AI解决Erdős问题：业余爱好者用ChatGPT“随意一问”就破局，顶尖数学家如何看待未来？

这要求写作者具备较强的用户视角。

他们的这种随意实验背景，与60年专业努力形成了鲜明对比。

最近数学圈流传一个故事：一个23岁的业余爱好者，只用一条提示词，就让GPT-5.4 Pro在约80分钟内输出了一份针对Erdős问题1196的论证草稿。这份原始输出引入了人类长期忽略的路径，却结构松散、步骤跳跃，远非严谨证明。陶哲轩和Jared Lichtman随后介入筛选洞见、缩短论证，最终通过Lean形式化确认了结果。这件事比“AI直接解决难题”的标题复杂得多，核心在于人类专家如何处理AI的粗糙输出。

这一点目前行业内仍有不同声音。AI提示工程的成熟度将决定普通人贡献能否常态化，而如果验证机制滞后，则可能稀释社区信任。目前erdosproblems.com采取的透明披露AI使用并鼓励专家把关的做法，是一种积极探索，但能否在更大范围内推广，现在下结论为时尚早。这次事件比“AI又赢了”的简单叙事复杂得多，它正在悄然重塑数学研究的参与格局，却也留下了许多开放问题。

Scientific American等媒体突出“业余者单枪匹马靠AI破解难题”的戏剧性，许多网友最初将焦点放在AI如何绕过人类思维定势上。原始集问题由Erdős、Sárközy和Szemerédi在上世纪60年代提出，核心是对于足够大的整数支持的原始集，其特定加权和是否趋近于1。AI引入von Mangoldt函数与Markov链的结合，这种连接在文献中虽有痕迹，却未被此前研究者以类似方式应用于此类问题。

深入观察，“vibe math”的本质并非AI真正“理解”数学，而是它擅长在海量训练数据中捕捉“氛围”般的直觉连接。人类数学家常因路径依赖和心理障碍，在看似自然的分析序列上集体走偏——例如从概率解释直接跳入，却在第一步就遭遇技术难点。而AI没有这些预设，它用已有90年历史的von Mangoldt函数与Markov链进行全新组合，揭示了整数结构与概率过程间更紧密的联系。这种连接在先前文献中仅有零星暗示，却从未被明确建立。

围绕已解决问题的变体或延伸，往往是最佳练手目标。#1196解决后，其primitive set加权和的细化界限或推广到其他集合，仍留有空间。网站讨论线程显示，下界已较稳固，但定量估计仍有优化余地。输入“用概率方法或整数分解角度重新考察”，让模型生成多条证明路径，再用Lean草稿检查逻辑漏洞，收获显著。AI正帮我们清理这些低垂果实，让专业数学家专注更硬核的方向。

历史经验显示，意外工具常常打破学术僵局，比如望远镜让天文学家看到此前不可见的现象，这次AI扮演了类似“意外连接器”的角色。数据支持这一方向——过去几年AI已在Erdős问题网站上辅助解决数十个条目，但样本量仍有限，多数仍需人类验证。我的判断是，AI正成为强大数学导师，但成功关键始终在于人类的问题拆解与批判验证能力。没有好的问题意识，再强的模型也只是产出一堆待清理的草稿。

短期来看，此类事件很可能刺激更多数学爱好者和业余者涌入erdosproblems.com，使用AI工具尝试开放问题，社区验证流程或将逐步标准化以应对激增的AI辅助提交。长期而言，对专业研究者，AI可能从单纯检索工具升级为思路生成器；对普通从业者和学习者，提示工程能力与批判性验证技能将变得更为关键。

从历史视角看，过去AI在数学领域的许多成果更多是文献检索或已知技巧的重组，而非真正原创洞见。这次Erdős问题1196的解决虽引入了新连接，却仍需Tao和Lichtman等专家的介入才能提炼成可验证的形式。方向是对的——AI确实能提供人类因路径依赖而错过的思路。但现实更复杂：如果多数输出仍需“专家救场”，它就更多是强大生产力工具，而非独立颠覆者。70%和7%的剪刀差，在企业AI部署中早已显现，这次数学事件同样暴露了类似鸿沟。

深层观察，这次事件的关键不在于AI独自完成证明，而在于它以“vibe mathing”的方式生成新鲜思路。Liam Price的提示极为朴素，没有前期文献调研或复杂引导，模型却将数论中广为人知的工具首次有效应用于此具体问题。人类数学家多年来受思维定势影响，倾向于某种自然却遮蔽选项的框架；AI则不受这些先入之见束缚，保留纯分析路径并利用von Mangoldt权重化解难点。

失误分析的落地数据与行业预期之间仍存在明显剪刀差，值得每一位从业者持续复盘。