没有数学博士也能参与Erdős问题解决的AI时代

提供框架式思考和可迁移判断的页面，更容易在多次迭代中保持优势。

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。

从更广视角看，这类案例正在悄然改变数学研究的节奏。业余者用单次提示就能贡献新思路，Erdős问题网站或许会迎来更多类似投稿，Lean等工具则加速了验证环节。但核心判断不变：AI擅长开辟新连接，却难以独立产出可直接发表的严谨证明。人类专家在修复错误、深化洞见方面的作用，不仅没有削弱，反而因AI的存在而更显关键。这一点目前行业内仍有不同声音，数据支持协作方向，但样本量仍有限，值得持续观察后续发展。

AI没有沿袭人类常见的分析路径，而是意外地应用了von Mangoldt函数与马尔可夫链的组合，绕开了此前研究者集体踩过的坑。Terence Tao等专家后续验证并精炼了输出，确认了其新颖性。这件事表面上看是数学领域的意外突破，实际却直指内容创作领域的一个长期痛点：传统思维框架往往限制了niche话题的挖掘深度。

事件本质并非AI施展魔法，而是通过直觉式提示与迭代，连接了不同数学领域，避开了人类长期形成的思维定式。Erdős问题1196的核心是原始集在数轴远端的求和控制，传统路径多从纯分析切入容易卡住，而模型保留了von Mangoldt函数等算术工具，结合概率视角给出了更紧致的O(1/log x)界。这个过程显示，问题驱动学习远胜按部就班刷题：从具体开放问题出发，反复调整提示，让AI尝试跨领域连接，往往能快速暴露新路径。

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。

岁业余爱好者Liam Price没有高等数学背景，却在一个普通周一下午用单次简单提示让GPT-5.4 Pro思考约80分钟，就为困扰数学家60年的Erdős Problem 1196提供了关键突破。这个关于原始集（primitive sets）中大整数部分1/(a log a)求和渐近上界的猜想，长期以来被视为一类“簇集”问题的代表。

已有部分进展的问题特别值得关注。例如与primitive set相关的延伸，或粗糙数（rough numbers）的素因子限制，这些在网站上常有下界结果和文献线索。数据支持AI从这些脚手架起步：先生成随机实例计算数值，再尝试推广猜想。70%以上的此类问题在小规模下已有OEIS支持，这个剪刀差说明计算辅助能快速缩小搜索空间，但大规模推广仍需新洞见。

Terence Tao指出，人类研究者“集体在第一步拐了个小弯”，而AI直接绕过这一盲区，提供了一个更透明的解析框架。这不是AI的魔法，而是它生成新路径的能力：不纠结标准序列，而是从相关领域工具中抽取元素，组合出前人未尝试的角度。原始集问题的渐近版本，本质上关注当集合元素足够大时，涉及1/(a log a)的和式上界是否趋近1+O(1/log x)。

岁业余爱好者Liam Price在一个闲暇下午，只用一个提示词让GPT-5.4 Pro在约80分钟内给出了Erdős问题1196的全新证明。这个问题关注原始集（primitive sets）中元素满足无倍数关系时，其尾部求和1/(a log a)随x趋于无穷的衰减速率，此前人类专家尝试多种分析路径却因集体思维定式长期未能突破。事件迅速在数学圈传播，却远不止“AI秒杀专家”的表面热闹。

已有部分进展或OEIS序列支持，能大幅降低起点难度。网站上许多问题附有下界、上界或文献提及，OEIS提供整数序列辅助模式识别。这些“脚手架”让AI不从零开始，初学者也能快速站在前人基础上迭代。参考Price的“vibe matching”式多轮探索，而非一次性求解，效果往往更好，尽管样本量有限，方向值得持续跟踪。

经典套路的落地故事里，成功者与挣扎者的共同点是都低估了组织惯性。