单纯的信息罗列已难以满足用户和搜索引擎的需求。
我的判断是，AI已成为强大却不完美的数学导师，成功关键始终在于人类的问题拆解与最终验证能力。没有清晰的问题意识和批判性审视，再先进的模型也只是产出一堆待清理的草稿。数据支持这个方向，但样本量仍有限，值得持续跟踪，现在下结论为时尚早。
埃及分数或单位分数分解相关的开放方向，也常被视为相对AI友好的目标。问题通常涉及Sylvester序列性质或最小分母界限，计算可控且有已知迭代算法作为脚手架。AI可生成前数十项序列并尝试规律猜想，用SymPy处理精确有理数避免浮点误差；当前状态显示小规模案例多有进展，但一般性质仍开放。这类问题比想象中更适合提示工程，因为数据生成成本低，验证直观。
媒体报道多突出“业余者单枪匹马破解难题”的叙事，Scientific American等文章强调AI采用了人类未曾尝试的von Mangoldt函数与Markov链结合方式，似乎打破了长期的思维定势。但深入观察会发现，主流兴奋点往往忽略了一个关键细节：Lichtman明确指出，ChatGPT的原始证明质量其实相当差，需要专家大幅梳理和精炼，才能提炼出核心洞见。
最近，一则来自erdosproblems.com的更新引发数学圈和AI社区的热议：23岁的业余爱好者Liam Price仅用ChatGPT Pro一个提示，在约80分钟内解决了Erdős问题#1196。这个由Erdős、Sárközy和Szemerédi在60多年前提出的猜想，围绕primitive set（集合中任意两元素互不整除）的加权和界限，长期困扰专业数学家。
粗糙数（rough numbers，指素因子受限的整数）或素因子相关问题，同样落在低难度区间边缘。围绕这类对象的计数或分布猜想，离散性强，AI在模式匹配上表现突出。erdosproblems.com上类似条目常有文献提及的下界，结合随机生成测试集，能让模型快速尝试不同角度；我的判断是，这类问题的时间窗口正在缩短，随着计算工具迭代，业余玩家或AI协作推进的速度会明显加快，但样本局限性仍需留意。
岁无高等数学背景的Liam Price，用一次ChatGPT Pro提示，在大约80分钟内拿到了Erdős问题1196的完整证明。这个问题涉及原始集——即正整数集合中任意两个不同元素都不互除——其倒数对数和在“足够大”元素上的渐近行为，困扰数学家60年。AI没有沿袭人类常见的概率路径，而是直接调用von Mangoldt函数，将其与整数唯一分解的经典恒等式相连，绕过了长期存在的分析障碍。
但这些报道往往停留在“AI强大”或“业余选手也能破题”的惊叹，较少触及这次证明的真正差异：AI不再复述已有路径，而是直接生成全新公式用法。
深入观察，这次事件的真正亮点在于“vibe mathing”的提示方式。Liam Price没有遵循传统文献综述和逐步推导的路径，而是让模型凭感觉探索连接。GPT-5.4 Pro意外地避开了从分析转向概率的常见“ gambit”，而是坚守算术框架，利用von Mangoldt权重构造了一种下向Markov链，近似保持了dn/(n log n)的测度。这一连接在人类先前工作中被直觉上的概率视角所掩盖，却提供了更干净的分析处理。
历史经验显示，意外工具常常打破学术僵局，比如望远镜让天文学家看到此前不可见的现象，这次AI扮演了类似“意外连接器”的角色。数据支持这一方向——过去几年AI已在Erdős问题网站上辅助解决数十个条目，但样本量仍有限，多数仍需人类验证。我的判断是，AI正成为强大数学导师，但成功关键始终在于人类的问题拆解与批判验证能力。没有好的问题意识，再强的模型也只是产出一堆待清理的草稿。
短期内，Erdős problems网站已更新问题状态，Lean形式化验证也在推进，数论社区将快速跟进相关聚类问题。长期来看，如果更多研究者系统化采用人机协作的“vibe mathing”实验，组合数学和数论猜想领域可能迎来方法论层面的系统创新。当然，raw output仍需专家提炼，这一点目前行业内仍有不同声音，值得持续跟踪，现在下结论为时尚早。
不急不躁的潜力，仍需真实场景来验证。
