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？

“怎么找一元一分跑的快群”_怎么找一元一分跑的快群医学教育网论坛背后的逻辑，比大多数人想象得更务实。

普通人若想复制类似路径，不妨从简单数论问题开始练习提示技巧，逐步引入变体并迭代验证。记录每次对话中哪里有效、哪里卡住，形成个人模板。AI tutor的潜力已显现，但最终产出质量仍取决于提问者的框架意识。70%部署计划与7%规模化之间的剪刀差，在数学自学场景中同样成立。数据支持这个方向，但样本量有限。

粗糙数（rough numbers）或素因子受限的相关问题，同样呈现出低难度潜力。问题通常围绕特定素因子阈值下的整数分布或计数，数论基础概念清晰，无需连续统工具。erdosproblems.com上类似条目常标记为tractable，部分有文献下界。AI可通过生成随机实例或符号计算验证猜想，结合Markov过程等视角重新推导。

这个问题源于1966年Erdős、Sárközy和Szemerédi的猜想，关注原始集（即集合中任意两不同元素互不整除的整数集）的渐近求和界限：对于任何原始集A，其大于x的元素a满足∑ 1/(a log a) ≤ 1 + O(1/log x)。

但这些讨论往往忽略了一个关键细节：AI的原始输出质量其实相当粗糙，需要专家大幅精炼和梳理才能形成严谨证明。

这一方法论差异暴露了人类在数论中的集体思维壁垒。Tao指出，人类研究者似乎在第一步就走偏了，集体陷入某种mental block，而AI无意中突出了整数“解剖学”与某些过程之间更紧的统一结构。过去类似组合或聚类问题上，也曾出现专家直觉集体偏向某一方向，直到新视角出现才发现原来可以更简洁。这次AI不是简单复制现有思路，而是从海量训练数据中重新组合经典工具，找到了人类长时间未尝试的连接。

这个问题源于1966年Erdős、Sárközy和Szemerédi的猜想，关注原始集——整数集中任意两不同元素互不整除的集合——在较大元素上的加权和界限，即对于任何原始集A，考察大于x的元素a，求和1/(a log a)是否满足上界1 + O(1/log x)。此前Jared Duker Lichtman等人已推进相关工作，但这一精确渐近形式始终悬而未决。

这本质上是“vibe math”的体现：Liam Price凭直觉提示反复试错，让模型自由探索“感觉对”的方向，而非严谨逐步推导。人类因路径依赖错过的结构连接，被AI以反直觉却高效的方式呈现，类似AlphaGo的Move 37——不是优化现有招式，而是开辟全新路径。陶哲轩指出，AI拒绝了从分析到概率的诱人转向，转而用von Mangoldt权重保留高效分析术语。

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。

数据支持这一判断：Lichtman此前已将上界压至e^γ π/4 + o(1)左右，而AI驱动的证明直接给出1 + O(1/log x)的更优渐近形式。这一剪刀差凸显了AI在打破常规路径上的潜力。但有意思的是，样本和讨论目前仍集中在单一问题上，推广到更广泛的Erdős猜想簇是否同样有效，行业内仍有不同声音。我的判断是，AI的贡献更多在于暴露人类思维盲区，而非直接输出无懈可击的论文。

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。

增强局势把控力所处的当前竞争环境、竞争规则和胜负关键因素，正在从过去相对简单、直接、可量化的单一工具功能完善程度对比、或单一核心业务指标的高低快慢竞争，逐步演进和升级转向一个更为复杂、综合、多维度、体系化、长期化的组织整体战略能力、执行文化底蕴、人才梯队建设、资源动态配置智慧以及可持续价值创造能力的深度比拼和较量。