科學研究，尤其是數(shù)學研究，真的要被AI徹底改變了。

兩位數(shù)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Erd?s problems，是數(shù)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(xiàn)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(jié)。

他們「問了」GPT-5數(shù)千次，就找到了10個未解決的埃爾德什難題的求解方案。

并且GPT-5還在另外11個問題上，發(fā)現(xiàn)了顯著進展。

這種通過AI查詢搜索的研究范式可能徹底改變科學、數(shù)學等基礎學科的研究方法。

AI已經是數(shù)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(shù)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(shù)學研究。

陶哲軒：「中等能力」的AI是關鍵

就在最近，陶哲軒連發(fā)數(shù)條推文表示：

未來AI在數(shù)學上的最有成效應用，并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(huán)節(jié)。

比如幫數(shù)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Erd?s Problems的網站上，收錄著上千個以數(shù)學家保羅·埃爾德什命名的命題。

其中大約600個被標注為「未解決」。

就在幾天前，幾位數(shù)學志愿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Erd?s Problems上的數(shù)學難題。

AI幫他們掃出一批疑似「已有解」的線索，人工再復核、比對、閱讀。

短短幾天，6個原本被列為「未解決」的問題被重新標記為「solved」：Problem 339、Problem 494、Problem 621、Problem 822、Problem 903、Problem 1043。

隨即，評論區(qū)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(xù)篩查更多問題。

數(shù)學界第一次感受到：AI不一定幫你「解出」什么，但能幫你「發(fā)現(xiàn)」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，而是由人工復核后更新。但過去幾天評論區(qū)明顯活躍了，出現(xiàn)了更多帶文獻鏈接的注釋，說明很多發(fā)現(xiàn)確實是AI輔助完成的。

陶哲軒本人在Github上也維護了一個Erd?s Problems埃爾德什問題數(shù)據(jù)庫。

截止發(fā)稿前2個小時，陶哲軒才剛剛更新了數(shù)據(jù)庫。

這些問題中有些還有懸賞金。

比如懸賞10000美元的數(shù)論題。

這道題目已經2001年被Baker，Harman和Pintz解決。

然后在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里找到了「答案」。

就是2003年發(fā)布的一篇論文。

問題621是一道圖論。

問題822為數(shù)論。

問題903是組合數(shù)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(shù)學，也可以用GPT-5試著搜索一下。

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(xiàn)前，想通過人力來查遍所有論文是不現(xiàn)實的。

從查文獻開始，AI正悄悄重塑數(shù)學研究

在數(shù)學研究里，查文獻一直是最讓人頭疼的環(huán)節(jié)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，順著引用鏈往前往后查，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(xiàn)在標題里。

陶哲軒說，這時候用傳統(tǒng)方法，就像在大海撈針。

哪怕你是專家，也得一篇篇點開、反復確認。有時花幾天功夫，才發(fā)現(xiàn)看錯了方向。

AI則能跨語義、跨領域地掃描大規(guī)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(lián)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查文獻并不需要「完美命中」。

但只要在同樣的時間里，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后，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(jié)奏：

AI的成功率不必是100%，它只要比傳統(tǒng)方法更高，就能帶來真正的生產力提升。

在傳統(tǒng)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「我什么都沒找到」。

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于只報告「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復幾十遍。

陶哲軒在帖子最后寫道：AI的系統(tǒng)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(shù)據(jù)。

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布。

AI不僅幫人找到答案，也讓「沒有答案」成為有價值的發(fā)現(xiàn)。

它讓科研流程第一次具備了信息閉環(huán)：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(xiàn)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(chuàng)造真理，而是在于讓人類更快地接近真理。

它讓重復勞動變得可控，讓查不到結果也能成為信息；它不是研究者的競爭者，而是科研世界里第一個真正的時間節(jié)省器。

它讓數(shù)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(fā)現(xiàn)：人工智能沒有改變數(shù)學的本質，它只是讓數(shù)學回到了它該有的速度。