行业内关于尾盘收局的共识正在形成。
历史经验值得类比。当年计算器普及后，人类从繁重计算中解放出来，转而专注更高层的策略和创意。现在AI似乎正在类似地解放idea生成环节。过去面对复杂Erdős式问题或科技底层逻辑时，许多创作者因储备不足而浅尝辄止；借助类似Price的提示策略，他们可以快速产出多个大纲或公式应用角度，然后手动补充案例和判断，形成更具原创性的内容。这不是简单复制AI输出，而是让工具服务于人类的独特判断。
最近数学圈里一条消息迅速传播开来：23岁的业余爱好者Liam Price，几乎没有高等数学训练背景，在一个闲暇的下午，随手从Erdős Problems网站挑出一个问题，直接用一个简单提示丢给ChatGPT Pro。模型在约80分钟内给出了针对问题#1196的证明，这个关于原始集（primitive sets）的渐近上界猜想，已困扰数学家近60年。
深层来看，这次突破并非AI施展魔法，而是通过直觉式提示（vibe mathing）实现了跨领域连接，绕开了人类长期积累的思维盲区。Erdős问题1196本质是量化原始集在数轴远端的求和行为，传统思路多局限于纯分析框架，而GPT-5.4 Pro意外保留了算术工具如von Mangoldt函数，并引入Markov链视角，避开了前期障碍。
历史类比或许能提供更多启发。当年计算器普及后，人类不再纠结基础运算，而是把精力转向更高层的策略与创意。如今AI正在解放idea生成环节。对于小团队或业余创作者，面对复杂科技话题时，知识储备不足曾是最大障碍；现在他们可以快速让AI输出多个大纲、公式应用或跨界比喻，然后手动验证并注入个人判断，形成高搜索意图的原创深度内容。
对AI在数学研究中的角色，我的判断是它更多扮演了打破mental block的角色，而非简单替代人类计算。普通人如Liam Price，没有博士积累，仅凭Pro订阅和随意提示，就贡献了新视角，这降低了前沿参与门槛。当然，输出仍需专家仔细打磨，幻觉风险依然存在，样本案例目前有限，值得持续跟踪。但方向明确：当模型达到GPT-5.4 Pro级别时，它已在狭窄前沿领域展现生成原创洞见的能力。
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。
Liam Price的故事并非孤例，而是AI时代普通人借助工具参与科学前沿的缩影。erdosproblems.com这样的平台正因类似输入而更具活力，数百个开放问题或许将迎来新一轮“vibe mathing”实验。人类依然负责验证与拓展，但AI提供的全新路径，已悄然改变研究节奏。未来，更多跨领域爱好者或学生是否会重复这一过程，现在下结论为时尚早，却已足够引发思考：当简单提示就能绕过集体路径依赖时，数学研究的边界究竟会如何扩展。
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。
深层来看，AI这次的突破源于一种全新的连接方式。传统研究往往从概率框架切入，Lichtman在2022年前后的工作已取得部分上界结果，但要精细控制渐近行为仍面临分析障碍。AI却没有遵循这条诱人的路径，而是停留在算术领域，直接调用von Mangoldt函数——这一经典数论工具常用于素数分布和Riemann zeta函数研究。
长期而言，如果更多类似突破涌现，它或将催生新的数学思考范式，帮助我们重新审视大数结构中的隐含联系。AI在这里更像“新连接方法”的提供者，而非独立证明者。其原始输出往往需要人类精炼，这也提醒我们：AI辅助数学仍有明显边界。如果人类过度依赖直觉式跳跃，是否会逐渐削弱自身严谨推理能力？这一点目前行业内仍有不同声音，现在下结论为时尚早。
尾盘收局的应用，正在重塑内容生产的规则。
