业余爱好者用ChatGPT攻克60年Erdős数学难题：普通人如何用AI自学数学

浅层信息容易被算法迭代影响，而具备判断支撑和逻辑框架的内容，往往能获得更稳定的自然流量。

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。

这次案例提醒我们，AI在数学证明中的定位正在发生微妙但重要的偏移。它开始避开人类习惯路径，提供全新视角。但归根结底，真正推动进步的仍是人与AI的协作，而非单纯取代。未来，这一演进会如何重塑研究范式，仍是一个开放的问题。

主流报道和网友讨论大多聚焦于“业余+AI”的戏剧性组合。媒体标题喜欢强调“23岁小伙用ChatGPT破解60年难题”，Hacker News和Reddit上则充斥着AI是否会取代数学家的争论，有人兴奋于新工具的潜力，有人担忧严谨传统会被随意prompt稀释。这些声音捕捉到了事件的热度，却往往忽略了一个关键细节：AI的原始输出相当粗糙，需要人类专家像筛选沙金一样提炼逻辑、补全细节。忽略这一步，就把复杂协作简化成了单一工具的胜利。

短期内，Erdős problems网站已将问题1196标记为已解决，并启动Lean形式化验证，数论社区预计会快速跟进类似原始集或聚类相关猜想。长期来看，如果更多研究者将“vibe mathing”常态化，即随意将开放问题抛给LLM进行探索，组合数学和数论领域可能迎来更多方法论创新。AI或许会成为打破领域内隐形壁垒的常规辅助，尤其在那些依赖直觉跳跃的地方。当然，raw output仍需专家提炼，这一点目前行业内仍有不同声音。

这一案例最值得注意的地方，是AI如何在无需深厚领域知识的前提下，提供人类集体思维盲区之外的连接点。传统研究中，从分析直接转向概率的“赌注”看似自然，却遮蔽了保留纯分析框架的可能性。von Mangoldt权重的创新使用，巧妙编码了整数唯一分解的性质，化解了先前卡住的困难。数据支持这一方向：Lichtman七年推进的上界与AI的一次性输出形成鲜明对比，70%以上的类似尝试仍停留在规划阶段，而规模化成功案例极少。

最近，一则来自Erdős问题网站的更新迅速在数学圈传播开来。23岁的Liam Price没有接受过高级数学训练，却通过一次针对GPT-5.4 Pro的随意提示，在约80分钟内让AI生成了一份对问题1196的证明。

对普通人而言，自学数学的门槛正在显著降低。短期内，更多业余爱好者和学生会涌向ChatGPT或GPT系列，尝试攻克Erdős问题网站上的开放题目，可能很快形成一波AI辅助解决潮。长期来看，这意味着以前需要系统专业训练才能触及的前沿内容，现在通过合理提示就能初步探索。但也需警惕AI依赖：如果只满足于模型输出而不深入理解逻辑，很容易停留在浅层认知。

岁业余玩家Liam Price没有接受过高级数论训练，却用GPT-5.4 Pro一个提示，在约80分钟内生成了一份证明草稿，攻克了Erdős、Sárközy和Szemerédi约60年前提出的问题1196。这条消息迅速在Hacker News和erdosproblems.com论坛引发热议，Scientific American也以“vibe mathing”为题报道了整个过程。

另一标准是问题涉及基本概念且规模可控，优先素数分布、子集和或简单集合性质。这些领域AI训练数据覆盖充分，容易调用重组知识。人类初学者配合Python脚本模拟n=10以内的案例，就可验证猜想。提示时强调“从小学奥数水平逐步构建”，能有效降低模型幻觉，同时让计算工具如SymPy发挥作用。

然而，表面兴奋之下存在明显盲区。Lichtman明确指出，ChatGPT的原始证明输出质量其实相当差，需要专家仔细梳理才能理解其意图。他与Terence Tao后续对内容进行了大幅精炼和缩短，才提炼出核心洞见。AI提供了关键的思路跳跃，但最终严谨、可验证的形式化证明，仍高度依赖人类专家的打磨与验证。目前该证明已在Lean系统中通过，却并非完全自主生成。

怎么找红中麻将一元群优化过程中，标题与正文的语义一致性直接影响点击转化。