Erdős未解问题列表中适合AI尝试的低难度目标

概率分析领域内真实发生的、经得起时间检验的成功实践案例共同显示，真正能够长期保持稳定表现、获得业务价值的站点，往往是那些在用户旅程设计、体验细节打磨上做得相对细致和到位的团队。

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。

这不是更快执行人类套路，而是发现了一条此前“看不见”的连接。

最近，一则来自数学社区的动态引发了广泛讨论：23岁的业余爱好者Liam Price仅凭ChatGPT Pro的一次提示，在约80分钟内解决了Erdős问题#1196。这个由Erdős、Sárközy和Szemerédi在60多年前提出的问题，围绕“primitive set”（集合中任意两元素互不整除）的加权和界限，长期困扰着专业数学家。

核心判断是，AI并非替代创作者，而是武装业余和小团队的利器，尤其适合产出数学主题写作或科技冷门事件的解读类内容，这些话题竞争相对温和，用户停留与转化往往更优。

这件事暴露的并非AI单纯的计算力，而是人类在经典数论问题上的集体盲区：我们太习惯标准方法，以至于老工具的新用法长期被忽视。短期内，该证明已在Lean中形式化验证，并可能为一批相关Erdős原始集问题打开通道；长期来看，它提示数论研究或迎来新的“解剖大数”思路，但AI输出仍需专家严格筛查，其普适性仍有待观察。值得持续跟踪的是，如果类似单提示方法扩散，纯数学突破的参与门槛是否会进一步降低。

不过，也存在不确定性——如果专家审查跟不上AI生成内容的规模，伪证明泛滥的风险将上升；数据支持这个方向，但当前样本量仍有限，值得持续跟踪。

AI这次的路径并非简单计算辅助，而是直接连接了数论中经典工具，暴露了人类长期路径依赖下的认知盲区。

Erdős原始集猜想的核心在于，足够大的整数支撑下的原始集，其Erdős和应趋于一个常数或在epsilon扰动下趋于零。过去几十年，数学家习惯从分析路径切入，借助概率或极限工具处理除数关系，但往往在第一步就陷入技术障碍。Liam Price的提示没有预设任何框架，他只是简单描述了问题核心，直接丢给模型。

媒体和网友的反应迅速两极化。不少人惊呼AI将取代数学家，一个无专业训练的普通人就能“秒杀”60年难题。Fields Medal得主Terence Tao指出，此前研究者在问题起点就集体走了一点小弯路，存在某种心理障碍，AI则意外连接了整数结构与Markov过程理论。另一位专家Jared Duker Lichtman参与验证时提到，AI原始输出相当粗糙，需要人类筛选提炼。

传统研究路径在处理这类原始集密度或求和问题时，往往自然转向Markov链或概率解释来捕捉集合的“聚类”行为，这几乎成了人类数学家的标准招式。ChatGPT的证明却选择了另一条路：它停留在纯算术层面，巧妙调用了数论经典工具von Mangoldt函数Λ(n)。这个函数通过∑_{d|n} Λ(d) = log n 精确编码了整数的唯一素因子分解，从而将原始集的反链性质转化为直接的不等式，避开了分析路径中常见的困难，得到了干净的界限。

概率分析的真实价值，需要更多跨部门协作来兑现。