业余爱好者用ChatGPT单提示解决60年Erdős未解问题：实用提示工程技巧

前提是把内容做到足够深，而不是盲目追求广度。

“vibe math”的核心在于AI不遵循人类数学家习惯的标准序列。它绕过路径依赖，从相关领域已知工具中抽取元素进行全新组合，比如用von Mangoldt函数和Markov链权重，建立整数结构与概率过程间的紧密联系。这种“氛围”般的直觉连接，此前文献中仅有零星暗示，却从未被明确构建。人类尝试往往从分析方法入手，第一步就集体拐了个小弯，导致后续卡住。AI则没有这些预设，方向是对的。

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，用一次简单提示让GPT-5.4 Pro思考了约80分钟，就为困扰数学界60年的Erdős Problem 1196提供了关键突破。这个问题涉及“原始集”（primitive sets）中元素满足无倍数关系时，求和1/(a log a)在足够大整数上的渐近行为。

深入观察vibe math的核心机制会发现，它并非AI“理解”了数学，而是擅长在海量训练数据中捕捉意外关联。人类数学家习惯沿着标准分析路径推进，却常常在第一步就因路径依赖而集体拐弯，导致后续卡壳。AI则不同，它不带这些心理障碍，直接从相关领域抽取元素进行全新组合，比如用von Mangoldt函数和Markov过程的联系来处理原始集的μ(A)衰减问题。这种“氛围”式的直觉连接，绕过了人类熟悉却狭窄的山路，从侧面开辟了新径。

Jared Lichtman作为这一簇问题的顶尖专家，曾花七年时间追逐相关变体，他对AI生成的思路给予高度评价，认为它可能构成该问题的“Book Proof”。原始输出虽逻辑不够流畅，却提供了缩短证明的关键杠杆：专家只需从中“vibe mathing”般筛选洞见，就能大幅精炼论证。这验证了一个模式——AI的真正贡献往往不在输出完美论文，而在于生成那些粗糙却未被人类尝试过的公式应用。

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。

对普通人而言，自学数学的门槛正在实质性降低。以前需要系统专业训练才能触及的前沿开放问题，现在通过合理提示就能初步探索，Erdős问题网站可能很快迎来更多AI辅助尝试潮。但也要警惕过度依赖的风险，如果只满足于模型给出答案而忽略背后的逻辑，很容易停留在浅层理解。长期来看，数学教育或许会逐步转向提示工程与人类验证的混合模式，这一转变的具体形态目前行业内仍有不同声音。

历史经验显示，意外工具常常打破学术僵局，比如望远镜让天文学家看到此前不可见的现象，这次AI扮演了类似“意外连接器”的角色。数据支持这一方向——过去几年AI已在Erdős问题网站上辅助解决数十个条目，但样本量仍有限，多数仍需人类验证。我的判断是，AI正成为强大数学导师，但成功关键始终在于人类的问题拆解与批判验证能力。没有好的问题意识，再强的模型也只是产出一堆待清理的草稿。

岁业余爱好者Liam Price没有接受过高级数学训练，却在一次闲暇测试中，用ChatGPT Pro的一个提示让GPT-5.4 Pro在约80分钟内生成了Erdős问题1196的解法思路。这个涉及原始集（primitive sets）加权和渐近行为的猜想，已困扰数学家近60年。Hacker News上相关讨论迅速获得高分，Scientific American等媒体也跟进报道，表面上看似AI能力的一次戏剧性突破。

一个23岁年轻人，没有高等数学训练背景，却通过一次随意提示，让ChatGPT GPT-5.4 Pro在80分钟内输出了一份针对Erdős Problem #1196的证明草稿，这件事打破了数学界对AI辅助研究的常规预期。原始集问题源于保罗·埃尔德什等人的工作，关注正整数集合中任意两元素互不整除的结构，其“分数”和∑ 1/(a log a) 的渐近行为长期悬而未决。

对普通人而言，自学数学的门槛正在显著降低。短期内，更多业余爱好者和学生会涌向ChatGPT或GPT系列，尝试攻克Erdős问题网站上的开放题目，可能很快形成一波AI辅助解决潮。长期来看，这意味着以前需要系统专业训练才能触及的前沿内容，现在通过合理提示就能初步探索。但也需警惕AI依赖：如果只满足于模型输出而不深入理解逻辑，很容易停留在浅层认知。

强烈推荐的潜力仍在，但需更细致的打法。