业余爱好者用ChatGPT单提示解决60年Erdős未解问题：实用提示工程技巧

但现实更复杂，坚持本身就是一种能力。

对SEO内容创作者来说，这一事件的核心启示在于重新定义AI的角色定位。它并非替代创作者的工具，而是武装业余和小团队的利器，尤其适合产出高意图的niche内容，如数学主题写作中的冷门猜想解读或科技趋势的底层逻辑分析。这些话题搜索量未必爆炸，但用户停留和转化往往更优。只要避开直接复制AI泛化输出，转而采用“提示生成框架—人工注入观点—SEO数据验证”的闭环，内容的独特性和排名潜力就能显著拉开差距。

最近数学圈流传着一个反直觉的事件。一个23岁的业余爱好者Liam Price，没有接受过高等数学训练，却在一个普通的周一下午，把Erdős问题1196随意抛给ChatGPT Pro。AI在约80分钟内生成了一份看似可行的证明，涉及原始集中μ(A)随元素增大而快速衰减的上界估计。该问题由Erdős、Sárközy和Szemerédi在60年前提出，长期困扰着数论专家。

原始集本质上是整数可除性偏序下的反链，泛化了素数的不可分性质。传统研究路径常借助分析工具或概率解释来处理密度与求和行为，Markov链式的思路一度显得自然且诱人。GPT-5.4 Pro的证明却停留在纯算术层面，巧妙调用了von Mangoldt函数Λ(n)，利用其核心恒等式∑_{d|n} Λ(d) = log n，直接编码整数唯一分解结构，从而构建出干净的不等式界限。这个连接避开了分析路径中的常见困难，显得既高效又反直观。

但原始输出质量并不完美，需要专家仔细筛查和提炼核心洞见，才能转化为严谨的形式。

Lichtman和Tao后续对证明进行了显著优化和形式化，最终在Lean系统中得到验证。这一点暴露了当前AI在数学证明中的真实位置：它擅长生成突破常规的思路，却仍高度依赖人类专家的验证、缩短与严谨打磨。历史经验显示，过去许多AI数学成果更接近文献重组，而非完全原创，这次事件虽有新意，但“专家救场”模式依然明显。

主流媒体和网友的反应多集中在“AI取代数学家”或“业余者靠工具轻松破难题”上，强调模型的速度与跳出常规框架的能力。确实，AI展现出惊人的联想效率，能在短时间内提出意想不到的公式应用。但这种表面叙事掩盖了关键现实：AI原始输出往往逻辑跳跃，需要人类专家反复打磨才能达到严谨标准。这次成功更多源于Price的“vibe prompting”结合后续验证，而非模型单方面完美解决。

Tao在评论中指出，人类研究者似乎在第一步就走偏，集体陷入某种思维盲区。Lichtman则提到，AI的原始输出需要专家提炼，但它确实揭示了一个此前未系统应用于此类聚类问题的连接。70%和7%这样的剪刀差在企业AI部署中也常见，这次在纯数学里同样说明了方法论鸿沟：AI不是简单复制人类思路，而是发现了整数“解剖学”中更深层的统一结构，这才是真正突破。

这一新连接的意义在于，它避开了人类研究者常见的“心理堵塞”。Terence Tao指出，过去工作往往在第一步就集体走偏，转向概率或分析路径，而模型留在更纯粹的算术领域完成了证明。Jared Duker Lichtman也认可原始输出虽需专家整理，但核心洞见新颖，甚至可能对相关问题簇产生统一作用。

当然，现在下结论仍为时尚早。当前影响主要体现在Erdős problems网站的更新和社区跟进上，长期来看，如果更多研究者将“vibe mathing”系统化，与LLM协作探索盲区，AI辅助数学可能成为打破组合数学和数论猜想壁垒的常规方式；反之，若仅停留在个案提炼，实际加速效应或许有限。值得持续跟踪的是，这种人机协作能否在更多纯数学领域复制类似的结构发现。

深层来看，Tao的评论点出了关键：此前研究者可能在第一步就集体走偏，陷入了共同的思维惯性。AI因为缺少这些先入为主的框架，反而能发现跨领域的新连接。这对SEO内容创作者是个直接信号。在挖掘数学或科技niche话题时，传统路径往往导致内容同质化，搜索意图虽强却难脱颖而出。借助类似“vibe prompting”的策略，让AI先生成意外联想和公式应用，再由创作者注入原创洞察和案例验证，就能有效打破盲区，避免泛化输出。

目前来看，能把这一点做到位的项目，整体成功率明显更高。