业余数学爱好者如何借助AI进入顶级数学研究

不少企业在推进哪里有一块1分跑的快群时，会遇到组织层面的阻力。这类问题很少被公开讨论，却几乎是每个中大型团队都绕不开的现实。

传统研究路径常从分析工具入手，比如借助Markov链或概率解释来处理集合密度与求和行为。GPT-5.4 Pro的证明却停留在纯算术层面，它调用了数论经典的von Mangoldt函数Λ(n)。这个函数通过∑_{d|n} Λ(d) = log n编码整数唯一素因子分解，将原始集的反链性质转化为直接的算术不等式，从而避开了分析路径中的常见障碍，得到干净的界限。数据支持这个方向，但样本量仍有限，值得持续跟踪。

AI没有沿袭人类常见的分析路径，而是意外地应用了von Mangoldt函数与马尔可夫链的组合，绕开了此前研究者集体踩过的坑。Terence Tao等专家后续验证并精炼了输出，确认了其新颖性。这件事表面上看是数学领域的意外突破，实际却直指内容创作领域的一个长期痛点：传统思维框架往往限制了niche话题的挖掘深度。

媒体和网友的最初反应多停留在“AI取代专家”的惊叹上。有人宣称业余者靠ChatGPT就能秒杀60年难题，社交平台充斥类似讨论。Fields Medal得主Terence Tao指出，此前研究者可能在起点就集体走了一点小弯路，存在某种心理障碍，AI则意外连接了整数结构与Markov过程的视角。但盲区同样明显，AI原始输出往往逻辑跳跃、表述粗糙，仍需Jared Duker Lichtman等专家筛选验证，单纯复制提示词难以复制成功。

数据支持这一判断：Lichtman此前已将上界压至e^γ π/4 + o(1)左右，而AI驱动的证明直接给出1 + O(1/log x)的更优渐近形式。这一剪刀差凸显了AI在打破常规路径上的潜力。但有意思的是，样本和讨论目前仍集中在单一问题上，推广到更广泛的Erdős猜想簇是否同样有效，行业内仍有不同声音。我的判断是，AI的贡献更多在于暴露人类思维盲区，而非直接输出无懈可击的论文。

那个普通下午，Price用单次提示描述了Erdős Problem #1196的核心，没有预设复杂路径或背景铺垫。GPT-5.4 Pro花了整整80分钟推理，输出一份粗糙却包含全新连接的证明。Price把结果贴到erdosproblems.com论坛，很快吸引注意。他的合作者迅速联系专家，确认证明成立且方法独特。陶哲轩等数学家指出，人类多年来习惯从分析工具直接切入，却在第一步就集体走偏，而AI没有继承这种路径依赖。

包括Terence Tao在内的专家随后介入审查与精炼，最终确认这一结果。

这一事件短期内很可能激发更多业余爱好者和研究者尝试vibe math。他们无需深厚背景，就能把开放Erdős问题扔给最新模型，期待新鲜思路涌现。erdosproblems.com上的类似实验已在增加，有人甚至同步用Lean形式化验证AI输出，以确保严谨性。人类把关仍是不可或缺的一环——再有洞见的原始证明，也需要专家梳理和打磨。

这次突破的过程揭示了AI在数学研究中的独特定位。Liam Price的提示极为简洁，没有前期文献调研或多轮迭代引导，GPT-5.4 Pro却自主将数论中已知的von Mangoldt权重应用于此问题，构建了一个纯分析框架下的流图论证，避开了概率视角的常规诱导。这种“vibe mathing”模式——靠直觉式输入让模型自主探索——产生了人类因集体mental block而长期未尝试的路径。

子集和相关问题也是典型低难度目标，比如Erdős问题#1及其变体：给定整数集合，子集和是否全部不同，或求满足特定条件下的最大集合规模。当前有下界结果和小规模计算数据，OEIS中存在支持序列。AI可通过编写动态规划脚本枚举小n情况，输出前若干值并寻找规律。这种计算密集型验证正是模型迭代优势所在，人类初学者结合Python也能快速上手，观察意外模式浮现。

传统方法在处理这类原始集密度估计时，常自然转向Markov链或概率解释来捕捉集合的“稀疏性”。这些路径从人类直觉看顺理成章，却也形成了某种集体mental block。GPT-5.4 Pro的输出则不同，它停留在纯算术层面，巧妙调用了经典的von Mangoldt函数Λ(n)。这个函数通过∑_{d|n} Λ(d) = log n编码整数的唯一素因子分解，将原始集性质转化为直接的算术不等式，从而避开了分析工具中常见的困难。

增强决策力的趋势，已从早期概念走向中期的价值验证。