2026 年 5 月，OpenAI 宣布它的一个内部模型，反驳了离散几何领域一个悬置了近 80 年的猜想。
这个问题本身简单得惊人。1946 年，数学家 Erdős 提出了”单位距离问题”：在平面上放 n 个点，最多能有多少对点之间的距离恰好等于 1？近 80 年里，数学界普遍相信，规整的方形网格排列基本就是最优解。
而这一次，一个 AI 模型给出了一族全新的反例，证明网格构造并非最优——它对 Erdős 给出的下界，做出了实打实的改进。
消息传开后，讨论大多聚焦在一个问题上：AI 是不是已经超越了人类数学家。
这是一个好问题。但作为一家做算力的公司，我们更关心的，是这件事背后那个很少被提起的另一面。
真正稀缺的，从来不只是聪明
这次突破最让数学家在意的，不是 AI”算得快”，而是它解的”长相”。
它把代数数论与离散几何这两个看似遥远的领域意外地连到了一起，绕开了所有人盯了 80 年的整数格子框架，走到了一个没人往那想的方向。OpenAI 自己的描述也很克制：知识的前沿是尖刺状的，零散地戳在各个角落，未来会有更多这样的老问题，被 AI 用”出人意料的连接”解开。
我们认同这个判断，并且想补充一句：
这种”连接”之所以稀缺，不只是因为它需要聪明，更因为它需要一种人类天然受限的东西——同时把横跨多个领域、穷尽一生都读不完的知识装进视野，再从中看出别人没看出的线。
人脑的带宽装不下整张地图。而模型可以。这也是为什么 AI 在这类”跨领域连接”上，展现出一种结构性的优势：它的强项不是比某个专家想得更深，而是能同时站在好几座山头上，看出山头之间本该有条路。
但每一次”连接”，底下都是海量的计算
这里就到了我们真正想说的部分。
一个漂亮的跨领域连接，看上去是灵光一现。但在它出现之前，是大量的探索、验证、试错、推翻、再尝试——是成千上万次”这条路通不通”的计算。
真正的科学发现，从来不是一次性的顿悟，而是无数次廉价试错之后，幸存下来的那一个。
这意味着，AI 驱动科学发现这件事，到最后会落到一个朴素的问题上：探索一次的成本，到底有多高。
当探索一次很贵，只有极少数机构和个人敢去试，敢试的次数也有限；当探索一次足够便宜，更多人就能在更多方向上大胆地试错，那些”出人意料的连接”出现的概率，才会真正变高。
换句话说，AI 把”做研究”的智力门槛降下来了；而剩下那道门槛——算力的成本门槛，需要有人继续把它降下去。
这正是我们在做的事
共绩算力做的事情很具体：通过电网式的智能调度网络，把全国大量闲置、分散的算力整合起来，让它像水电一样按需取用、按秒计费、用多少付多少。
我们想解决的，本质上就是”探索一次的成本”这个问题。
无论是批量跑模型评测、做大规模数据分析，还是支撑 AI 在某个方向上反复试错——这些探索性的、波动的、可并行的计算需求，正是弹性算力最该服务的场景。让这部分成本尽可能低、让算力尽可能容易够得着，更多的探索才有可能发生。
我们相信，下一个被推翻的 80 年猜想，未必来自最大的实验室。它可能来自某个普通研究者，在一个负担得起的算力底座上，多试了几千次别人没敢试的方向。
AI 让发现变得更可能。我们希望算力，让它变得更普及。
那座由几个世纪的人类智慧建起的数学大教堂里，一定还有许多尚未被看见的奇迹。我们愿意做的，是让更多人有机会，亲手去推开其中一扇门。
共绩算力 · suanli.cn｜弹性、实惠、稳定的算力服务，让每一次探索都更便宜一点。