没有数学博士也能参与Erdős问题解决的AI时代

提供有观察深度、可迁移判断的内容，反而越来越受到用户和搜索引擎的双重认可。

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。

传统研究路径往往从分析视角切入，再自然过渡到概率解释，这种“gambit”自Erdős 1935年论文以来就隐含其中，看似高效却遮蔽了其他可能性。Lichtman 2022-2023年的工作已取得部分上界成果，但精细控制仍卡在分析难度上。

短期来看，这一事件很可能激发更多业余爱好者和研究者尝试vibe math，将开放问题扔给ChatGPT以获取新鲜思路。erdosproblems.com网站上类似实验已在增加，有人开始结合Lean形式化验证AI输出。人类把关环节依然关键——再有洞见的原始证明，也需专家sift和打磨，才能成为严谨成果。数据支持这个方向，但样本量仍有限，值得持续跟踪。

历史经验提供有益对照。过去AI在数学领域的不少成果，更偏向文献检索或已知技巧的重组，而非真正原创洞见。这次事件中，AI确实绕过了常规思维障碍，但正如Lichtman和Tao的介入所示，其输出仍需人类批判性验证和优化。社区中有人判断，如果只是“专家救场”模式，AI更像是高效的生产力工具；若能持续输出可直接验证的洞见，则可能真正加速数学进展。

早期AI在数学研究中的角色，主要停留在文献搜索和辅助验证层面。面对大量Erdős开放问题时，模型常被用来挖掘旧论文、整理已有思路，或快速检查潜在漏洞。这种辅助方式确实加速了部分进展，但本质上仍依赖人类设定的路径框架。

从历史视角看，过去AI在数学领域的许多成果更多是文献检索或已知技巧的重组，而非真正原创洞见。这次Erdős问题1196的解决虽引入了新连接，却仍需Tao和Lichtman等专家的介入才能提炼成可验证的形式。方向是对的——AI确实能提供人类因路径依赖而错过的思路。但现实更复杂：如果多数输出仍需“专家救场”，它就更多是强大生产力工具，而非独立颠覆者。70%和7%的剪刀差，在企业AI部署中早已显现，这次数学事件同样暴露了类似鸿沟。

Scientific American等媒体很快跟进报道，标题多强调“业余者借助ChatGPT破解60年难题”。Hacker News社区的初步反应充满兴奋，不少评论指出，这似乎展示了AI绕过人类思维定势的能力：研究者们往往在第一步就陷入集体路径依赖，而AI没有这些心理包袱，直接尝试了不同路径。

短期内，这一事件可能激发更多业余爱好者和研究者尝试“vibe prompting”，让Erdős问题平台涌入更多AI辅助候选。专家则需投入额外精力筛查输出，区分洞见与潜在幻觉。长期来看，数学原创门槛或将降低，普通人掌握提示技巧即可参与开放猜想。但如果AI幻觉问题未获更好解决，伪证明泛滥的风险将增加，人类深度验证的负担或将加重。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。

媒体和网友的讨论大多聚焦于戏剧性表象：一个普通年轻人靠“vibe-maths”式的随意提示，就让AI解决了专家多年未决的问题。Terence Tao等数学家给出初步认可，认为AI的路径避开了人类常见的集体思维定势。Erdős问题网站已将该问题标记为已解决，由GPT-5.4 Pro在Price提示下完成，并伴随Lean形式化验证的进展。

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。

但现实更复杂，很多光鲜案例的背后都有大量不为人知的调整。