ChatGPT“氛围数学”现象解读：业余爱好者如何用AI破解60年Erdős难题

单纯追求排名已不再是唯一目标，更重要的是内容能否真正帮助用户形成判断。

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。

不过，哪些问题真正“低难度”而非伪装的陷阱，行业内仍有不同声音，持续观察erdosproblems.com的更新或许最稳妥。

erdosproblems.com目前收录了上千个Erdős未解问题，其中数论和组合数学方向占比显著。许多问题无需高深背景，仅涉及素数分布、子集和或基本集合性质，却仍处于开放状态。AI的优势在于快速生成假设、枚举小规模实例并通过模式识别推进，这些“低垂果实”正成为测试提示工程和计算辅助的有效场地。相比那些需要深厚直觉的硬核难题，它们提供了更快的反馈循环。

这一点目前行业内仍有不同声音。AI让更多人参与顶级数学研究的可能性已现，但验证能力的门槛是否会随之水涨船高？如果普通爱好者开始常态化贡献，数学社区的协作模式又将如何演化？这些问题现在下结论或许为时尚早，却值得每一位关注AI与专业领域融合的人持续跟踪。

从历史脉络看，此前AI在Erdős问题上的许多成果更接近文献重组或已知技巧的应用，而这次事件中，AI引入了von Mangoldt函数与Markov链的结合——一个90年历史的工具，却从未以这种方式用于原始集问题。数据支持这个方向，但样本量仍有限。区别在于，这次的时间窗口可能短得多：随着模型迭代，类似单提示突破或将不再是孤例，但若多数输出仍需专家“救场”，AI在数学中的角色就更多是生产力放大器，而非独立创造者。这个逻辑成立。

这一点目前行业内仍有不同声音。数据支持AI在避开人类思维定势上的潜力，但样本量仍有限，值得持续跟踪，现在下结论为时尚早。究竟这类认知跃迁能否系统化改变数论研究范式，或许还需要更多类似案例来验证。

然而，表面戏剧性背后隐藏着更微妙的现实。Lichtman在评论中直言，ChatGPT的原始证明输出“其实相当差”，需要专家大幅梳理和精炼，才能提炼出其中有价值的核心洞见。Tao也指出，人类长期受阻于一个“小小的心理阻挡”，而AI的贡献在于打破常规开局，但最终的严谨形式化和验证仍高度依赖人类介入。目前该证明已在Lean系统中得到形式化确认，却并非完全自主生成。

岁业余爱好者Liam Price在一个闲暇下午，仅用一个提示词就让GPT-5.4 Pro在约80分钟内输出了Erdős问题1196的全新证明思路。这个问题关注原始集（primitive sets）中元素满足无倍数关系的条件，其求和项1/(a log a)在下界x趋于无穷时的尾部衰减速率。此前人类专家围绕分析路径尝试多年，却因集体思维定式未能达成预期上界。

原始集指一组正整数，其中任意两个不同元素互不整除，最经典例子便是素数集。Erdős早在1935年证明任何原始集的∑ 1/(a log a)有上界，后来与合作者提出更强猜想：当考虑仅由大于x的大数构成的原始集时，这个和是否趋向于1的上界。问题1196正是这一渐近版本的精确表述，60年来吸引了包括Jared Lichtman在内的顶尖专家反复尝试，却始终未能突破。

GPT-5.4 Pro的输出虽粗糙，却引入了von Mangoldt函数的意外应用，将除数链重构为带权马尔可夫链，利用∑_{d|n} Λ(d) = log n这一经典恒等式，避开了人类常见的分析跳跃。这一方法并非传统路径，却提供了更自然的算术连接。

这一点目前行业内仍有不同声音，但多数资深观察者倾向于质量优先。