23岁业余玩家用ChatGPT一举攻克60年未解Erdős问题1196：AI如何突破人类思维盲区

这才是适应算法变化并获得用户认可的有效路径。

Hacker News深层讨论聚焦AI是否展现“真实智能”。部分评论认为这更接近“vibe-maths”式的直觉联想，而非严格创造性证明——模型在高维搜索中找到有效路径，却难以独立完成形式化。另一些声音则看到潜力：AI能发现人类因路径依赖而忽略的连接，例如整数结构与概率视角的更紧密关联。Tao提到人类研究者常在第一步就出现小幅“心理阻挡”，AI没有这些包袱，直接尝试不同方向。

这件事比单纯的“AI又解题了”复杂得多。它提示我们，在专业领域，最新大模型的最大潜力在于生成那些看似跳跃却携带新鲜视角的内容，随后由领域专家提炼。普通科技从业者或数学爱好者不妨尝试类似路径：将复杂问题拆成简单提示输入模型，留意那些粗糙但有洞见的片段，再结合人工分析。未来这样的AI+人类故事会否越来越多，现在下结论为时尚早，但方向已足够清晰。

这一点目前行业内仍有不同声音。AI模型若继续迭代，或许能处理更复杂的中间步骤，缩小人机协作中的鸿沟；但若粗糙输出仍是常态，那么专家在筛选洞见、形式化验证上的投入就不会显著减少。Erdős问题网站的未来走向值得持续跟踪：更多业余尝试是否会带来真正突破，还是会放大现有模式的局限？现在下结论为时尚早，但这个案例已清晰表明，AI在数学领域的潜力，核心不在于取代人类证明，而在于如何被精炼成可靠成果。

岁无高级数学训练的Liam Price，用ChatGPT Pro的一个单提示，让GPT-5.4 Pro在约80分钟内给出了Erdős问题1196的解法。这个涉及原始集加权和渐近行为的猜想，已困扰数学家近60年。事件迅速登上Hacker News高分榜，社区反应从兴奋到审慎不一，核心争议在于AI究竟贡献了什么。

我的判断是，AI正成为强大却非万能的数学导师。成功关键始终在于人类的问题拆解与验证能力。历史上有不少案例，意外工具打破僵局——类似望远镜开启新天文观测，这次AI充当了连接器。但数据支持这个方向，样本量仍有限，值得持续跟踪，现在下结论为时尚早。方向是对的，但现实更复杂。

普通人若想复制类似路径，不妨从简单数论问题开始练习提示技巧，逐步引入变体并迭代验证。记录每次对话中哪里有效、哪里卡住，形成个人模板。AI tutor的潜力已显现，但最终产出质量仍取决于提问者的框架意识。70%部署计划与7%规模化之间的剪刀差，在数学自学场景中同样成立。数据支持这个方向，但样本量有限。

本质而言，AI并未取代数学家，而是将博士门槛悄然转化为提示词门槛。传统路径依赖多年系统训练和直觉积累，如今一个有好奇心的普通人，通过有效“vibe mathing”，就能借助前沿模型触达开放猜想。当然，验证输出、理解证明结构仍需一定素养，但进入壁垒确实降低。陶哲轩此前用AI辅助其他Erdős问题的案例也印证了这一点：核心始终是人机协作，而非单方面取代。数据支持这个方向，但样本量仍有限，长期效果值得持续观察。

最近数论圈里流传着一个意外的故事：23岁的Liam Price，没有高等数学训练背景，却在一个普通下午用ChatGPT（GPT-5.4 Pro）一个Prompt，在“vibe mathing”闲暇尝试中，输出了一份对Erdős问题1196的有效证明。Terence Tao和Jared Lichtman等专家验证后确认，这解决了困扰数学家近60年的原始集渐近界猜想。

这一点目前行业内仍有不同声音。如果AI幻觉问题未得到更好控制，伪证明泛滥的风险会加重专家负担，唯有将生成输出与深度人类审查紧密结合，才能真正释放价值。值得持续跟踪的是，类似Liam Price的单次80分钟实验，是否会成为数学发现的常规路径，还是仍需特定条件才能复制。现在下结论为时尚早，但AI从文献助手向创意贡献者的演进，已清晰可见。

这件事提醒我们，AI时代的内容壁垒在降低，但高质量输出的要求其实在提高。业余创作者不再是单纯的旁观者，而是能直接参与的玩家，关键在于如何平衡工具效率与个人验证。SEO站点若能系统化练习这类混合模式，或许能在数学主题写作或科技niche领域拉开明显差距。当然，AI模型若继续快速进步，创作民主化会加速；反之，若技术局限加剧，则需更强的把关机制。这个方向目前仍有不同声音，数据支持它，但最终效果仍需行业持续观察。

但现实更复杂，具体到每个站点仍有调整空间。