第十九章　从模型猜想到形成中的数学典范

一、一个名称尚未决定贡献的层级

当研究者为自己的想法命名时，研究似乎获得了清楚边界。一个名称可以集中注意力，帮助参与者交流，也可以让零散工作形成共同方向。然而，名称最先建立的是交流约定，而不是数学结论。模型是否自洽、结构是否新颖、方法是否有效，都需要独立工作来回答。

在人工智能支持下，这一区分更加重要。系统可以迅速生成定义、术语、示意图和看起来完整的论文结构，使初步想法获得成熟理论的外观。如果作者把表达的完整误认为论证的完成，研究就会在最需要检验的地方提前结束。文字的流畅只能帮助读者进入问题，不能代替问题已经被解决的证据。

本书将模型猜想理解为一种可展开的提议：研究者认为，改变某些对象构成、同一性条件或运算规则，可能使一组问题得到更合适的表达。这个提议可以来自经验困惑、理论冲突或跨领域类比。它必须允许失败，因为提出猜想时还不知道其后果是否值得接受。

形成中的数学典范则需要更多条件。它不只有一个定义，而有彼此支撑的问题族；不只有一个成功例子，而有可继续使用的方法；不只有创始者的解释，而有他人能够独立接续的工作。典范不是由作者颁给自己的称号，而是研究活动逐步形成的组织状态。

二、对象改变究竟改变了什么

最直接的模型创新，是引入一种新的对象表达。研究者可能给一个数附加位置、范围、方向、历史或关系。附加信息会增加描述能力，却不自动改变数学结构。若对象只是熟悉集合的有序组，运算也是逐项沿用旧运算，那么创新可能主要在于选取了适合某种任务的表示。

判断是否发生更深变化，需要追问同一性。两个对象在什么条件下被认作同一个？若它们具有相同总量却不同分布，模型是否区分？若当前状态相同但形成历史不同，后续行为是否可能不同？这些选择决定对象空间，而对象空间又决定哪些命题有意义。

以范围性单元为假想例子，研究者可以把单元表示为一个函数，也可以表示为一个中心和若干参数。前一种表达保留较丰富的形状，后一种可能降低计算成本。二者并非天然敌对，需要看参数化是否覆盖目标对象，以及不同参数是否可能表示同一个函数。若不能说明这些问题，同一性就可能被表示方式暗中替代。

此外，研究者应区分对象本身的相同与对某个任务而言不可区分。两个函数可以不同，却在某种观测下给出相同结果。把观测不可区分当成绝对同一，会使模型丢失潜在后果；把所有细微差异都保留，又可能造成不必要复杂性。对象构成需要与研究目标发生关系，但这种关系应当公开，而不是藏在术语中。

非欧几何提供了一个真实而具体的对照。格拉斯哥大学的几何讲义介绍，克莱因圆盘模型把开单位圆盘中的点作为点，把欧氏直线与圆盘的交集作为双曲直线；它与庞加莱圆盘模型通过适当映射联系，同一种几何可以具有不同外观（格拉斯哥大学数学讲义，无日期）。因此，图形看起来不同，并不足以证明出现了两种不同数学。

这里可以直接检查一个差异。取圆盘内的水平直径为直线，再取它上方的点。经过这个点，存在多条欧氏直线，其延长部分虽会与水平轴相交，交点却落在圆盘之外。作为圆盘内部的弦，它们都不与所给直径相交。对象范围与“直线”的解释一起改变后，欧氏平面中线外一点只有一条平行线的性质不再保持。这是规则后果，而不是视觉想象带来的错觉。

同时，圆盘的边界并不属于这个几何的点集，弦的有限欧氏长度也不能直接当作双曲长度。只截取一幅图而忽略度量和边界，就会误解模型。此例显示，候选数学要改变的往往是对象、关系与测量的组合；也显示旧数学可以为新几何提供模型。因此，知识并非只能通过一种几何消灭另一种几何来增长，模型联系本身就是严格研究成果。

三、运算使对象获得共同生活

孤立定义一个对象通常还不够。数学的力量很大程度上来自对象能够参与可重复的操作。怎样连接、组合、比较和更新，决定了模型可以承载哪些问题。运算的选择不是附属细节，它往往包含研究者最重要的假设。

仍以范围性单元为例，组合可以表示强度相加，也可以表示取较大影响，还可以表示前一单元改变后一单元的响应。三种选择表达不同活动，不能因为都被称为“合并”就视为同一运算。研究者必须说明输入、输出和适用范围，然后检查运算是否封闭，是否依赖顺序，是否保留所需性质。

运算不满足熟悉性质，并不自动说明失败。如果目标过程确实对顺序敏感，非交换性可能是模型希望保留的特征。但也不能反过来认为，只要违反常见性质就更加深刻。需要展示这种变化究竟帮助表达了什么，以及它引入了哪些新的计算和证明困难。代价必须与收益一起讨论。

一个成熟的展开过程会同时研究正例与反例。正例说明规则能够运作，反例标出边界。若结合律失败，就寻找最小失败情形；若某种特殊条件恢复结合律，就证明条件的作用。这样的工作逐步形成结构轮廓，使模型从直觉比喻转化为可以接续的数学对象。

四、第一批成果怎样建立可信度

候选方向最初不必拥有宏大定理，但应当提供能够确证的成果。一个最小构造可以证明对象并非空洞；一条基本命题可以说明定义确实产生后果；一个反例可以表明它与相邻理论存在差异；一个可运行程序可以帮助他人探索更多情形。这些成果的共同要求是，读者能够知道自己究竟在认可什么。

“新的”也应拆成几个问题。定义是否在已有文献中出现，结构是否与熟悉对象同构，特定定理是否已经成立，应用入口是否具有新价值，这些判断可能给出不同答案。一种结构已经存在，并不意味着新应用毫无价值；一个新名称没有先例，也不意味着其内部数学新颖。

研究者应当主动寻找最强的已有对照。如果只与过度简化的基线相比，候选模型可能获得虚假的优势。例如，范围模型不应只与一个裸标量比较，还应与已有的函数、核、测度和状态空间表达比较。对照越接近真正竞争方案，剩余差异越值得认真讨论。

比较还需要控制资源条件。若新方案获得更多调参、更丰富数据或更强计算设备，而对照方案使用简陋实现，性能差异可能不能归于新结构。数学证明的比较也类似：某个模型在强假设下得到漂亮结论，不能直接宣称优于另一个面对更弱假设的模型。公平比较首先要求条件可见。

还需要防止一种常见的论证捷径：先把已有模型限定为最弱形式，再把新模型的附加信息当作不可替代的理论优势。若把所有空间分布压成一个总量，当然无法区分形状；但既有数学并不只允许总量表达。真正的比较应当让对照模型使用它本来能够使用的信息，否则证明的只是人为删去信息会造成损失，而不是新结构具有独有能力。

另一方面，能够用已有数学表达，也不意味着研究入口没有新意。许多建模进步的价值在于发现哪些变量应当进入对象，哪些关系不能提前忽略。把一段经验转化为恰当结构，可以重新组织一个领域的问题。评价需要同时避免夸大结构新颖性与低估发生入口，两者并不互相排斥。

五、问题族比单次演示更能说明方向

一个成功例子可以引起兴趣，却未必构成持续研究方向。研究者需要问：这个例子能否自然产生下一批问题？哪些性质需要分类？哪些构造可以推广？不同极限之间有什么关系？是否存在不可能性结果？这些问题如果彼此连接，候选模型就开始形成研究纲领。

例如，在一个带历史依赖的对象系统中，研究可以继续追问：多长历史足以决定未来，哪些历史可以等价压缩，压缩是否保持组合规律，误差怎样积累。这些问题围绕共同结构展开，而不是随意扩展应用名称。即使最初动机来自触觉或某种具体互动，数学研究也可以在抽象层面形成自身的连续性。

反过来，如果一个框架每次遇到问题都必须重新发明完全不同的定义，先前结果无法复用，它可能还缺少稳定核心。这样的探索未必应被停止，但不宜过早宣称已经建立统一体系。需要进一步辨认哪些变化属于必要适配，哪些变化表明最初的共同结构并不存在。

问题族还可以揭示研究的生产性。一个方向解决旧问题后，是否提出了更精确、更深的困难？新困难是否能够吸引不同能力的研究者？能否通过教学让新人进入？当这些条件逐渐形成时，方向开始超出单个作者的思想工程，成为共同研究的候选基础。

六、他人接续为何是一项独立检验

提出者最熟悉自己的意图，因而也最容易在表达缺口处自动补入未写出的假设。他人接续会暴露这些缺口：一个符号究竟指对象还是表示，一条规则在哪些输入上定义，一个证明是否依赖隐含的有限性条件。独立接续不是礼节性的认可，而是一种对知识可传递性的实际测试。

接续也不等于重复原作者的结论。其他研究者可能发现更简洁的定义、不同的应用或足以否定核心猜想的反例。一个健康方向应当能够吸收这种改变，而不把所有偏离最初叙事的结果视为误解。研究共同体形成的标志之一，正是问题已经可以推动作者之外的人作出独立判断。

在人—AI环境中，接续需要额外透明。若某个结果只有在作者保存的一段未公开对话中才能得到，或必须调用随时变化而无法说明版本的服务，复现就存在困难。可以不公开所有私人思考，但构成论证依据的定义、数据、程序与验证结果应当有足够明确的保存方式。

这里的开放也不是要求研究者放弃一切权益。未发表工作可以设定合理的分享范围，软件可以有明确许可，合作贡献可以预先约定。关键是这些边界不能使已经公开声称成立的结果无法受到检查。过程保护与结果可核验，需要通过具体安排共同实现。

独立接续可以设计为一次有明确目标的工作交接。提出者给出最小材料，请未参与前期讨论的研究者重建一个算例、验证一条命题，并提出一个自然推广。若对方必须不断依赖口头补充，说明公开表达仍有缺口；若对方能够提出作者未想到但确实相关的问题，说明框架已经具有一定生产性。

这种交接不必成为对研究者个人能力的考试。其目的在于检查成果的公共接口。很多有价值的工作最初表达并不充分，经过反馈可以显著改善。重要的是作者是否愿意让他人的困难改变文本、定义和工具，而不把所有理解障碍都归因于读者缺乏悟性。

七、从个人数学到公共数学的转换

“我的数学”可以开始于一个别人尚未重视的问题，也可以开始于一段独特的现实经验。个人性为研究提供选择和动力。但若希望形成“我们的数学”，就需要把经验中的某些结构转化为他人可以理解、尝试和修正的表达。公共性不是抹去起点的个体差异，而是建立接续关系。

这个转换包含多次压缩与重新展开。作者先从经验中选择有关特征，再形成对象和规则，读者通过文字与算例重建这些规则，并在自己的问题中使用。任何一步都可能改变原意。因此，好的数学表达不仅提供结论，还提供必要的例子、边界和失败情形，帮助不同主体形成足够稳定的共同理解。

人工智能可以参与这一转换。它可以把直觉改写成候选定义，寻找不同表述，生成教学例子，也可能提出原作者未想到的推广。但它也可能把不熟悉的想法过早归入熟悉框架。作者需要检查这种归类是否保留了关键差异，并允许工具提出的反对意见改变自己的判断。

本书的SDE视野在此强调，研究对象、研究者能力与研究关系会在互动中共同变化。一个原先只能用经验语言说出的困惑，经由定义、反例和证明，可能成为公共研究对象；研究者也在此过程中获得新的辨认能力。这样的发生不是私人直觉直接变成公共真理，而是经过可检查的中介活动逐步形成。

个人经验在公共化之后也不会完全消失。它可以继续提出新的问题，提醒研究者某种抽象遗漏了重要条件。此时应当把回到经验理解为新一轮建模，而不是用经验的不可替代性拒绝数学检验。数学结论的成立需要相应论证，经验入口的价值则通过它持续打开的问题表现出来。

这也说明，公共数学可以容纳多个“我们”。一个研究共同体围绕某类对象形成共享语言，另一个共同体围绕不同对象建立方法，二者可以通过映射、共同任务与人员流动发生联系。公共性不必等于所有人研究同一对象，但必须包含跨越局部边界的可能。否则，共同体就可能变成只能内部确认的封闭群体。

八、怎样使用“形成中的典范”这一称呼

“形成中”意味着证据尚在增长，也意味着结果仍可能分化或终止。使用这一称呼时，应当能够展示若干相互支撑的事实：已有稳定对象与规则，已有代表性成果，已有能够延续的问题族，已有超出提出者个人的接续活动。不同方向的发展速度不同，不宜设定一条机械的数量门槛。

同时，应说明尚未完成什么。某个方向可能已有扎实理论，却缺乏应用；另一个方向可能应用有效，却尚未形成独特基础；还有方向已经建立交流网络，但核心主张仍存在证明缺口。把这些状态写清楚，有助于共同体合理配置支持，也有助于研究者避免承担与成果阶段不匹配的承诺。

所谓典范发生，最终指向一种可持续的研究能力，而不只是一个引人注目的文本。它使参与者能够提出相关问题，使用共同方法，识别失败，并把结果交给后来者继续。人工智能越能够快速生成理论外观，研究者就越需要用这些实际条件辨认外观与发生之间的距离。

数学家可以怀抱宏大目标，但最有力量的前进方式，是让每一阶段都留下能够被他人使用的成果。一个定义被澄清，一条命题被证明，一个不可能性被确认，一种联系被建立，这些看似局部的工作共同决定新方向能否生长。下一章将进一步讨论，使这样的展开持续进行，需要怎样的人—AI基础设施。