AI粗糙输出如何被数学家“精炼”成Erdős正式证明？业余者+ChatGPT解决60年难题全流程

这并非技术本身的问题，而是组织适应与流程优化的必然结果。步骤梳理的普及过程，类似历史上多次技术变革的共同规律。

对普通人自学数学而言，门槛确实在降低。短期内，Erdős问题网站可能迎来更多业余者和学生借助ChatGPT/GPT系列的尝试，形成一波AI辅助解决潮。长期来看，这意味着更多人能触及前沿开放问题，却也需警惕AI依赖导致的浅层理解。如果AI证明持续被Lean等形式化工具验证，数学教育或转向提示工程与人类验证的混合模式；否则影响可能仍限于个别热情实践者。值得持续跟踪，现在下结论为时尚早。

从行业观察来看，这类事件正逐步勾勒AI辅助数学的边界。过去数学家可能独自苦思多年，如今一个普通人加一个大模型就能抛出新思路，专家再接力打磨成可验证成果。它降低了入门门槛，却没有取消专家角色，反而让“vibe maths”——那种凭直觉筛选模型意图、补齐逻辑缺口的能力——显得更加不可或缺。数据支持AI能加速发现新连接，但样本和实际案例仍显示，输出质量的不稳定性意味着大量人工干预在现阶段难以避免。

陶哲轩等专家随后评论指出，AI采用的路线与人类长期以来的路径截然不同，这件事暴露出的或许不止是AI的计算能力，更是人类思维中长期积累的盲区。

这件事暴露的并非AI单纯的计算力，而是人类在经典数论问题上的集体盲区：我们太习惯标准方法，以至于老工具的新用法长期被忽视。短期内，该证明已在Lean中形式化验证，并可能为一批相关Erdős原始集问题打开通道；长期来看，它提示数论研究或迎来新的“解剖大数”思路，但AI输出仍需专家严格筛查，其普适性仍有待观察。值得持续跟踪的是，如果类似单提示方法扩散，纯数学突破的参与门槛是否会进一步降低。

原始集在数论中是一个直观却深刻的泛化概念：正整数集合中任意两个不同元素互不整除，素数集就是最典型的例子。Erdős早在1935年就证明了任何原始集的某些求和性质有界，而问题1196是其渐近版本，关注当集合元素足够大时，尾部求和∑_{a∈A, a>x} 1/(a log a) 是否满足≤1 + O(1/log x)。此前Lichtman等人在相关猜想上已有重要推进，但这个具体界限卡住了数学家数十年。

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。

对比整个流程，AI更像一把“武装业余者”的工具，而非独立证明机。它擅长生成大量变体、尝试反直觉路径，有时能撞上人类因路径依赖而忽略的死角。但输出质量不稳定，逻辑完整性和细节严谨性仍需大量人工干预。Lichtman提到，这份输出需要专家深入挖掘价值；陶哲轩则视其为发现新思考大数方式的契机。

另一关键标准是可计算验证性。允许有限枚举或生成数据的题目，AI能通过迭代脚本快速检查猜想，而人类手动穷举往往力不从心。子集和相关变体就是典型：给定集合，子集和是否唯一或满足特定条件，网站上部分已有下界结果，OEIS提供序列支持。让模型编写动态规划代码，枚举n在10-20范围内的实例，再分析输出模式，常常能发现人类忽略的规律。这个过程不只推进问题，还能直观展示AI在离散优化上的效率。

AI在这次事件中扮演的角色更像一个提供意外连接的“灵感发生器”。它没有遵循人类习惯的“标准序列动作”，而是把已知90多年的Markov过程理论与整数解剖学以反直觉的方式结合，生成了一份带着明显缺陷却包含新路径的草稿。专家们随后联手精炼：清理跳跃步骤、强化核心权重、连接到zeta函数不变测度，最终把证明长度显著缩短。这过程凸显了AI的优势在于生成洞见火花，而严谨性和完整性仍依赖人类判断。

媒体和网友的反应迅速两极化。不少人惊呼AI将取代数学家，一个无专业训练的普通人就能“秒杀”60年难题。Fields Medal得主Terence Tao指出，此前研究者在问题起点就集体走了一点小弯路，存在某种心理障碍，AI则意外连接了整数结构与Markov过程理论。另一位专家Jared Duker Lichtman参与验证时提到，AI原始输出相当粗糙，需要人类筛选提炼。

我的观察是，步骤梳理的窗口期可能比想象中短。