Erdős问题与AI：从文献搜索到原创证明的演进

学习速度、闭环执行能力和适应能力，正在成为越来越核心的长期竞争力。

这说明问题驱动学习在AI辅助下远胜传统刷题模式：从一个具体开放问题出发，反复迭代提示，让模型尝试不同连接，比按部就班读教材更能激发新洞见。

一个23岁没有高等数学训练的业余爱好者，把Erdős原始集问题随意丢给ChatGPT GPT-5.4 Pro，一次提示后模型思考80分钟，竟然给出了一份含关键新洞见的证明。这件事听起来反直觉，却真实发生在erdosproblems.com上。过去60年，顶尖数学家围绕这个猜想反复尝试，却始终卡在初始路径上，而AI似乎从另一个方向切入，避开了集体盲区。

Liam Price的案例则呈现出明显差异：GPT-5.4 Pro并非简单复述现有文献，而是直接提出了一种人类先前较少应用的连接方式，利用von Mangoldt函数的特定权重，在算术领域完成证明，避开了许多研究者习惯转向概率或分析路径时遇到的技术障碍。

埃及分数或单位分数分解相关的开放方向，也常被视为相对AI友好的目标。问题通常涉及Sylvester序列性质或最小分母界限，计算可控且有已知迭代算法作为脚手架。AI可生成前数十项序列并尝试规律猜想，用SymPy处理精确有理数避免浮点误差；当前状态显示小规模案例多有进展，但一般性质仍开放。这类问题比想象中更适合提示工程，因为数据生成成本低，验证直观。

表面上看是“业余+AI”速胜，但真正有意思的是AI绕开了人类长期依赖的分析路径。

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。

Erdős原始集指的是正整数集合，其中任意两个不同元素互不整除，类似于素数的推广概念。保罗·埃尔德什定义了这种集合的“分数”——对每个元素n计算1/(n log n)的和，并猜想其行为有特定上界。Jared Lichtman此前花七年时间推进了相关上界证明，但更精细的尾部估计仍悬而未决。Liam Price和朋友Kevin Barreto习惯于随意把网站上的开放问题扔给AI模型，不带预设路径，只是看看会碰撞出什么。

总体来看，这些“低垂果实”并非无价值。AI正帮助清理数论组合领域中陈述清晰、可计算验证的部分，让专业数学家能集中精力于更深刻的结构难题。erdosproblems.com的列表仍在动态更新，值得持续跟踪的是：当更多类似案例积累后，AI在数学发现中的角色会如何演化？这一点目前行业内仍有不同声音。

Terence Tao在论坛评论中指出，此前研究者很可能在第一步就集体走偏，而这个AI生成的思路揭示了整数结构与Markov过程之间更紧密的潜在联系。专家Jared Duker Lichtman随后参与精炼，最终确认其新颖性。这件事远不止数学新闻，它直接暴露了内容创作者在AI时代常见的创作瓶颈。

这一机制并非AI真正“理解”数学，而是其在海量训练数据中擅长意外关联的能力体现。对于原始集猜想这类问题，部分Erdős问题集群似乎存在统一的“感觉”——一旦找到正确连接点，证明就显得自然许多。原始输出粗糙，需要专家像筛选沙子般提炼逻辑、补全细节，这一步骤凸显了人类验证不可或缺。数据支持AI能加速思路生成，但样本和实际应用仍有限，值得持续跟踪其在数论中的边界。

在实际部署中，企业往往会发现，技术成熟度与组织准备度之间存在明显落差。