Erdős未解问题列表中适合AI尝试的低难度目标

哪里有1块1分跑的快群搜索结果的排序，正越来越多地体现用户意图满足的深度。

AI的输出虽逻辑存在跳跃，却首次将von Mangoldt函数这一经典工具以意外方式应用于该问题，绕开了人类长期依赖的分析到概率的路径转换。陶哲轩随后评论称，人类研究者在起点就集体走偏了，存在某种隐形思维定势。

传统研究路径常从分析工具入手，比如借助Markov链或概率解释来处理集合密度与求和行为。GPT-5.4 Pro的证明却停留在纯算术层面，它调用了数论经典的von Mangoldt函数Λ(n)。这个函数通过∑_{d|n} Λ(d) = log n编码整数唯一素因子分解，将原始集的反链性质转化为直接的算术不等式，从而避开了分析路径中的常见障碍，得到干净的界限。数据支持这个方向，但样本量仍有限，值得持续跟踪。

这件事比单纯的“AI又解题了”复杂得多。它提示我们，在专业领域，最新大模型的最大潜力在于生成那些看似跳跃却携带新鲜视角的内容，随后由领域专家提炼。普通科技从业者或数学爱好者不妨尝试类似路径：将复杂问题拆成简单提示输入模型，留意那些粗糙但有洞见的片段，再结合人工分析。未来这样的AI+人类故事会否越来越多，现在下结论为时尚早，但方向已足够清晰。

历史类比或许能说明当前转折。当年计算器普及后，它解放了人类的计算力，让研究者把精力转向更高层的策略与创意。今天AI正在类似地解放idea生成环节。过去小团队或业余创作者面对复杂科技话题时，常因知识门槛而浅尝辄止；如今他们可以快速让AI生成多个大纲、不同角度的公式应用或跨界比喻，然后手动验证、补充独特观点，形成具备搜索意图的深度内容。

Price的尝试让Terence Tao等专家注意到，AI在清晰陈述、数论基础概念上的潜力远超预期，尤其当问题允许计算验证或模式探索时。

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。

Terence Tao观察到，人类此前似乎在第一步就集体走偏，存在某种隐形思维堵塞。AI则跳出框架，用已知工具实现了意想不到的组合。Lichtman也指出，原始输出虽需专家整理，但核心洞见新颖，甚至可能对相关问题簇产生统一作用。这个案例并非AI首次辅助数学，而是它在开放问题中首次展现从“聪明助手”到“发现新路径伙伴”的转变，对数学工具演化而言具有里程碑意义。

长期而言，如果更多类似突破涌现，它或将催生新的数学思考范式，帮助我们重新审视大数结构中的隐含联系。AI在这里更像“新连接方法”的提供者，而非独立证明者。其原始输出往往需要人类精炼，这也提醒我们：AI辅助数学仍有明显边界。如果人类过度依赖直觉式跳跃，是否会逐渐削弱自身严谨推理能力？这一点目前行业内仍有不同声音，现在下结论为时尚早。

另一个关键维度是计算可验证性。数论中的子集和问题或埃及分数分解变体，往往允许通过Python脚本或SymPy进行小n范围验证。近期AI贡献案例表明，模型在生成动态规划代码或符号计算路径上表现出色，但最终仍需Lean形式化或人工校验以排除细微漏洞。这一点目前行业内仍有不同声音——部分人认为AI更多是在“发现”已有文献，而非真正原创。

这次突破的过程揭示了AI在数学研究中的独特定位。Liam Price的提示极为简洁，没有前期文献调研或多轮迭代引导，GPT-5.4 Pro却自主将数论中已知的von Mangoldt权重应用于此问题，构建了一个纯分析框架下的流图论证，避开了概率视角的常规诱导。这种“vibe mathing”模式——靠直觉式输入让模型自主探索——产生了人类因集体mental block而长期未尝试的路径。

哪里有1块1分跑的快群实战中，忽略用户停留时长往往让前期努力付诸东流。