Hacker News热议：23岁业余者用ChatGPT单提示解决60年Erdős问题，AI数学能力再引争议

不少站长在24小时一元一分红中麻将群的布局上，开始注重长期内容资产的构建。

AI这次采用的路线截然不同。它没有急于转向概率框架，而是停留在算术领域，直接调用von Mangoldt函数——这一数论经典工具常用于素数分布和Riemann zeta函数研究。该函数的核心恒等式编码了整数唯一分解定律，AI以人类未曾尝试的方式将其与原始集倒数对数和收敛问题拼接，最终证明对于任意原始集A，当考虑大于x的元素时，∑ 1/(a log a) ≤ 1 + O(1/log x)。这个剪刀差式的对比，凸显了方法创新的价值。

Jared Lichtman曾花费七年时间推进相关上界，却始终未能完全解决这一精细版本。Liam Price与朋友的“vibe mathing”实验，本是随意尝试，却意外撬动了这一60年难题。

那个普通的周一下午，Price对GPT-5.4 Pro发出了一个简洁描述Erdős Problem #1196核心的提示，没有复杂的文献铺垫，也没有预设分析框架。模型思考了约80分钟，输出了一份粗糙却蕴含关键洞见的证明草稿。Price将结果贴到论坛后，很快引发讨论。他的合作者意识到潜在价值，联系专家进行验证。专家们确认证明成立，且方法与人类以往路径截然不同。

判断Erdős问题是否适合AI尝试时，一个关键标准是问题陈述是否简洁且可形式化。#1196的核心就是primitive set的倒数加权和行为，逻辑结构直白。AI擅长解析这类清晰框架，能快速输出证明草稿或变体路径；初学者则容易抓住起点，通过OEIS序列辅助小数据验证。操作上，直接复制问题原文并附加“从基本数论角度找模式”的指令，往往就能启动有效探索。

短期内，这一事件可能推动更多Erdős遗留问题被快速攻克。数学家们开始讨论如何系统性利用AI筛查原始输出，而不是将其视为最终答案。长期来看，如果AI持续擅长发现跨领域连接，那么数学研究或将从人类主导转向人机共创模式，加速揭示整数结构与Markov过程等理论间的统一联系。当然，这一点目前行业内仍有不同声音：AI究竟是在高效重组已有材料，还是真正开辟认知盲区，仍需持续跟踪，现在下结论为时尚早。

AI则留在算术领域，直接调用von Mangoldt函数——其基本恒等式编码了整数唯一分解定律——以人类未曾尝试的方式拼接至原始集倒数幂和收敛问题，最终证明对于任意原始集A，当x充分大时，∑_{a>x} 1/(a log a) ≤ 1 + O(1/log x)。这个剪刀差说明一切：70%类似部署计划与实际规模化率的鸿沟，在AI这里被直觉式连接打破。

对比整个精炼过程，AI的作用更像一个提供意外种子的工具，而非独立证明机。Lichtman和陶哲轩随后联手缩短证明长度，清理冗余步骤，并将核心想法表述得更清晰。最终，通过Lean定理证明器对精炼版本进行形式化验证，确认了其正确性。如今erdosproblems.com已将问题1196标记为已解决，归功于GPT-5.4 Pro在Price提示下的贡献，并附上专家讨论记录。

值得持续跟踪的是，普通读者如何将这一路径转化为个人实践。从简单数论问题入手练习提示词技巧，逐步升级到开放数学资源，同时记录迭代过程和验证步骤，形成自己的模板。数据支持这个方向，但样本量有限，现在下结论为时尚早。普通人用AI做问题驱动学习，究竟能走多远，仍需更多真实案例来回答。

人类60年来未能突破的关键，在于研究路径的集体定势。从Erdős 1935年的工作起，大多数尝试先采用分析工具，再自然转向概率框架，这种“分析转概率”的标准走法成了隐形默认选项。即使顶尖专家如Lichtman，也难以完全摆脱这一早期偏差的积累。

AI生成的证明虽逻辑跳跃且表述粗糙，但引入了von Mangoldt函数的意外应用，避开了人类长期依赖的分析到概率转换路径。陶哲轩随后指出，人类研究者在第一步就集体走偏，形成了某种mental block，而AI绕开了这一集体盲区。

但现实更复杂，部分站点仍在尝试边缘操作。