业余爱好者用ChatGPT解决60年Erdős数学难题，对SEO内容创作者的4大启示

正规1元1分跑的快群领域，用户和搜索引擎都越来越重视内容的“判断可信度”。

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。

数据支持这一判断：过去AI数学应用多停留在辅助阶段，而本次案例中，AI贡献了人类未曾应用的公式重组，标志着从“聪明助手”向“路径发现者”的角色偏移。

对普通人的长期影响，已在逐步显现。自学数学的门槛确实在降低，以往需要系统专业训练才能接近的前沿问题，现在通过合理提示就能初步探索。但也要看到潜在风险，如果仅满足于模型输出而不深入理解逻辑，容易停留在浅层认知。值得持续跟踪，现在下结论为时尚早——如果AI证明持续被Lean等形式化工具验证，数学教育或将转向提示工程与人类验证的混合模式；否则，可能仍局限于个别突破案例。

表面上看，这是一次“门外汉借助最新大模型攻克老难题”的典型故事，主流报道多聚焦于23岁无专业训练的Liam Price如何用一次提示实现突破。陶哲轩在论坛中的点评被广泛引用，他指出人类多年来习惯的标准研究路径，反而遮蔽了更直接的算术领域处理方式。网友讨论则迅速转向AI是否会取代顶尖数学家，然而这些声音往往忽略了关键细节：AI的贡献在于提供新鲜视角，而非直接交付 flawless 的论文。

岁无高等数学背景的Liam Price，用一次ChatGPT Pro提示，在大约80分钟内拿到了Erdős问题1196的完整证明。这个问题涉及原始集——即正整数集合中任意两个不同元素都不互除——其倒数对数和在“足够大”元素上的渐近行为，困扰数学家60年。AI没有沿袭人类常见的概率路径，而是直接调用von Mangoldt函数，将其与整数唯一分解的经典恒等式相连，绕过了长期存在的分析障碍。

从行业角度看，类似突破短期内可能激发更多非专业人士尝试vibe math，加速Erdős问题列表的攻克。erdosproblems.com上相关实验已见增多，有人开始结合Lean形式化验证AI输出。长期而言，它或催生新的数学思考方式，帮助重新审视大数结构的隐含联系。不过，AI作用仍有限——其原始证明风格虽带来新鲜路径，却难以独立完成严谨闭环。如果更多案例出现，AI或许正成为一种“新连接方法”；反之，这也可能是孤例。

更重要的是，Price的“vibe mathing”——凭直觉提示而非严格推导——产生的草稿虽有新意，但仍依赖社区后续梳理才能形成可接受的形式。数据支持AI在速度上的优势，但样本显示，真正有效的贡献往往来自人机协作而非纯机器自治。

深层来看，这次事件的核心在于AI通过“vibe mathing”式的直觉提示，连接了不同数学领域，打破了人类长期形成的集体盲区。Erdős问题1196本质上考察原始集在数轴远端的行为：当只看大于x的元素时，那部分求和能否控制在1加上随x变大的对数项衰减误差内。传统刷题式自学往往卡在固定路径上，而问题驱动+AI迭代则允许模型尝试von Mangoldt函数结合Markov链视角，避开之前障碍。这个逻辑成立。

GPT-5.4 Pro生成的证明则完全绕开了这一惯性。它没有遵循常见的概率转向，而是坚持纯分析路径，巧妙调用了已有90年历史的von Mangoldt权重函数。该函数通过∑_{d|n} Λ(d) = log n这一基本恒等式，精准刻画整数的因子结构，同时融入类似Markov链的思路来“解剖”大整数的分布。

专家后来精炼了原始输出，并用Lean形式化验证通过，现在问题已在erdosproblems.com上标记为由GPT-5.4 Pro（Liam Price提示）解决。

数据与现实之间的落差，值得每一位观察者重视。