Erdős未解问题列表中适合AI尝试的低难度目标

这验证了“内容即资产”这一判断的持续有效性。

原始集是指一组正整数，其中任意两个不同元素没有整除关系，最典型如素数集。问题1196关注当集合元素足够大时，相关和式是否满足特定渐近界限。过去人类尝试多从分析路径切入，却在初始步骤就集体出现路径依赖，导致后续难以推进。Terence Tao后来指出，正是这种人类共同的“心理障碍”让专家们绕了弯路。而AI没有这些预设，直接从整数结构层面展开论证。

从历史视角看，此类AI辅助案例并非首次惊喜，却比单纯“AI解题”新闻更真实地照出人机协作边界。过去数学家独自苦思多年，现在一个普通人加大模型就能抛出新种子，专家再接力打磨。短期内，Erdős问题网站或迎来更多AI辅助投稿，业余者尝试“vibe maths”的热情上升，Lean等工具加速验证。但长期而言，AI可辅助发现意外连接，专家角色却不可替代，可能催生“人机协作证明”新范式。

主流媒体如Scientific American突出“业余者靠AI破解60年难题”的戏剧性，许多网友看到AI避开人类思维定势，用一种此前未尝试的路径连接不同领域。原始集是素数的推广，Erdős、Sárközy和Szemerédi早在1966年前后提出相关猜想，Lichtman此前已攻克部分版本，却在这个渐近形式上受阻。AI的输出引入von Mangoldt函数与Markov链的结合，在文献中有迹可循，却从未以这种方式应用于此类问题。

GPT-5.4 Pro生成的证明却避开了这一陷阱。它没有急于引入概率解释，而是坚守纯分析路径，巧妙调用已有90年历史的von Mangoldt权重函数。该函数满足∑_{d|n} Λ(d) = log n，精确刻画整数的因子分解结构，从而化解以往分析难点。同时，证明中融入类似Markov链的结构思路，对大整数进行“解剖”。

实际操作层面，AI辅助内容创作的潜力已超出单纯数学难题。创作者可以针对一个Erdős式冷门话题，让AI生成3-5个不同切入角度的大纲，涵盖历史背景、公式应用与跨领域类比，然后手动补充真实案例、专家引述和读者意义。测试这些内容在搜索中的表现，往往能快速发现哪些角度用户意图更强。许多人已开始尝试，有人用类似方法写AI在科学发现中的角色，流量与互动超出预期；也有人因未充分验证公式解释而踩坑，导致读者质疑。

这一事件短期内很可能激发更多业余爱好者和研究者尝试vibe math。他们无需深厚背景，就能把开放Erdős问题扔给最新模型，期待新鲜思路涌现。erdosproblems.com上的类似实验已在增加，有人甚至同步用Lean形式化验证AI输出，以确保严谨性。人类把关仍是不可或缺的一环——再有洞见的原始证明，也需要专家梳理和打磨。

然而，表面戏剧性背后隐藏着更微妙的现实。Lichtman在评论中直言，ChatGPT的原始证明输出“其实相当差”，需要专家大幅梳理和精炼，才能提炼出其中有价值的核心洞见。Tao也指出，人类长期受阻于一个“小小的心理阻挡”，而AI的贡献在于打破常规开局，但最终的严谨形式化和验证仍高度依赖人类介入。目前该证明已在Lean系统中得到形式化确认，却并非完全自主生成。

传统方法在处理这类原始集密度估计时，常自然转向Markov链或概率解释来捕捉集合的“稀疏性”。这些路径从人类直觉看顺理成章，却也形成了某种集体mental block。GPT-5.4 Pro的输出则不同，它停留在纯算术层面，巧妙调用了经典的von Mangoldt函数Λ(n)。这个函数通过∑_{d|n} Λ(d) = log n编码整数的唯一素因子分解，将原始集性质转化为直接的算术不等式，从而避开了分析工具中常见的困难。

短期内，这一证明已在Lean中完成形式化验证，专家精炼版本可能进一步简化，并为原始集家族的其他Erdős问题打开通道。长期来看，它为AI辅助纯数学研究注入新思路：一种不依赖概率跳跃的“解剖大数”分析框架，或许能在解析数论更广领域发挥作用。当然，AI输出仍需人类专家严格筛查与提炼，其普适性目前仍有待观察。如果类似单提示生成证明的方法在数学社区扩散开来，未来业余玩家或AI工具参与经典突破的案例或将增多；反之，它也可能停留在个别亮眼个案。

对普通人的长期影响，已在逐步显现。自学数学的门槛确实在降低，以往需要系统专业训练才能接近的前沿问题，现在通过合理提示就能初步探索。但也要看到潜在风险，如果仅满足于模型输出而不深入理解逻辑，容易停留在浅层认知。值得持续跟踪，现在下结论为时尚早——如果AI证明持续被Lean等形式化工具验证，数学教育或将转向提示工程与人类验证的混合模式；否则，可能仍局限于个别突破案例。

稳定性分析的趋势，已从早期概念验证逐步走向中期价值验证与落地优化阶段。