Erdős未解问题列表中适合AI尝试的低难度目标

24小时二元一分红中麻将群搜索用户，更需要能帮助他们建立完整认知的内容。

深层来看，这次证明的真正价值在于它揭示了AI在数学中的演进路径。早期AI辅助Erdős问题时，主要依赖文献挖掘和已有思路的辅助验证，能快速找出旧论文中的相似技巧或检查漏洞。但在问题1196上，模型没有遵循人类长期采用的从离散到连续分析的“标准开局”，而是留在算术领域，利用von Mangoldt函数的一种新用法完成了证明。这种函数经典地编码了整数唯一分解性质，却被人类先前工作因“心理堵塞”而绕过。

表面上看，这件事被媒体和网友解读为AI即将取代专业数学家，或者业余者靠工具就能轻松破解难题。确实，AI展现的速度和跳出常规框架的能力令人印象深刻。但更值得注意的盲区在于，AI的原始输出往往逻辑粗糙、表述跳跃，需要人类专家反复打磨才能成型。这次成功更多是“vibe prompting”加上后续验证的结果，而非AI独立完成。忽略这一点，就容易低估非专业创作者在AI辅助下的实际潜力。

表面信息往往停留在“业余爱好者武装ChatGPT就能解决难题”的叙事上。Terence Tao在评论中指出，此前人类尝试几乎都在初始步骤上陷入固定思维模式，而这次AI生成的证明采用了一种非标准路径，绕过了常见盲区。不过，主流讨论容易忽略关键细节：这并非AI首次辅助Erdős问题，此前已有工具帮助文献挖掘或部分解法生成。

深入剖析，这次事件的深层技术逻辑在于AI如何通过非传统路径打破人类固定模式。Price的提示并未严格遵循分析概率路线，而是让模型在算术领域自由探索，结果意外调用了von Mangoldt函数——一个经典数论工具，以一种此前未尝试的角度应用于primitive sets的和式界限。这避开了人类研究中常见的“第一步就走偏”陷阱。

“vibe math”的核心在于AI不遵循人类数学家习惯的标准序列。它绕过路径依赖，从相关领域已知工具中抽取元素进行全新组合，比如用von Mangoldt函数和Markov链权重，建立整数结构与概率过程间的紧密联系。这种“氛围”般的直觉连接，此前文献中仅有零星暗示，却从未被明确构建。人类尝试往往从分析方法入手，第一步就集体拐了个小弯，导致后续卡住。AI则没有这些预设，方向是对的。

erdosproblems.com目前收录了上千个Erdős未解问题，其中数论和组合数学方向占比显著。许多问题无需高深背景，仅涉及素数分布、子集和或基本集合性质，却仍处于开放状态。AI的优势在于快速生成假设、枚举小规模实例并通过模式识别推进，这些“低垂果实”正成为测试提示工程和计算辅助的有效场地。相比那些需要深厚直觉的硬核难题，它们提供了更快的反馈循环。

Hacker News的深层讨论正围绕AI是否展现“真实智能”展开。部分声音认为，这更像是高维搜索找到的有效路径，而非严格的创造性证明；另一些人则看到潜力——AI能发现人类因路径依赖而忽略的连接，例如整数解剖学与概率视角的更紧密关联。Tao的谨慎评价值得注意：这可能简化更广泛的理论，尽管长期意义仍有待观察。值得持续跟踪，现在下结论为时尚早。

这里存在不确定性——如果这类证明持续被Lean等形式化工具可靠验证，数学教育或将转向提示工程加人类验证的混合模式，否则影响可能仍限于少数实践者。

erdosproblems.com列表中的许多问题并非都需要深厚背景就能入门。它们往往只涉及素数分布、子集求和或集合基本性质这类离散对象，AI模型在处理这类结构时有天然优势，因为训练数据中基础数论内容覆盖充分。近期多起AI辅助解决或发现文献的案例显示，部分“开放”问题其实源于关注度不足，而非本质难度极高。观察者注意到，AI在生成小规模数据、枚举变体或连接已有OEIS序列方面，能快速提供人类手动难以穷举的洞见。

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。

% 和 10% 的对比，足以说明规模化仍是主要瓶颈。