# 从邓煜2026 年菲尔兹奖的数学工作看人工智能
**作者**: deep Manifold
**日期**: 2026-07-24T09:35:43.000Z
**来源**: [https://x.com/BetaTomorrow/status/2080587724046897364](https://x.com/BetaTomorrow/status/2080587724046897364)
---

English Edition: AI Through the Lens of Yu Deng’s 2026 Fields Medal–Winning Mathematics
2026 年菲尔兹奖得主邓煜及其合作者 Zaher Hani、Xiao Ma,从硬球粒子的牛顿动力学出发,严格推导出玻尔兹曼方程,并将经典 Lanford 定理从短时间推广到任意长的时间区间: 只要相应的玻尔兹曼正则解仍然存在。国际数学联盟将“从硬球动力学严格推导玻尔兹曼方程”列为邓煜获得菲尔兹奖的重要贡献之一。 对人工智能而言,这项工作的启示并不在于玻尔兹曼方程本身,而在于它严格展示了一种重要的数学可能性:一个复杂系统的宏观秩序,并不一定需要一个预先给定的全局控制方程来指导底层的每一步演化。 硬球粒子只遵循局部的运动和碰撞规则,但在适当的尺度极限、统计条件和相关性控制下,一个新的宏观动力学结构可以从大量局部相互作用中形成并最终闭合。这自然引出了一个对 AI 更基本的问题:当全局方程本身未知时,AI 能否形成可信的数学结构?
这一问题与深度流形的 可学习数值计算(learnable numerical computation) 有直接联系。传统数值计算通常从已知的全局数学结构开始:先有 Navier–Stokes 方程、弹性方程或其他 PDE,再利用有限元、有限体积或谱方法求解其中的未知量。AI 面对的许多问题却没有这样的起点。我们可能只有数据、局部观测、输入输出关系和有限的边界条件,却不知道支配整个问题的全局方程,甚至不知道是否存在一个简洁的全局方程。因此,神经网络并不只是传统意义上的方程求解器。训练更像一个反问题:从有限观测和边界条件出发,通过大量数值迭代逐步形成一个原本未知的内部关系结构。损失可以衡量当前计算结果与外部条件之间的残差,但损失。从这个意义上说,AI 的一个根本数学能力,也许正是:在没有已知全局控制方程的情况下进行可学习数值计算。

当然,邓煜的证明不是神经网络理论,也不能被解释为“证明了 AI 可以自动发现未知物理定律”。在硬球问题中,底层的牛顿动力学是已知的,要导出的玻尔兹曼方程也是明确的数学对象。真正重要的是两者之间的数学过程:玻尔兹曼方程并没有作为一个全局控制器被写进每一个粒子的局部演化中,而是大量局部碰撞在特定 Boltzmann–Grad 尺度极限下所形成的有效闭合。更重要的是,这种涌现绝不是因为“粒子足够多”就自动发生。长时间碰撞会不断产生新的相关性,因此证明必须保留粒子的完整碰撞历史,通过 长时间累积量拟设、碰撞历史结构以及精细的组合控制来证明这些关系仍然可控。 这给 AI 一个非常重要的数学提醒:没有已知的全局方程,不等于没有数学结构。 全局方程可以未知,但局部数学结构e、关系传播、尺度条件和闭合机制不能任意存在。

这也使我们有必要重新思考 AI 中经常被使用的“涌现”。今天很多讨论倾向于把新能力归因于规模:更多参数、更多数据、更多计算,于是能力似乎会自然出现。但邓煜工作的数学精神提示了另一种理解:规模可以提供复杂性,却不能自动提供可信的秩序。 真正重要的是大量局部关系在不断演化之后,是否仍然能够保持必要的结构,并逐渐形成一个相互兼容的整体。对于物理系统,这些结构可能表现为守恒、对称性、统计关系、测度以及不同尺度之间的一致性;对于神经网络,它们可能表现为权重所形成的数学覆盖、激活所形成的物理覆盖、局部关系的同调,以及训练过程中不断演化的固定点类。训练不断扰动这个高阶非线性系统。如果我们只观察损失是否下降,而不关心已经形成的关系结构是否得到保持,那么数值意义上的收敛并不一定意味着学习。AI 的宏观能力也许不是由规模直接“创造”的,而是局部数学结构经过大量迭代之后逐渐形成、保持、协调并闭合的结果。
因此,邓煜的数学证明给 AI 带来的最深启示,也许不是让我们用神经网络去逼近某一个已知方程,而是迫使我们重新定义 AI 的数学问题。传统数值计算主要研究的是:在已知数学结构下求解未知量;可学习数值计算则进一步面对一个更加困难的逆问题:在全局方程和内部关系都未知的情况下,从数据与边界条件中形成、保持并逐步闭合一个可信的数学结构。这也许正是神经网络真正不同于传统数值求解器的地方。它不仅可能计算一个已经被写出来的数学问题,还可能成为探索尚未被写出来的关系结构的一种计算机制。邓煜的工作告诉我们的不是“没有方程也可以随意涌现”,而恰恰相反:没有已知的全局方程,并不意味着没有数学。AI 真正需要回答的问题是:什么样的局部数学结构,能够在长期演化中最终形成可信的全局秩序?
This article is now listed under “Scientific and Engineering Intelligence” and “Mechanistic Interpretability & Alignment” in Deep Manifold, Two Years Later: 2024–2026.
- What is Deep Manifold ?
- Neural Network Fixed-Point Field
- Learning Is an Inverse Problem, Al Is About Learning
- Deep Manifold in the Real World
## 相关链接
- [deep Manifold](https://x.com/BetaTomorrow)
- [@BetaTomorrow](https://x.com/BetaTomorrow)
- [470](https://x.com/BetaTomorrow/status/2080587724046897364/analytics)
- [AI Through the Lens of Yu Deng’s 2026 Fields Medal–Winning Mathematics](https://x.com/BetaTomorrow/status/2080586614825202048)
- [Deep Manifold, Two Years Later: 2024–2026.](https://x.com/BetaTomorrow/status/2080057647160824276)
- [What is Deep Manifold ?](https://x.com/BetaTomorrow/status/2070113382347461038)
- [Neural Network Fixed-Point Field](https://x.com/BetaTomorrow/status/2075335417189257256)
- [Learning Is an Inverse Problem, Al Is About Learning](https://x.com/BetaTomorrow/status/2063266723336499444)
- [Deep Manifold in the Real World](https://x.com/BetaTomorrow/status/2072044191023329753)
- [Upgrade to Premium](https://x.com/i/premium_sign_up)
- [5:35 PM · Jul 24, 2026](https://x.com/BetaTomorrow/status/2080587724046897364)
- [470 Views](https://x.com/BetaTomorrow/status/2080587724046897364/analytics)
---
*导出时间: 2026/7/24 23:19:48*