一个普遍命题。

然而，数学史的发展表明，事情并没有这么简单。找到反例和构造反例之间存在巨大差别。如果一个反例只是偶然出现，那么它的意义可能确实有限；但如果一个反例来自一种全新的结构、一种此前无人发现的构造机制，那么它所体现的创造力并不一定低于证明本身。事实上，许多重要数学分支的发展恰恰始于这样的反例。

十九世纪的分析学曾经普遍相信连续函数应该具有良好的可微性质，直到数学家构造出连续但处处不可微的函数，人们才意识到直觉并不可靠。拓扑学的发展历史中也充满了各种奇特空间，它们不断推翻人们关于“形状”和“连续性”的朴素理解。组合数学更是如此，许多著名成果都来自于精心设计的极端构造。这些对象不仅否定了旧猜想，更重要的是，它们揭示了新的结构，并最终催生新的理论。

因此，对于这次 OpenAI 的成果，一个关键问题并不是“它找到了反例还是证明”，而是“这个反例究竟是什么性质的反例”。如果它只是一个孤立对象，那么它更接近一次幸运发现；如果它背后存在一种系统性的构造方法，那么情况就完全不同了。根据目前公开的信息，OpenAI 系统发现的并非单一例子，而是一类能够系统产生反例的构造机制。更重要的是，它不仅给出了这种构造，而且证明了这一构造能够持续产生超出传统界限的单位距离配置。从数学研究的角度看，这已经超越了“找到一个反例”的层次，更接近于发现一种新的机制。对于许多数学家而言，一个深刻的数学成果之所以重要，并不是因为它告诉我们某个猜想错了，而是因为它揭示了猜想为什么会错，以及错误背后隐藏着什么新的结构。这一点的重要性往往被媒体忽略，却恰恰是数学家最关心的部分。

更令人惊讶的是，目前公开资料显示，这项工作的核心思想并不完全来自传统离散几何的方法，而是大量借用了代数数论中的工具。伴随论文的作者们特别指出，证明涉及类域论（Class Field Theory）、Golod–Shafarevich 理论以及若干现代代数数论构造。对于组合数学家而言，这一点甚至比猜想被推翻本身更加值得关注。因为数学史上的许多重大突破，都来自不同领域之间意想不到的连接。当一个原本属于几何的问题突然能够借助数论工具获得突破时，人们看到的不只是一个答案，而是一座新的桥梁。

事实上，如果回顾近年来人工智能在数学领域取得的突破，会发现一个有趣的现象：许多成果都属于类似的类型。媒体经常使用“AI 证明定理”“AI 解决数学难题”这样的标题，但仔细阅读原始研究后会发现，其中相当一部分工作实际上更接近于发现结构、构造对象或寻找反例。例如 DeepMind 的 FunSearch 系统在组合数学问题中发现新的构造，AlphaTensor 找到新的矩阵乘法算法，而近年来一些自动化搜索系统也在图论和离散几何中发现新的极值结构。这些成果无疑具有重要价值，而且大多集中在发现新结构、新构造和新算法的层面。长期以来，人们认为这是与严格证明不同的能力。然而 OpenAI 在单位距离问题中的成果似乎显示，两者之间的边界正在变得模糊。系统不仅发现了新的构造，而且完成了证明这一构造有效所需的重要数学论证。这意味着 AI 的角色可能正在从单纯的发现工具逐步向解释和证明工具延伸。

这种现象并非偶然。因为现代 AI 最擅长的事情之一，就是在巨大的可能空间中进行探索。对于人类研究者而言，一个复杂组合问题可能包含天文数字级别的候选结构，根本无法逐一检查；而对于机器而言，搜索、筛选和比较恰恰是它们的强项。过去，人类数学家依赖经验和直觉在庞大的可能空间中寻找方向；今天，AI 开始承担部分探索工作，并能够在某些问题上发现人类尚未注意到的结构。

不过，这并不意味着 AI 已经掌握了数学的全部。因为发现结构与解释结构之间仍然存在一道重要鸿沟。历史上许多数学突破都经历了这样的过程：某种规律先被发现，而其真正含义则在数十年后才被理解。例如牛顿和莱布尼茨发展出微积分时，严格的极限理论尚未建立；量子力学成功预测实验结果时，物理学家至今仍在争论其哲学解释；甚至康托尔关于无穷集合的理论，也是在提出之后经过长期讨论才逐渐被数学界接受。从这个角度看，发现和理解本来就是不同层次的活动。

这也是为什么数学家通常不会仅仅满足于一个答案。他们更关心答案背后的原因。验证一个命题成立是一回事，理解为什么成立则是另一回事。证明之所以重要，并不仅仅因为它能够确认结果正确，而是因为一个好的证明往往能够揭示结构、压缩复杂性，并提供新的视角。许多伟大的数学成果之所以被反复研究，并不是因为其结论本身，而是因为其证明方法开启了新的研究方向。

因此，如果要评价 OpenAI 这次成果的意义，最合理的方式不是问“AI 是否已经成为数学家”，而是问“AI 在数学研究链条中的位置发生了什么变化”。几十年前，计算机主要承担数值计算工作；后来，它们开始帮助数学家验证复杂证明；再后来，它们能够参与形式化推理。而今天，它们似乎正在进入一个更高层次的领域——不仅发现新的结构，而且开始参与证明这些结构为何成立，并在某些情况下揭示不同数学领域之间隐藏的联系。

这或许才是这次事件真正值得关注的地方。它并不意味着 AI 已经拥有了像黎曼、康托尔或格罗滕迪克那样创造全新数学语言的能力，也不意味着它已经理解了数学对象背后的深层意义。但它确实表明，数学研究中一个非常重要的环节——探索可能性空间、发现新构造、寻找隐藏结构——正在逐渐成为人机共同参与的过程。

未来回顾这一时期时，人们或许不会把这次事件视为“机器战胜数学家”的时刻。更有可能的是，它会被看作数学研究方式发生变化的一个标志。当显微镜扩展了人类的视觉、望远镜扩展了人类对宇宙的观察能力之后，人工智能正在成为一种新的认知工具，帮助数学家探索那些规模过于庞大、结构过于复杂的人类难以直接进入的数学空间。

至于它最终会走到哪里，目前还没有人知道答案。但有一点正在变得越来越清楚：未来关于 AI 与数学的讨论，重点可能不再是机器能否完成计算，也不再是机器能否检查证明，甚至不再只是机器能否发现新的结构。真正值得关注的问题或许已经上升到新的层次：机器是否能够持续建立新的数学关系，形成新的解释框架，并最终参与塑造数学发展的方向。

这次单位距离猜想的否定或许真正代表人工智能正在从“寻找答案的工具”逐渐转变为“参与数学发现过程的伙伴”。所以，这不仅是一个猜想被推翻的故事，或者一个问题被解决的故事，而是数学研究方式开始发生变化的一个标志，以及整个知识创造历史中新篇章的开端。这可能才是整个事件最深层的价值和蕴涵。