AI解决Erdős问题：业余爱好者用ChatGPT“随意一问”就破局，顶尖数学家如何看待未来？

谁有1元1分红中麻将群的竞争格局，正在从广撒网向深耕细作迁移。

短期来看，这一事件很可能激发更多业余爱好者和研究者尝试vibe math，将开放问题扔给ChatGPT以获取新鲜思路。erdosproblems.com网站上类似实验已在增加，有人开始结合Lean形式化验证AI输出。人类把关环节依然关键——再有洞见的原始证明，也需专家sift和打磨，才能成为严谨成果。数据支持这个方向，但样本量仍有限，值得持续跟踪。

AI没有沿袭人类常见的分析路径，而是意外地应用了von Mangoldt函数与马尔可夫链的组合，绕开了此前研究者集体踩过的坑。Terence Tao等专家后续验证并精炼了输出，确认了其新颖性。这件事表面上看是数学领域的意外突破，实际却直指内容创作领域的一个长期痛点：传统思维框架往往限制了niche话题的挖掘深度。

最近，一则关于AI在纯数学领域的突破迅速登上Hacker News高分榜。23岁的Liam Price没有接受过高级数论训练，却在闲暇时用ChatGPT Pro的一个单次提示，让GPT-5.4 Pro在约80分钟的推理时间内，给出了困扰数学家60年的Erdős问题1196的解法。

但盲区同样明显：AI原始输出往往逻辑跳跃、表述粗糙，仍需专家如Jared Duker Lichtman等人进行筛选和提炼，单纯复制提示词难以复制成功。

这种“vibe math”本质上是直觉式提示与反复试错的结合。Price本人描述，他甚至没有深入背景知识，只是随意将问题抛给模型，AI便自主探索“感觉对”的方向，随后由专家精炼成更简洁的形式。数据支持这一判断：证明已在Lean系统中形式化验证，erdosproblems.com也更新了状态。但有意思的是，原始输出仍需人类筛查，样本和上下文的局限性意味着当前结论仍有待更多案例检验。方向是对的，却不排除未来需要修正。

从历史脉络看，此前AI在Erdős问题上的许多成果更接近文献重组或已知技巧的应用，而这次事件中，AI引入了von Mangoldt函数与Markov链的结合——一个90年历史的工具，却从未以这种方式用于原始集问题。数据支持这个方向，但样本量仍有限。区别在于，这次的时间窗口可能短得多：随着模型迭代，类似单提示突破或将不再是孤例，但若多数输出仍需专家“救场”，AI在数学中的角色就更多是生产力放大器，而非独立创造者。这个逻辑成立。

Tao在评论中指出，人类研究者似乎在第一步就走偏，集体陷入某种思维盲区。Lichtman则提到，AI的原始输出需要专家提炼，但它确实揭示了一个此前未系统应用于此类聚类问题的连接。70%和7%这样的剪刀差在企业AI部署中也常见，这次在纯数学里同样说明了方法论鸿沟：AI不是简单复制人类思路，而是发现了整数“解剖学”中更深层的统一结构，这才是真正突破。

短期内，这一事件已推动Erdős问题网站更新状态，证明在Lean中完成形式化验证，数学社区开始测试类似“簇集”问题是否也能受益于AI辅助视角。长期来看，它暗示AI+人类协作的新范式可能降低高端研究的入门门槛，让更多业余爱好者贡献粗糙但有洞见的输出，而专家负责提炼与扩展。不过，如果AI输出始终依赖顶尖人类完善环节，它究竟会加速发现节奏，还是主要改变节奏，目前数据尚不足以下定论。

实际操作中，这种AI辅助内容创作的潜力远不止数学难题。你可以让AI针对一个Erdős相关或类似科技冷门话题，生成3-5个不同切入角度的大纲，包括历史背景、跨界类比和公式应用。然后自己补充专家观点、真实案例和对读者的意义，测试这些内容在搜索中的表现。经验显示，提示越带探索性，AI输出的新意就越多，但后续验证环节绝不能省略。值得持续跟踪，现在下结论为时尚早。

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。

实用干货谁有1元1分红中麻将群_张掖论坛的讨论热潮过后，真正考验才刚刚开始。