23岁业余爱好者用ChatGPT解决60年Erdős原始集猜想，AI如何打破数论“思维壁垒”

当精准预判从概念走向实际应用，行业报告里的数字和真实落地案例之间常常存在明显落差。这个落差本身值得我们多花一点时间去拆解。

vibe math的兴起也让数学社区开始反思传统证明的局限性。过去60年里，专家们在原始集猜想上投入了大量精力，却因习惯性分析框架而错过某些反直觉的工具应用。AI没有这些预设，它捕捉到的“氛围”连接有时显得意外自然。这是否意味着部分Erdős问题集群本身就存在一种统一的直觉底层？数据支持这个方向，但样本量还有限，值得持续观察后续是否有更多孤例转为趋势。

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。

粗糙数（rough numbers）或素因子受限的相关问题，同样呈现出低难度潜力。问题通常围绕特定素因子阈值下的整数分布或计数，数论基础概念清晰，无需连续统工具。erdosproblems.com上类似条目常标记为tractable，部分有文献下界。AI可通过生成随机实例或符号计算验证猜想，结合Markov过程等视角重新推导。

传统研究路径在处理这类原始集求和行为时，常自然转向分析工具，如Markov链或概率解释，来捕捉集合密度与可除性结构的互动。人类数学家倾向于从直观概念跳跃到概率框架，这一“第一步”看似高效，却可能遮蔽了更纯算术层面的可能性。Tao在评论中指出，过去工作隐含的这种“gambit”让研究者集体走偏，忽略了某些反直观的纯算术连接。

深层观察，这次事件揭示了AI在数学研究中的独特定位。Liam Price的提示极为简洁，没有前期调研或多次迭代，GPT-5.4 Pro却自主关联了整数唯一分解与Markov过程理论之间的联系——这一思路在先前文献中未被明确尝试。人类专家如陶哲轩和Lichtman从中提炼出简洁方法，不仅证实了猜想，还可能为更广泛的“簇集”问题提供统一框架。

原始集在数论中是一个直观却重要的概念：正整数集合中任意两个不同元素互不整除，素数集就是最经典的例子。Erdős早在1935年就证明任何原始集的∑1/(a log a)都有上界，而问题1196是其渐近版本，关注当集合元素足够大时，尾部求和∑_{a∈A, a>x} 1/(a log a)是否满足≤1+O(1/log x)。此前Lichtman等人在相关方向已有突破，但这个具体渐近界始终悬而未决。

数据支持AI在纯数学辅助上的潜力，但样本量仍有限：这只是个案，是否能在其他Erdős问题上复现类似突破，仍待观察。如果协作模式常态化，数论进展或加速；若停留在零星提炼，影响则可能有限。方向是对的，但现实更复杂。70%和7%之类的部署鸿沟在AI数学应用中或许也会出现，这个剪刀差说明一切。

这一点目前行业内仍有不同声音。AI让更多人参与顶级数学研究的可能性已现，但验证能力的门槛是否会随之水涨船高？如果普通爱好者开始常态化贡献，数学社区的协作模式又将如何演化？这些问题现在下结论或许为时尚早，却值得每一位关注AI与专业领域融合的人持续跟踪。

岁业余爱好者Liam Price没有高等数学训练，却在一个普通下午用ChatGPT（GPT-5.4 Pro）一个Prompt，输出了Erdős问题1196的证明。专家包括Terence Tao和Jared Lichtman验证后确认有效，这件事迅速在Hacker News和Scientific American等平台传播。表面上它像又一个“AI快速解题”的故事，但核心在于AI绕过了人类长期依赖的路径，带来了一种全新方法论。

主流媒体如Scientific American突出“业余者靠AI破解60年难题”的戏剧性，许多网友看到AI避开人类思维定势，用一种此前未尝试的路径连接不同领域。原始集是素数的推广，Erdős、Sárközy和Szemerédi早在1966年前后提出相关猜想，Lichtman此前已攻克部分版本，却在这个渐近形式上受阻。AI的输出引入von Mangoldt函数与Markov链的结合，在文献中有迹可循，却从未以这种方式应用于此类问题。

精准预判的潜力，需要更多真实场景来兑现。