业余数学爱好者如何借助AI进入顶级数学研究

这也是很多页面排名波动的重要原因之一。

Terence Tao在讨论线程中指出，人类此前似乎在第一步就集体走偏，存在某种思维定势。AI则跳出这个框架，用经典数论工具实现了意想不到的组合。Jared Duker Lichtman也提到，原始输出虽需专家整理，但核心洞见确实新颖，甚至可能对相关问题簇起到统一作用。这次证明已进入Lean形式化验证阶段，专家们正进一步精炼其结构。

但多数讨论停留在惊叹AI强大或门槛降低上，较少触及方法本身的突破性。

有意思的是，这次突破也暴露了不确定性。如果AI的幻觉问题未能得到更好控制，伪证明或不严谨输出可能增多，专家验证负担会加重。数据支持AI在特定场景下的创意贡献，但样本量仍有限，值得持续跟踪，现在下结论或许为时尚早。AI与人类判断的深度结合，才是真正推动数学工具演进的关键。

判断Erdős问题是否适合AI尝试时，一个关键标准是问题陈述是否简洁且可形式化。#1196的核心就是primitive set的倒数加权和行为，逻辑结构直白。AI擅长解析这类清晰框架，能快速输出证明草稿或变体路径；初学者则容易抓住起点，通过OEIS序列辅助小数据验证。操作上，直接复制问题原文并附加“从基本数论角度找模式”的指令，往往就能启动有效探索。

这个火花虽粗糙，却打破了长期存在的mental block。

GPT-5.4 Pro的证明走了一条纯分析路线，利用了已有90年历史的von Mangoldt权重函数。该函数满足∑_{d|n} Λ(d) = log n，这一恒等式巧妙编码了整数的唯一因子分解结构。它没有急于引入概率解释，而是结合类似Markov链的思路对大整数结构进行“解剖”，最终得到更强的定量界：∑_{a∈A, a>x} 1/(a log a) ≤ 1 + O(1/log x)。这一连接在人类看来相当反直觉，却让论证自然闭合。

这不是更快执行人类套路，而是发现了一条此前“看不见”的连接。

Price的案例并非孤立，Terence Tao等专家已注意到，AI在这些问题上展现出寻找人类未曾尝试连接的能力，尽管验证仍需人类把关。

在组合领域，某些涉及有限枚举或序列性质的问题也呈现AI友好特征。AI能高效生成变体并测试一致性，尤其当提示强调“从基本概念出发，逐步构建”时。值得持续跟踪的是，随着模型迭代，这些低难度目标的解决速度可能远超预期——低难度不等于无价值，它们正帮助清理外围，让核心数学家聚焦更深刻的结构问题。现在下结论为时尚早，但趋势已相当明显。

早期AI在数学研究中的角色，主要停留在文献搜索和辅助验证层面。面对大量Erdős开放问题时，模型常被用来挖掘旧论文、整理已有思路，或快速检查潜在漏洞。这种辅助方式确实加速了部分进展，但本质上仍依赖人类设定的路径框架。

当项目进入上下分一块1分跑的快群的灰度期，团队最宝贵的资产其实是“可快速修正的能力”。