OpenAI推理模型自主破解80年未解數學難題，外部數學家驗證成立

OpenAI宣布其內部推理模型自主解決了「平面單位距離問題」（planar unit distance problem），這道由傳奇數學家 Paul Erdős 於 1946 年提出的幾何難題，困擾數學界近80年。值得注意的是，這份結果已由外部數學家獨立驗證，並非模型自行宣稱。

問題的核心看似簡單：在平面上擺放若干個點，最多能有多少對點之間距離恰好等於一個單位？近80年來，數學家普遍認為最優解近似於方格網格排列，雖有零星改進，但主流假設始終未被推翻。OpenAI 的模型發現了一類全新的數學構型，在排列效率上優於傳統網格方法——換句話說，AI找到了人類幾十年來認為不可能存在的更優解法。

這件事有幾個面向值得拆開看。第一，解題方式是自主完成的，模型並非針對這道題目特別訓練，而是一個通用推理模型，依靠長鏈思考能力獨立完成推導。這與過去 AI 輔助數學研究的模式不同——過去多半是人類提供方向、AI 協助計算或驗證，這次是模型自己找到了突破口。第二，這是 AI 首次在一個被視為活躍數學領域核心的開放難題上，獨立取得被承認的成果，而非僅在競賽題或已知可解問題上刷新紀錄。

平面單位距離問題並非純粹抽象，其數學結構與網絡設計、晶片佈局、無線通訊、機器人學及材料科學均有關聯——凡是涉及空間中點集高效排列的工程問題，這類幾何組合數學都可能提供理論支撐。解法的實際應用轉化仍需時日，但底層理論的突破有其獨立意義。

對 AI 產業而言，這個案例的份量不在於「數學」本身，而在於它劃定了一條新的能力邊界：通用推理模型在沒有特定領域訓練的情況下，能在頂尖人類專家長期耕耘卻未能突破的問題上產出可被驗證的新知。這與模型在考試或 benchmark 上的表現不是同一件事——benchmark 的答案存在於訓練資料可觸及的空間裡，而這道題的新解法，是人類此前從未寫下來過的。

對亞太地區關注 AI 研發走向的決策者來說，這個訊號的意涵是：下一波競爭的核心，不再只是模型能否「回答得更準」，而是能否在特定高難度領域產出人類尚未有的解。誰能在科學發現、工程最佳化、藥物設計等垂直領域率先落地這類能力，才是真正的差異化。OpenAI 這次示範的是通用推理模型往「自主科學代理人」方向演進的可能性，這條路徑一旦確立，對研究密集型產業的衝擊將遠大於目前多數企業正在評估的生產力工具應用。