文章讲述了Erdős问题1026的解决过程，该问题源于1975年提出的一个模糊数学命题。通过结合现有文献、在线协作和AI工具，数学家们最终完成了证明。核心涉及Erdős与Szekeres著名定理的改进，探讨了实数序列中单调子序列长度的最优界问题。

埃尔德什问题1026的解决历程

问题背景

埃尔德什在1975年提出的问题1026源于他与塞凯赖斯（Szekeres）的著名定理：对于任意包含( k^2+1 )个不同实数的序列，总能找到一个长度为( k+1 )的单调（递增或递减）子序列。问题进一步探讨了在给定序列( x1, \dots, xn )中，如何确定其最大单调子序列的和( S(x1, \dots, xn) )。

问题重述与游戏化解释

2025年9月12日，Desmond Weisenberg将问题重新表述为：定义常数( c(n) )，使得对于所有正实数序列( x1, \dots, xn )，有
[ S(x1, \dots, xn) \geq c(n) \sum{i=1}^n xi. ]
这一问题可通过“硬币分配游戏”形象化：Alice将( N )枚硬币分成( n )堆，Bob选择单调堆序列并拿走其中的硬币，目标是最大化( c(n) )以保证Bob至少获得( c(n) \cdot N )枚硬币。

初步进展

• 小规模计算：对于( n=1,2,3 )，直接计算得出( c(1)=1 )、( c(2)=1 )、( c(3)=2/3 )。
• 上下界估计：Stijn Cambie和Wouter van Doorn分别通过构造和已有文献（如Hanani的结果）给出了( c(n) )的渐进上下界：
  [ \frac{1}{\sqrt{2}} \leq \sqrt{n} \cdot c(n) \leq 1 + o(1). ]

关键猜想与AI介入

Stijn通过数值计算提出猜想：( c(k^2) = 1/k )。2025年12月7日，Boris Alexeev使用AI工具Aristotle在Lean证明助手中验证了这一猜想，其证明将问题转化为矩形填充问题。随后，Koishi Chan通过“放大”埃尔德什-塞凯赖斯定理给出了替代证明。

文献关联与深入发现

进一步研究发现，该问题与埃尔德什问题106（正方形填充问题）密切相关。Lawrence Wu指出，( c(n) )的倒数与填充问题中的函数( f(n) )满足( c(n) \geq 1/f(n) )。通过结合Baek-Koizumi-Ueoro（2024年）和Praton的研究，最终证明了广义的填充定理，从而确立了( c(n) )的精确表达式：
[ c(k^2 + 2a + 1) = \frac{k}{k^2 + a} \quad (k \geq 1, -k \leq a \leq k). ]

协作与工具的作用

解决过程中，多方贡献不可或缺： 1. 数值计算：AlphaEvolve生成( c(n) )的近似值，John Cook的有理数逼近工具帮助识别模式。 2. 理论连接：从单调序列到矩形填充的几何转化，依赖Seidenberg（1959）的离散填充论证。 3. AI辅助：Aristotle验证猜想，AlphaEvolve优化构造，大型语言模型整合证明步骤。

启示

这一案例展示了多元化协作的价值：传统数学洞察、现代算法工具与文献检索技术的结合，使得在48小时内解决了可能需数月的问题。埃尔德什问题网站的AI政策（要求公开使用并人工验证）也为高效合作提供了框架。

总结：

1. 关于AI辅助工作的未来前景

• 主要观点：案例研究展示了超越数学领域的AI辅助工作模式，需要人类、大语言模型(LLMs)、领域专用工具和深度研究的结合
• 关键引用： "This case study reveals the future of AI-assisted work, far beyond mathematics." "It relies on a combination of Humans, LLMs, Domain-Specific Tools, and Deep Research."

2. 关于工作流程的启示

• 主要观点：该工作流程展示了LLM作为"全栈开发者"整合专业工具的角色，其方法可迁移到其他软件工程问题
• 关键引用： "In this workflow...the LLM is the Full Stack Developer that glues them all together." "the process and the AI policy...is inspiring and easily transferable to any moderately complicated software engineering problem."

3. 关于数据处理的见解

• 主要观点：LLM中的静态数据不足，需要根据对话上下文重新获取和消化信息源
• 关键引用： "the static data encoded within an LLM is not enough; one must re-fetch sources and digest them fresh"