23岁业余爱好者用ChatGPT解决60年Erdős原始集猜想，AI如何打破数论“思维壁垒”

方向是对的，但落地执行的细节决定了最终结果。

回顾整个过程，从随意一问到专家认可，只用了短短几天。不是AI比人类更聪明，而是它没有继承路径依赖，从算术本质重新组织工具。这个事件或许预示着，未来更多业余实验会涌现，AI辅助数学研究的方式正在悄然改变。方向是对的，但现实更复杂——复杂证明仍需严谨把关。

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。

这一方法论差异暴露了人类在数论中的集体思维壁垒。Tao指出，人类研究者似乎在第一步就走偏了，集体陷入某种mental block，而AI无意中突出了整数“解剖学”与某些过程之间更紧的统一结构。过去类似组合或聚类问题上，也曾出现专家直觉集体偏向某一方向，直到新视角出现才发现原来可以更简洁。这次AI不是简单复制现有思路，而是从海量训练数据中重新组合经典工具，找到了人类长时间未尝试的连接。

对数学社区而言，这一事件凸显了“vibe prompting”这类非严谨提示方式的潜力。更多业余爱好者和年轻研究者可能尝试类似随意描述问题感觉与目标的做法，而专家则需投入额外精力筛查AI输出中的真正洞见与潜在不严谨之处。短期内，开放平台如Erdős问题网站或将加速更新候选证明；长期来看，数学研究的参与门槛或许会进一步降低，普通人掌握有效提示技巧后也能贡献原创思路。但数据支持这个方向，同时也提醒我们，人类深度验证仍是不可或缺的环节。

这一点目前行业内仍有不同声音。AI在Erdős问题上的应用，有些被证明只是重组已有文献，有些则如这次一样带来真正洞见。Liam Price的案例属于后者，但其长期对数学社区的结构性影响——尤其是提示词门槛能否真正替代部分博士训练——仍需更多案例积累。现在下结论为时尚早，却已足够让人看到，数学研究的参与边界正在以意想不到的方式扩展。

这一突破暴露了人类数学思考的集体盲区。部分Erdős问题可能共享某种统一“感觉”，一旦找到正确连接点，证明就会显得意外自然。Terence Tao等专家介入后，对AI输出进行验证与提炼，确认其揭示了整数解剖与概率过程之间更紧密的联系，此前文献中仅有零星暗示。有意思的是，这并非AI“懂”数学，而是它在海量训练数据中高效捕捉模式的能力在发挥作用。

媒体和网友的最初反应多集中在“AI取代专家”的叙事上。不少讨论称一个无专业训练的23岁年轻人“秒杀”了60年难题，社交平台上充斥着“普通人也能攻克世界级问题”的感慨。Terence Tao在相关评论中指出，人类此前在问题起点集体走了一点小弯路，存在某种心理障碍，导致标准路径反复受阻。他同时提到，这次AI生成的联系可能打开整数结构与Markov过程的新视角。

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。

深层来看，这起事件戳中了人类思维的集体盲区。Tao指出，许多研究者习惯从标准路径出发，导致后续努力事倍功半。AI因缺乏这些先入为主的框架，反而能发现意想不到的连接，比如将von Mangoldt函数与原始集问题结合。对SEO内容创作者而言，这是一个清晰信号：传统niche数学或科技话题写作常卡在“切入角度雷同”上，大家内容高度相似，搜索意图虽强却难脱颖而出。

岁业余爱好者Liam Price在一个闲暇下午，仅用一个提示词就让GPT-5.4 Pro在约80分钟内输出了Erdős问题1196的全新证明思路。这个问题关注原始集（primitive sets）中元素满足无倍数关系的条件，其求和项1/(a log a)在下界x趋于无穷时的尾部衰减速率。此前人类专家围绕分析路径尝试多年，却因集体思维定式未能达成预期上界。

数据支持乐观方向，但样本量仍需扩大。