为什么埃尔德什问题正在被 AI 攻克

古怪研究者与资助

• 有人认为，资助“古怪”的捣鼓者（比如现代游走于各地的理论家）可能会带来发现，尤其是在计算机科学中，但也有人指出这是在浪漫化异类；深层次贡献仍然需要多年专门学习。
• 这里提到了幸存者偏差：我们看见的是那些确实获得支持的人，而不是那些从未有机会的人。任何系统（公共或私人）都会倾向于让真正的异类落空。
• 有些人认为，强大的福利/残障体系实际上等同于为非传统创作者提供资助，无论好坏。

媒体、金钱与 AI 炒作

• 一位评论者指责该杂志受一家重度押注 AI 的对冲基金控制；其他人指出其中存在事实错误，以及实体之间缺乏关联，认为这是更广泛的“凡是 AI 相关都腐败”的反弹的一部分。
• 还有关于低 karma、高争议账号以及它们是否是机器人的元讨论。

理解 AI 生成的数学

• 许多人担心，即使是相关子领域的专家，起初也无法理解这些 AI 证明，这引发了它们究竟有多有用或多有意义的问题。
• 其他人强调这很正常：数学范围非常广；无论是人还是 AI，专家往往也无法立刻读懂彼此的工作。
• 可由机器检查的证明（例如在证明助手中）被视为必不可少，但还不够；过去验证器中的漏洞表明它们并非绝对可靠。

这些结果的价值与实用性

• 有人指出，这些都是小众、长期存在的问题，基本没有直接实用价值，尽管历史上看，“无用”的数学后来也支撑了密码学或布尔逻辑之类的领域。
• 一些有经验的数学家声称，大多数现代纯数学实际上从未被应用；另一些人则认为我们无法知道哪些结果会变得重要。
• 一个反复出现的主题是：一个猜想的文化知名度和难度，并不等同于其重要性。

数学家角色的变化

• 这里存在“解题者”（证明新定理）与“理论家/阐释者”（组织并解释）的分裂。
• 多条评论预测，角色会转向解释、消化、重构以及重新表述 AI 生成的结果——使“可理解的数学”成为核心工作。
• 有些人担心这会退化为营销和基于权威的信任；另一些人则认为这确实是有价值的智力工作。

信任、真相与验证

• 担忧在于：我们是否正在把自己的认知能力让渡给不透明的系统？我们如何区分真相与虚构？
• 回应强调现有的社会和技术流程：自动化证明检查器加上人类专家审查；没有认真负责的人会“只是相信”模型输出。
• 还有一种元层面的反思：大多数人在几乎所有非平凡数学问题上，本来就依赖专家共同体。

反例、猜想与新颖性

• AI 在寻找反例方面似乎特别强，可能会迅速否定虚假的猜想，并澄清其余哪些是真、哪些是不可判定的。
• 有人认为 AI 主要是在重组已有结果（通过模式匹配把“a=b”和“b=c”变成“a=c”）；另一些人则认为，即使是这种规模化重组也令人印象深刻，并且能够揭示不明显的联系。
• 争论还包括什么算“新数学”：是基于现有工具的新证明，还是创造真正新的概念/机器。

更广泛的科学影响

• 一些人预计，数学对当前 AI 而言尤其容易处理，因为它是公理化且自洽的，不像实验科学。
• 人们提到 AI 在蛋白质折叠和天气预测等领域的成功，但评论者指出，许多物理/化学/生物问题缺乏数据，或者受实验成本限制。
• 全自动实验室加上 AI 被视为可能的下一步——前景可观，但也会带来生物安全和安全性方面的担忧。