最近，兩位研究人員僅用一個周末，便藉助GPT-5解決了10個「百年懸案」級的埃爾德什難題。正如數學家陶哲軒所言，AI最有成效的應用是處理查文獻等耗時環節，將研究者解放出來專注於思考。這標誌着一種全新科研範式的到來，AI正成為重塑基礎科學、加速人類接近真理的強大工具。
科學研究，尤其是數學研究，真的要被AI徹底改變了。
兩位數學研究人員，利用GPT-5，只用一個周末就解決了10個「百年懸案」級的埃爾德什難題。
埃爾德什難題，又名為Erdös problems，是數學家埃爾德什生前留下的大約1000多個問題，此前人類只解決了部分。
上一周，前微軟副總裁，現OpenAI研究科學家Sebastien Bubeck第一次確認了這件事。
今天，其中的一名的研究人員Mark Sellke最終確認了細節。
他們「問了」GPT-5數千次，就找到了10個未解決的埃爾德什難題的求解方案。
並且GPT-5還在另外11個問題上，發現了顯著進展。
這種通過AI查詢搜索的研究範式可能徹底改變科學、數學等基礎學科的研究方法。
AI已經是數學家的大殺器，如果不用可能就面臨出局了。
其中，Bubeck特地提到GPT-5 Pro在文獻搜索方面的能力非常強大。
比如在問題339上，GPT-5 Pro經過搜索確認，其實有其他數學家20年前就解決了。
這種深層的文獻搜索能力，目前只有AI能夠做到。
就連陶哲軒也表示，AI正在改變數學研究。
陶哲軒：「中等能力」的AI是關鍵
就在最近，陶哲軒連發數條推文表示：
未來AI在數學上的最有成效應用，並不會來自最強大的模型去解最難的問題，而是來自「中等能力」的AI去處理那些瑣碎、耗時、但又不可或缺的研究環節。
比如幫數學家查文獻、整理筆記、驗證引用、歸檔資料——這些看起來「沒技術含量」的工作，恰恰是最適合AI的。
他用來說明和論證這個觀點的例子正是開頭所描述的埃爾德什難題。
在一個叫Erdős Problems的網站上，收錄着上千個以數學家保羅·埃爾德什命名的命題。
其中大約600個被標註為「未解決」。
就在幾天前，幾位數學志願者嘗試了一個新方法——用AI深度檢索工具重新搜索資料，解決Erdős Problems上的數學難題。
AI幫他們掃出一批疑似「已有解」的線索，人工再覆核、比對、閱讀。
短短几天，6個原本被列為「未解決」的問題被重新標記為「solved」：Problem339、Problem494、Problem621、Problem822、Problem903、Problem1043。
隨即，評論區熱鬧了起來。
有人驚訝：原來這些題早被解決，只是沒人找到；也有人開始主動使用同樣的工具，繼續篩查更多問題。
數學界第一次感受到：AI不一定幫你「解出」什麼，但能幫你「發現」被遺忘的答案。
陶哲軒在帖文中評價這一趨勢：
AI工具輸出不會直接進入網站，而是由人工覆核後更新。但過去幾天評論區明顯活躍了，出現了更多帶文獻連結的注釋，說明很多發現確實是AI輔助完成的。
陶哲軒本人在Github上也維護了一個Erdős Problems埃爾德什問題數據庫。
截止發稿前2個小時，陶哲軒才剛剛更新了數據庫。
這些問題中有些還有懸賞金。
比如懸賞10000美元的數論題。
這道題目已經2001年被Baker，Harman和Pintz解決。
然後在2025年9月28日正式確認，大概率就是在AI的幫助下找到的。
其他埃爾德什難題速覽
比如上面提到的問題339，GPT-5 Pro直接從浩如煙海的論文裏找到了「答案」。
就是2003年發佈的一篇論文。
問題621是一道圖論。
問題822為數論。
問題903是組合數學。
其他未解決的問題，有些還有懸賞金額。
如果你稍微懂點數學，也可以用GPT-5試着搜索一下。
以上這些難題，絕大部分問題可能已經在浩如煙海的論文中被前人解決了。
但在AI出現前，想通過人力來查遍所有論文是不現實的。
從查文獻開始，AI正悄悄重塑數學研究
在數學研究里，查文獻一直是最讓人頭疼的環節之一。
如果問題有清晰的名字、固定的研究圈子，那還好。隨便搜一篇關鍵論文，順着引用鏈往前往後查，就能很快摸清全貌。
可很多問題壓根沒有標準名稱。
有的埋在幾十年前的期刊里，有的藏在不同學派、不同語言的論文中，還有的被研究者「順帶提了一嘴」，但沒出現在標題里。
陶哲軒說，這時候用傳統方法，就像在大海撈針。
哪怕你是專家，也得一篇篇點開、反覆確認。有時花幾天功夫，才發現看錯了方向。
AI則能跨語義、跨領域地掃描大規模文獻，用自然語言理解去捕捉相似概念。
比如輸入一個模糊的研究方向，AI就能自動聯想到各種近義的表達、不同領域的說法，從而找到那些人類肉眼容易忽略的論文。
當然，陶哲軒也提醒：AI查文獻並不需要「完美命中」。
但只要在同樣的時間裏，能找到更多有用的線索、減少無效命中，它就已經贏了。
而且學者在學會使用之後，投入的時間成本會被多次使用「平攤」，越用越值。
在他看來，這種模式的意義不止是提效。它其實在重構科研的節奏：
AI的成功率不必是100%，它只要比傳統方法更高，就能帶來真正的生產力提升。
在傳統科研里，當研究者查遍資料、卻一無所獲時，這個過程通常不會寫進論文。
畢竟，沒人會在結論里說「我什麼都沒找到」。
一方面是擔心被誤會成「沒查仔細」；另一方面，是因為學術寫作習慣於只報告「成功」的結果。
但這樣一來，同一個「無結果」的搜索，可能會被不同的人重複幾十遍。
陶哲軒在帖子最後寫道：AI的系統化搜索，可能改變這種狀況。
因為當機器以同樣的標準批量檢索上百個問題時，「沒查到」也變成了可量化的數據。
例如，可以公開地寫：在36個問題中，24個找到了額外文獻，12個沒有。這樣的結果更透明，也能更準確反映已有文獻的分佈。
AI不僅幫人找到答案，也讓「沒有答案」成為有價值的發現。
它讓科研流程第一次具備了信息閉環：正向結果指向進步，反向結果避免浪費。
這或許才是AI帶來的真正文化變革，它讓科學回到它最樸素的樣子——誠實地呈現事實，不論好壞。
陶哲軒這一連串思考，看似在談AI，其實是在談「人類如何重新組織知識」。
AI不會創造真理，而是在於讓人類更快地接近真理。
它讓重複勞動變得可控，讓查不到結果也能成為信息；它不是研究者的競爭者，而是科研世界裏第一個真正的時間節省器。
它讓數學家不再被搜索、整理、驗證這些繁瑣工作拖住，而是能把注意力重新放回那件最重要的事——思考。
或許未來我們回望這一刻，會發現：人工智能沒有改變數學的本質，它只是讓數學回到了它該有的速度。
