第二十一章 数学的SDE纲领：特征纠缠的场模态

一、从一个公式追问它的成立条件

数学家看见一个公式，通常会问它是否定义清楚、能否由假设推出、可以推广到哪里。这些问题使数学获得了独特的可靠性。本书还要在它们前面添加一组问题：为什么选择这些量，什么活动使这些量成为可区分的对象，哪些差异被保留，哪些差异被暂时忽略，以及这个公式组织了怎样的研究世界。新增的问题不替代证明，却能够改变值得证明的东西。

设想一个用于记录学习表现的简单函数。研究者将练习次数记作自变量，将测验分数记作结果，随后寻找两者之间的关系。即使计算完全正确，选择本身仍包含许多决定：一次练习如何划界，重复操作是否等同于深入理解，测验分数代表哪一种能力，讨论、工具和情绪如何进入过程。公式能够在既定编码下严格运行，却不会自动证明编码已经涵盖了学习。发生学的任务，是使这些构成决定重新进入研究视野。

在SDE框架中，S指显露，D指差异运行或差异序列，E指特征纠缠。三者不分别对应一份输出数据、一套机械步骤和一幅外部背景。显露是在差异运行与特征纠缠中获得的稳定表现；差异运行也受到已经显露的特征与纠缠方式约束；特征纠缠又通过显露和差异运行被改变。因此，三方程S＝F(D,E)、D＝G(S,E)、E＝H(S,D)首先提出相互构成的研究方向。若要把它们写成可计算模型，还必须另行定义状态空间、函数、尺度与适用条件。

这一区分对数学尤其重要。写出三个函数符号，不能自动得到一个动力系统，更不能凭其形式断言所有现象已经被统一解释。三方程在本书中的初始作用，是提醒研究者不要只询问一个结果如何从固定输入产生，还要询问输入怎样形成、运行怎样改变，以及哪些纠缠条件使一种数学活动成为可能。数学构造则从这些追问中挑选可以明确化的部分，承担更窄而更严格的论证任务。

二、为什么将数学放在特征纠缠的场模态

本书沿用王德生提出的研究纲领：数学研究特征纠缠的连接、次序与结构，并通过建模参与这些组织方式的发生。这里的场模态，强调不同特征如何在一个可以整体考察的组织中相互定位。它既可以表现为有限网络，也可以表现为连续函数、运算系统、空间或跨层级映射，不能仅凭日常语言中的“场”来限定其数学形式。

连接回答什么能够与什么共同进入某项活动。次序回答进入、作用、推演或变换的先后怎样影响后果。结构回答这些连接与次序怎样形成可重复、可迁移的组织。三者并不是把数学分成互不相干的三个部门。一个矩阵可以同时编码变量的连接、迭代中的作用次序和一个线性变换的整体结构。同一对象在不同研究任务中承担的角色，也可能随着问题改变。

把数学理解为场模态，并不是说数学只能研究物理场。代数学中的域是满足特定运算公理的结构，电磁场具有物理理论中的确定含义，随机场则是另一类数学对象。SDE的场模态是发生学的组织视角，不能用同一个汉字把这些概念合并。混用会造成一种虚假的论证：先用宽泛的“场”容纳一切，再借某个严格场论的成功证明整个哲学框架。这样的跳跃没有数学效力。

王德生在《知识是SIO的模型》中把数学与抽象模型的连接、次序、结构联系起来；在《点亮数学之灯：特征纠缠》中，又把变量、函数与方程放回特征形成与相互制约的活动。这些论述提供本章的理论起点。它们属于作者对数学的发生性解释，并不表示数学界已经共同接受这一界定，也不意味着所有其他数学哲学因此失效。本书需要展示的，是这一解释能否稳定地产生更好的问题、构造与研究组织。

例如，一个研究群体长期只优化给定图上的路径长度。场模态的追问会把注意力推向图的形成：顶点究竟代表地点、任务还是行动者，边的存在由空间距离决定还是由合作能力决定，路径代价是否随使用而改变。此时，新数学机会未必来自找到更快的最短路程序，也可能来自改变连接本身的生成规则。既有算法被封装以后，这种前移的构成研究会更容易得到实际展开。

三、E为什么不能被简化为环境

讨论复杂研究时，人们习惯将内部过程称为系统，将外围条件称为环境。如果把E直接写成环境，三方程很容易被读成“个人在环境中执行步骤，产生结果”。这种读法保留了相互独立的现成主体、现成对象与现成背景，恰好遗漏了SDE希望研究的发生过程。

特征纠缠指向的，是某些特征只能在彼此的形成、限制与激发中得到确定的状态。以距离为例，距离的数学定义可以完全明确，但一次现实测量中的距离显露还依赖端点识别、尺度校准、路径选择和测量操作。端点不稳定，距离对象可能随之变化；改变问题尺度，原来可以忽略的曲折又可能进入定义。这里不是给一个已完成的距离再附加环境说明，而是在分析“这一距离”怎样被构成。

纠缠也不能仅仅作为“存在关系”的另一种说法。任意两个名字之间都可以画线，但画线本身不能说明它们的特征如何相互形成。研究者应说明哪些量的可区分性依赖其他量，哪些操作会同时改变多个特征，哪些稳定表现只能由共同运行维持。只有把这些依赖落实到构造、观察或干预，纠缠才具有超出修辞的研究内容。

在数学内部，也有类似的构成问题。向量空间中的基并非向量空间唯一的天然坐标，换基改变坐标表达，却保持某些结构；商空间中的对象不是原对象换名，而是依据等价关系重新组织了同一性。SDE可以用这些例子训练发生性提问，但不能倒过来说，这些既有理论只有借助SDE才获得意义。它们本来就具有严格的定义与深厚的研究传统。本书要寻求的是新的组织与连接，而不是追认所有数学成果都已暗中属于自己的框架。

同样，人—AI复合体中的E不是电脑、办公室和资料库的总称。一个研究者如何表达反例，模型如何重述问题，验证器接受怎样的证明对象，团队如何处理冲突，这些活动会共同改变研究中什么算作明确的问题、可信的结论和可用的下一步。硬件条件当然重要，却不足以描述这种特征相互构成的组织。研究能力在其中发生，不能简单写成人的原有能力加上机器性能。

四、符号、逻辑与数学怎样共同工作

SDE体系的信息维度把符号、逻辑与数学分别联系于粒子、波与场的模态。这里需要避免三种误会。第一，它不是把三门学科划入互不接触的领地；第二，它不是按低级到高级排列文明能力；第三，它不意味着凡是使用符号就只处于粒子态，凡是写出公式就自动进入场态。模态描述的是组织侧重，不是外观标签。

在一次数学研究中，符号首先帮助某种区别获得稳定的可传递形式。一个新运算若没有明确记号和使用约定，很难被持续讨论。逻辑使这些表达能够依照规则推进，区分哪些后果已经获得论证、哪些仍属猜想。数学的结构组织则使对象、运算与推演之间的关系能够被整体比较，进而发现同构、障碍、极限与推广。这些工作互相进入，难以按时间顺序彻底分开。

设研究者引入一种包含影响范围的单元。他可以先画一个圆圈表示作用区域，但这只是一个初步符号。若声称两个圆圈重叠就一定产生更强效果，便已提出需要论证的运行规则；若进一步研究所有单元的组合、更新与观察方式，就进入结构问题。没有明确的符号，规则含混；没有合法的推演，结构可能自相矛盾；没有整体组织，局部算例又可能无法积累为研究。

AI可以参与上述全部活动。它可能提出更合适的记号，生成不同定义，检查若干推论，也可能建议把一个局部构造置入更成熟的理论框架。由此不能把人固定为提出意义者，把AI固定为执行规则者。实际贡献需要根据研究过程辨认。人的责任也不会因为AI参与构造而消失：选择何种问题、接受何种证据、怎样发布结论，仍需要在明确的合作制度中落实。

这套模态理解的价值，在于暴露只在某一层加速的局限。若团队只增加公式与术语，符号产量可能很高，结构并未改善；若只让模型延长论证链，却不核对对象域，推演越长越可能积累错误；若只追求宏大统一图景，缺乏可辨认的对象和合法步骤，整体性也只是视觉印象。能力封装要形成升级，需要这些层面的共同重组。

五、数学对象的构成并不取消数学约束

一旦强调对象在活动中构成，就会有人担心数学退化为任意约定：既然对象由我们规定，为什么不能规定任何想要的结论？这个疑问指出了发生学必须面对的界限。构成一个对象的规则可以由研究者提出，但一组规则一经确定，其后果并不由研究者随意决定。存在性、一致性、可计算性以及与其他结构的关系，会反过来限制最初的设想。

研究者可以希望某种新运算同时具有交换性、顺序敏感性和完整历史记录，但这些愿望之间可能存在冲突。若两次操作在同一状态上的交换总不改变结果，那么仅从最终状态就不能识别它们的先后；若又要求最终状态完整区分所有先后历史，就必须改变状态空间或削弱交换要求。这样的限制不是研究者表达得不够热情，而是目标之间需要精确协调。

发生学因此要求把愿望转化为可反驳的构造。哪些性质是必须保留的，哪些只是习惯，哪些彼此不相容，应在最小例子里暴露出来。失败的定义可以具有价值，因为它让研究者知道原来的问题实际上包含了不同目标。但若每次出现反例都任意增加条件，只为保住已经宣布的结论，理论就会失去向外部开放的能力。

数学中的证明也不能被“适合我的体验”代替。体验可以提示对象选择，应用可以支持一种建模方式，严格命题仍需在明确假设下成立。反过来，一项形式上正确的定理也不自动保证它解释了某种体验。两种论证任务必须分别完成，再研究它们之间的连接。此处的严格区分，是多元数学能够形成公共讨论的条件。

同样，一种数学模型已经被证明可用，并不自动证明提出它的全部本体论。不同哲学框架可能导向相同构造，同一哲学框架也可能支持彼此不等价的数学方案。比较这些关系，往往比争论哪种框架独占真理更有生产力。SDE在本书中的力量，应体现在持续促成具体研究、允许结果反向修订自己的能力上。

六、研究纲领怎样接受检验

对于“数学是特征纠缠的场模态”这样的广泛纲领，仅以单个成功算例很难完成全面验证。更合适的做法，是把它分解为一组可以追踪的研究承诺。首先，它应帮助研究者识别通常被固定处理的构成选择；其次，它应推动产生明确的替代方案；再次，它应支持这些方案与既有理论进行实质比较；最后，它应允许比较结果削弱最初的判断。

可以设计一组相对具体的研究记录。面对同一任务，先保留常规模型的问题定义和操作方式，再用发生性提问检查单元、同一性、边界与运行历史。记录由此新增的问题是否已有成熟答案，新增结构是否只是旧结构换名，以及模型是否改善表达、验证或协作。研究者不需要因为找到已有答案而感到失败。准确识别已有答案，可以减少重复劳动，并把探索推进到真正尚未解决的位置。

检验还包括成本。若一个模型为了表示某种纠缠，引入庞大状态空间，却没有提供额外预测、推理或解释收益，那么它可能只把问题写得更复杂。复杂并不等于深刻，保留更多细节也不总比适当封装更好。发生学需要同时讨论生成与压缩：什么时候必须重新展开被封装的过程，什么时候应相信已验证的结构，使下一层活动得以进行。

第六编的伞模型将承担这种检验任务。它从影响范围出发，以有限空间上的非负剖面表示一次作用，再研究组合、历史更新与观察。同一模型能否只保留一个总量，何时必须保留完整分布，将通过具体算例和命题处理。若它最终属于已有离散系统的一个建模形式，我们就应明确报告这一结果，并考察发生性入口是否仍改善了问题组织。

本书也需要保留可能不利于自己纲领的发现。某些研究者在没有SDE术语的情况下，已经能够充分处理对象形成、相互作用与结构迁移；这会削弱“SDE独有这些能力”的主张，却未必取消SDE作为统一训练框架的价值。只有让不同层次的主张分别面对证据，理论才能避免把任何结果都解释成自身成功。

研究纲领还应接受教学层面的检验。若学生学习这些概念之后，只是把原来称为关系的地方改称纠缠，把原来称为结果的地方改称显露，而不能改变一个定义、提出一个反例或识别一个被遗漏的假设，那么教学尚未产生所承诺的能力。相反，一个学生即使不熟悉全部哲学术语，只要能够明确说明为何选择某种单元、这种选择牺牲了什么，以及怎样比较替代构造，就已参与了发生性研究。术语理解和研究能力应当分别评价。

还可以进行团队层面的比较。让两个小组在相近资源条件下处理同一建模任务，一组沿用既有流程，一组增加构成审查与多候选比较。观察其记录是否更清楚、错误是否更早暴露、他人是否更容易接续，以及这些收益是否足以抵偿新增成本。这样的比较不会一次证明整个SDE体系，却能够使局部承诺得到更扎实的支持。它也可能发现，在高度成熟且时间紧迫的任务中，增加某些追问并不划算，需要调整进入时机。

这种研究设计的重要性，在于把理论的价值从作者自我评价转向可公开讨论的表现。发生学若要求数学家接受工具带来的检验，也应对自身提出同样要求。一个框架可以保持宏大的哲学雄心，同时在具体研究中接受狭窄而严格的证据。雄心指引探索方向，证据决定某一步究竟走了多远，两者共同构成可以持续发展的研究生活。

七、封装之后，数学家把注意力移向哪里

当计算、证明搜索和结构识别不断进入工具，研究者获得的并不仅是省下来的时间，还可能是重新安排注意力的条件。过去一个候选定义需要很长时间才能发现基本矛盾，如今人—AI复合体可能更快完成初筛。过去只有一个方案来得及展开，现在可以比较多个不同的对象构成。被封装的能力因此成为发生新问题的材料。

但这不是自动过程。若所有候选仍服从同一套外部评价，只按短期可发表成果排序，工具可能把研究者更牢固地锁定在既有轨道。候选产生速度越快，筛选规则的影响越大。数学家的生涯升级，需要同时反思研究对象与评价对象：什么成果值得投入，什么失败值得保留，什么新活动需要等待尚未成熟的共同体。

SDE在此提供的是一种持续追问的纪律。看见显露的成果，要追问它依赖什么差异运行与特征纠缠；看见熟练的过程，要追问它怎样改变参与者和对象；看见稳定的结构，要追问哪些变化会使它需要重新组织。稳定不是发生的终止，而是下一轮发生可以借助的条件。

数学家由此可以在继承中打开不同入口。他不必放弃已经掌握的理论，也不必每天重新发明基础。他需要学会判断哪些封装足够可靠，哪些构成假设值得重新展开，以及怎样让一次个人疑问转化为他人能够参与的结构研究。下一章将回到数学史，考察数、空间、运算与连接曾经怎样成为新的研究对象，从而使这种转向获得更具体的历史尺度。