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

附近1块1分跑的快群的长期竞争力，越来越依赖团队的学习能力和适应速度，而非初始资源投入。

AI在这次事件中扮演的角色更像一个提供意外连接的“灵感发生器”。它没有遵循人类习惯的“标准序列动作”，而是把已知90多年的Markov过程理论与整数解剖学以反直觉的方式结合，生成了一份带着明显缺陷却包含新路径的草稿。专家们随后联手精炼：清理跳跃步骤、强化核心权重、连接到zeta函数不变测度，最终把证明长度显著缩短。这过程凸显了AI的优势在于生成洞见火花，而严谨性和完整性仍依赖人类判断。

要看清这次事件的特别之处，先要理解原始集的概念。一组正整数构成原始集（primitive set），前提是任意两个不同元素之间不存在整除关系，素数集就是最典型的例子。Erdős早在1935年已证明任何原始集的“Erdős和”∑ 1/(a log a)存在上界，后续与合作者提出的渐近猜想则关注当集合元素都足够大时，这个和是否能控制在1+o(1)附近。问题1196正是这一猜想的精确化表述，核心在于定量刻画其衰减行为。

最近，一则来自Erdős问题网站的更新迅速在数学圈传播开来。23岁的Liam Price没有接受过高等数学训练，却通过ChatGPT Pro的一次“vibe-maths”式提示，让模型在约80分钟内生成了对问题1196的证明。

传统方法在处理这类原始集密度估计时，常自然转向Markov链或概率解释来捕捉集合的“稀疏性”。这些路径从人类直觉看顺理成章，却也形成了某种集体mental block。GPT-5.4 Pro的输出则不同，它停留在纯算术层面，巧妙调用了经典的von Mangoldt函数Λ(n)。这个函数通过∑_{d|n} Λ(d) = log n编码整数的唯一素因子分解，将原始集性质转化为直接的算术不等式，从而避开了分析工具中常见的困难。

最近，一则来自数学社区的动态迅速引发关注：23岁的业余爱好者Liam Price没有接受过高等数学训练，却借助ChatGPT Pro的一个提示，在大约80分钟内解决了Erdős问题#1196。这个问题由Erdős、Sárközy和Szemerédi在60多年前提出，围绕“primitive set”（原始集，即集合中任意两个不同元素互不整除）的加权和界限展开。

对比历史演进，AI在数学工具中的定位正经历类似AlphaGo到生成式模型的转变。前者依赖强大搜索击败人类，后者则通过连接看似无关知识点生成新想法。早期计算机主要承担计算验证，如今大语言模型开始主动提出意想不到的组合。这对数学研究而言具有里程碑意义——它暗示工具不再只是被动延伸，而是可能主动打破集体思维惯性，尽管样本仍有限，需持续观察后续验证效果。

表面信息往往停留在“业余爱好者用ChatGPT一键解决难题”的叙事上。Hacker News和相关论坛热议不断，网友惊呼这标志着数学的民主化开始，Terence Tao等专家也给出初步肯定，认为方法有新意。但主流讨论存在明显盲区：很多人强调AI“独立解决”，却忽略了原始输出仍需人类专家仔细梳理和完善。这并非AI首次辅助Erdős问题，此前已有工具帮助文献挖掘或生成草稿，核心区别在于这次的提示方式更接近直觉驱动。

值得持续跟踪的是，这种AI辅助创作的 democratize 效应会如何演化。如果模型能力继续迭代，更多非专业创作者将能产出高质量niche内容，推动SEO流量向“AI+人”混合原创倾斜；反之，若幻觉或验证成本上升，人类把关角色会更突出。现在下结论为时尚早，但Liam Price这次看似随意的尝试，已经清晰地指向了一个方向：内容创作的门槛在降低，而对提示质量和验证深度的要求，其实在悄然提高。

传统研究路径在处理原始集问题时，往往依赖从分析到概率的自然过渡。Jared Lichtman曾在2022-2023年间取得部分进展，证明了原始集在有限区间内的元素个数上界，但要实现任意ε>0下的精细渐近控制，仍面临分析层面的瓶颈。人类研究者倾向于这种概率框架，因为它直观且诱人，却无意中遮蔽了其他可能性。相比之下，AI这次没有跟随这一“心理习惯”，而是选择留在纯算术领域，直接调用了von Mangoldt函数这一经典数论工具。

但我的判断是——这一协作是否真正加速发现节奏，仍需观察：如果AI输出始终依赖顶尖专家提炼，其影响或许更多是改变而非单纯加快数学进展的节奏。

反馈汇总的实践案例越来越多，但成功样本仍相对集中。这说明，方法论之外，场景适配和资源投入同样关键。