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？

这要求写作者兼具整理者和观察者的双重角色。

GPT-5.4 Pro生成的证明则完全绕开了这一惯性。它没有遵循常见的概率转向，而是坚持纯分析路径，巧妙调用了已有90年历史的von Mangoldt权重函数。该函数通过∑_{d|n} Λ(d) = log n这一基本恒等式，精准刻画整数的因子结构，同时融入类似Markov链的思路来“解剖”大整数的分布。

最近，23岁的业余爱好者Liam Price用ChatGPT Pro一个提示，在不到80分钟内解决了Erdős问题#1196。这个涉及primitive set加权和界限的问题，已困扰数学家60多年。Price的成功并非孤立案例，而是erdosproblems.com上“低垂果实”被AI逐步清理的缩影。许多数论和组合问题陈述简洁，概念基础，仅需基本素数或集合知识，却仍有开放空间。AI在计算验证和模式发现上的优势，正让这些目标变得可及。

Terence Tao指出，人类专家在问题初始就走偏了看似自然的路径，而AI直接保留了算术层面的高效工具，避免了转向概率时的分析难题。这个案例印证了部分Erdős问题集群可能存在统一的“感觉”——一旦找到正确连接点，突破就会显得意外自然。但它不是AI“懂”数学，而是擅长在海量训练数据中捕捉非人类路径的模式生成。

Scientific American等媒体突出“业余者单枪匹马靠AI破解难题”的戏剧性，许多网友最初将焦点放在AI如何绕过人类思维定势上。原始集问题由Erdős、Sárközy和Szemerédi在上世纪60年代提出，核心是对于足够大的整数支持的原始集，其特定加权和是否趋近于1。AI引入von Mangoldt函数与Markov链的结合，这种连接在文献中虽有痕迹，却未被此前研究者以类似方式应用于此类问题。

最近，一则来自数学社区的动态迅速引发关注：23岁的业余爱好者Liam Price没有接受过高等数学训练，却借助ChatGPT Pro的一个提示，在大约80分钟内解决了Erdős问题#1196。这个问题由Erdős、Sárközy和Szemerédi在60多年前提出，围绕“primitive set”（原始集，即集合中任意两个不同元素互不整除）的加权和界限展开。

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。

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。

在实际操作层面，AI辅助内容创作的潜力远超单一数学难题解决。你可以尝试让AI针对一个Erdős相关或类似科技niche生成3-5个不同切入角度的大纲，包括历史背景、公式意外应用以及跨领域类比等。然后自己补充专家观点、真实案例和对读者的具体意义，再测试这些内容在搜索表现中的差异。不少创作者已开始类似实践，有人用这种方式产出AI在科学发现中的角色解读，流量和互动超出预期；也有人因验证不足踩坑，AI生成的解释出现小偏差导致读者质疑。

Hacker News和Scientific American迅速跟进报道，网友惊叹“随便一个提示就搞定”，而Terence Tao等专家则指出，这远不止AI算题那么简单，它揭示了人类长期路径依赖下的集体偏差。

另一个实用标准是问题是否允许有限计算或提示迭代验证。许多数论组合问题支持小n枚举或序列生成，这正是AI的优势所在。举例而言，与子集和唯一性相关的变体（类似问题#1的延伸），已有部分下界结果和OEIS支持。让模型编写动态规划脚本枚举集合规模，再分析输出模式，就能看到猜想推进的 tangible 进展；现实中，这类计算人类手动难以穷举，却能为AI提供清晰反馈循环。

“正规1元1分红中麻将群”_正规1元1分红中麻将群忠县论坛所呈现的图景，既有乐观的一面，也有需要警惕的风险。平衡看待，或许才是正确姿势。