23岁无高数训练的业余者，用ChatGPT一键解决60年Erdős难题，这对普通数学爱好者意味着什么

数据层面的变化相对清晰，执行层面的反馈则更复杂。

最近，一则来自erdosproblems.com的消息迅速在Scientific American和Hacker News上发酵。23岁的Liam Price没有接受过高级数学训练，却在一个普通周一下午，向GPT-5.4 Pro输入一个提示，模型在约80分钟的连续思考后，输出了一份针对Erdős问题1196的证明草稿。

它要求人类仔细“sift through”——像淘金般筛选意图，修复逻辑缺口。主流报道聚焦励志逆袭，却较少触及AI生成内容的粗糙本质。

主流报道多强调“AI随便就解决了人类卡60年的难题”，Hacker News讨论帖迅速积累数百回复，网友惊叹业余玩家加大模型的组合。Terence Tao等专家在erdosproblems.com论坛给出初步反应，有人称赞证明的优雅，有人则指出这远非单纯计算辅助。表面热闹之下，很多人忽略了关键：AI生成的证明避开了人类从1935年以来集体采用的“分析转概率”标准路径，这一隐形定势才是长时间未解的深层原因。

判断Erdős问题是否适合AI尝试时，清晰陈述是首要门槛。一句话或几行公式就能概括的问题，像#1196的核心界限估计，远比需要大量预备知识的几何问题友好。大型语言模型擅长解析这类逻辑结构，能快速生成假设路径或证明草稿。初学者也因此更容易找到切入点。实际操作中，直接复制问题原文，辅以“从基本数论出发找模式”的指令，往往就能启动有效探索。结合OEIS序列搜索小规模数据，进一步降低幻觉风险。

历史上，人类因集体定势错过简单路径的案例并不鲜见，这次AI的“vibe mathing”模式恰好提供了新鲜的粗糙洞见，而非完美的现成答案。

人类研究路径往往从分析工具切入，再自然转向概率框架，这种“分析转概率”的标准走法自1935年起就成为默认套路。结果是集体在早期步骤形成隐形定势，即使Lichtman与Fields Medal级合作者联手，也难以突破。数据支持这一观察：Lichtman证明了Erdős和的上界接近1.636，却在1196的渐近版本上反复受阻。方向是对的，但现实更复杂——微小的早期偏差积累成巨大障碍。

深层来看，这起事件戳中了人类思维的集体盲区。Tao指出，许多研究者习惯从标准路径出发，导致后续努力事倍功半。AI因缺乏这些先入为主的框架，反而能发现意想不到的连接，比如将von Mangoldt函数与原始集问题结合。对SEO内容创作者而言，这是一个清晰信号：传统niche数学或科技话题写作常卡在“切入角度雷同”上，大家内容高度相似，搜索意图虽强却难脱颖而出。

问题本身源于Erdős、Sárközy和Szemerédi约60年前的猜想，核心围绕原始集（primitive sets）——即任意两个不同元素不存在整除关系的正整数集合——在足够大数上的渐近行为。

这个案例让行业观察者看到，强大语言模型在狭窄前沿领域已能生成原创洞见，尽管仍需人类严格检查与打磨。Liam Price的“vibe mathing”实验，本质上是让AI在无预设约束下探索可能性，结果它走出一条人类集体盲区之外的路径。数据支持AI辅助数学研究的潜力在提升，但样本仍有限，值得持续跟踪的是，这种新方法能否在其他类似问题中复制。

这个过程被Price和社区称为“vibe math”——凭直觉式提示反复试错，让模型自由探索不同数学分支的已知工具，再由人类筛查精炼。Price本人甚至没有深入背景知识，只是闲散地将问题丢给GPT-5.4 Pro，结果模型吐出一个看似靠谱的框架，后续经Lichtman等人打磨成更简洁的形式。相比AlphaGo的Move 37，这一步同样开辟了新路径：不是优化现有招式，而是打破人类因习惯而形成的认知壁垒。

我的判断是——但这个判断可能需要修正——真正持久的玩家，会选择更克制的路径。