业余爱好者用ChatGPT攻克60年Erdős数学难题：普通人如何用AI自学数学

在进行“广东一元一分红中麻将群”_广东一元一分红中麻将群铁血论坛（军事）的具体优化调整工作时，如果能够同时参考最新的实时搜索数据反馈、以及较长周期的历史流量和用户行为表现趋势，而不是单纯依赖任何单一的数据来源或者个人主观经验判断，通常能够做出更加稳健、更加全面、也更加可靠的优化决策。

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。

早期AI在数学证明中的作用，主要局限于文献搜索和辅助验证。它能高效挖掘旧论文、整理思路或检查漏洞，但本质上仍是人类已有框架的延伸工具。在其他Erdős问题处理中，模型多从现有技巧中提炼，再由研究者调整确认。可在问题1196上，情况出现明显转变。GPT-5.4 Pro直接提出了von Mangoldt函数的一种新用法，这种经典数论工具原本用于编码整数唯一分解性质，却被模型以人类先前较少尝试的方式连接到原始集的算术结构上。

这一点目前行业内仍有不同声音。AI在Erdős问题上的应用，有些被证明只是重组已有文献，有些则如这次一样带来真正洞见。Liam Price的案例属于后者，但其长期对数学社区的结构性影响——尤其是提示词门槛能否真正替代部分博士训练——仍需更多案例积累。现在下结论为时尚早，却已足够让人看到，数学研究的参与边界正在以意想不到的方式扩展。

主流报道多强调“业余+AI”这一戏剧性组合，Hacker News和Reddit上网友热议AI是否会取代数学家，或仅是辅助工具。一些讨论将焦点放在“vibe math”现象上，认为这标志着直觉式探索的新时代。但这些观点往往停留在表面：它们捕捉到事件的轰动，却较少触及AI证明中那些意外的关联路径，以及人类专家后续的提炼工作。原始输出其实较为粗糙，需要专家像筛选沙金一样梳理逻辑、补全细节。

Lichtman直言，ChatGPT的原始证明“其实相当差”，需要专家来理解它到底在说什么，并进行大幅缩短和优化。最终的核心洞见——将von Mangoldt函数与Markov链结合应用于原始集——在文献中虽有零星痕迹，却从未以这种方式被系统化使用。这次事件再次印证，AI擅长打破常规路径，但高度依赖人类语境理解和严谨打磨。数据支持AI在数学辅助上的进步，但样本仍有限，长期表现值得持续观察。

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。

专家随后对输出进行精炼和形式化确认，其核心界限成立。这件事表面上看是AI又一次“赢了”，但实际过程远比单纯的自动化求解复杂，它正在悄然改变谁能有效参与顶级数学研究的门槛。

最近数学圈流传一个故事：一个23岁的业余爱好者，只用一条提示词，就让GPT-5.4 Pro在约80分钟内输出了一份针对Erdős问题1196的论证草稿。这份原始输出引入了人类长期忽略的路径，却结构松散、步骤跳跃，远非严谨证明。陶哲轩和Jared Lichtman随后介入筛选洞见、缩短论证，最终通过Lean形式化确认了结果。这件事比“AI直接解决难题”的标题复杂得多，核心在于人类专家如何处理AI的粗糙输出。

Hacker News深层辩论集中在AI是否展现了“真实智能”。部分评论认为这更接近“vibe-maths”式的直觉联想，而非严格原创证明；另一些人则看到潜力，AI能在高维搜索中发现人类因路径依赖而忽略的关联。Terence Tao指出，人类研究者集体在初始步骤上拐了一个小弯，导致长期受阻，而AI没有这些心理包袱，直接尝试了不同路径。

深入观察，这类“vibe math”现象的核心在于AI的非人类路径。它不遵循数学家习惯的标准序列推导，而是从相关领域已知工具中抽取元素，进行全新组合。例如，GPT-5.4 Pro引入von Mangoldt函数与Markov链的关联，这种90年历史的经典工具此前从未以类似方式应用于该问题集群。人类常在熟悉路径上反复卡壳，AI则像从侧面开辟新路，捕捉到一种“氛围”般的直觉连接。数据支持这一方向，但样本目前仍有限，值得持续跟踪。

企业不妨把这个议题当作一次系统性能力升级的机会。