业余爱好者用ChatGPT攻克60年Erdős数学难题：普通人如何用AI自学数学

但过度使用又容易让用户产生疲劳，需要把握分寸。

这个事件对AI在专业领域的应用提供了另一种观察视角。提示工程不再局限于内容生成或代码辅助，而是能引导模型绕过人类路径依赖，产出反直觉的结构连接。许多从业者在调试或策略规划中已偶尔遇到类似“意外思路”，但像这样直接影响60年数学难题的案例，仍属罕见。它提示我们，未来人机协作的深度，或许远超当前想象。数据支持这个方向，但样本量有限，行业内仍有不同声音。

Lichtman直言，ChatGPT的原始证明“其实相当差”，需要专家来理解它到底在说什么，并进行大幅缩短和优化。最终的核心洞见——将von Mangoldt函数与Markov链结合应用于原始集——在文献中虽有零星痕迹，却从未以这种方式被系统化使用。这次事件再次印证，AI擅长打破常规路径，但高度依赖人类语境理解和严谨打磨。数据支持AI在数学辅助上的进步，但样本仍有限，长期表现值得持续观察。

原始集在数论中是一个直观却重要的概念：正整数集合中任意两个不同元素互不整除，素数集就是最经典的例子。Erdős早在1935年就证明任何原始集的∑1/(a log a)都有上界，而问题1196是其渐近版本，关注当集合元素足够大时，尾部求和∑_{a∈A, a>x} 1/(a log a)是否满足≤1+O(1/log x)。此前Lichtman等人在相关方向已有突破，但这个具体渐近界始终悬而未决。

问题1196正是这一猜想的精确表述，焦点在于衰减速度的定量控制。多年来，顶尖专家如Jared Lichtman虽在原始集猜想的原始版本上取得突破，却在这一渐近形式上卡住七年。

Price的尝试让Terence Tao等专家注意到，AI在清晰陈述、数论基础概念上的潜力远超预期，尤其当问题允许计算验证或模式探索时。

主流报道多将焦点放在“23岁门外汉靠ChatGPT破解60年难题”上，强调AI一次性生成解决方案的速度与业余者的低门槛参与。陶哲轩在Erdős问题论坛的评论被反复引用，他认为人类专家在问题起点就选择了看似自然却遮蔽其他可能的方向。Jared Lichtman作为该问题簇的顶尖专家，也认可AI输出的核心洞见接近“Book Proof”的优雅水准。

Scientific American等媒体很快跟进报道，标题多强调“业余者借助ChatGPT破解60年难题”。Hacker News社区的初步反应充满兴奋，不少评论指出，这似乎展示了AI绕过人类思维定势的能力：研究者们往往在第一步就陷入集体路径依赖，而AI没有这些心理包袱，直接尝试了不同路径。

已有部分进展或OEIS序列支持，能大幅降低起点难度。网站上许多问题附有下界、上界或文献提及，OEIS提供整数序列辅助模式识别。这些“脚手架”让AI不从零开始，初学者也能快速站在前人基础上迭代。参考Price的“vibe matching”式多轮探索，而非一次性求解，效果往往更好，尽管样本量有限，方向值得持续跟踪。

但这些讨论往往忽略了一个关键细节：AI的原始输出质量其实相当粗糙，需要专家大幅精炼和梳理才能形成严谨证明。

表面上，媒体和网友的反应集中于“取代”叙事。不少讨论直呼“AI秒杀数学家”“普通人靠提示词就能攻克60年难题”。Fields Medal获得者Terence Tao在评论中指出，这次解决暴露了人类在问题起点就集体走了一点小弯路，存在某种心理障碍，他认为AI意外连接了整数结构与Markov过程理论之间此前未被明确描述的联系。

在实际操作中，免押金1块1分跑的快群的落地效果往往取决于团队对数据的敏感度。