第二十三章 同一性、边界与单元怎样发生
一、两个东西什么时候算作同一个
数学活动离不开同一性。我们需要知道两种写法是否表示同一个数，两幅图是否表示同一个结构，两次计算是否得到了同一个结果。许多看似纯粹技术的问题，实际上依赖这一判断。若同一性的条件不明确，计算即使顺利进行，研究者也可能在不知不觉中更换了对象。
最熟悉的例子是分数。二分之一和四分之二写法不同，却表示同一个有理数。这里的同一性不是笔画相同，也不是两段计算历史相同，而是由有理数的等价规则确定。相反，在一道要求学生展示约分过程的教学任务中，两种写法又具有不同的信息价值。对象是否相同，与当前研究要保留的结构有关，不能仅凭肉眼相似决定。
这并不表示同一性可以随着研究者心情任意改变。一个明确定义的理论，需要在自己的对象域内持续使用相容的判定规则。可以另建一个保留更多信息的理论，也可以比较两个理论之间的映射，却不能在证明进行到一半时，把“数值相等”悄悄改为“生成过程相同”。许多表面深奥的争论，正是不同同一性标准没有被公开区分。
发生学追问的不是如何取消相等，而是一个活动为什么采用这一种相等。若研究目标是交易结算，净额相同可能足够；若研究目标是审计，交易来源和次序就不可忽略。前一种对象可能成为后一种对象的投影。投影有用，因为它封装了不必随时展开的细节；投影也有条件，因为被删除的细节在新任务中可能重新重要。
因此，数学创新的一个入口，是检查正在使用的同一性是否与活动目标匹配。研究者未必要创立一门新数学，也许只需改用已有的等价关系、状态空间或观察模型。但即使只是这样的修正，也可能改变哪些问题能够被提出，以及哪些错误能够被提前发现。
二、表示、状态与观察的三个层次
在研究包含影响范围的单元时，同一性至少可以分成三个层次。第一个层次是参数或表示相同：两个单元是否具有相同中心、范围和强度。第二个层次是它们在所选空间上形成的作用剖面相同。第三个层次是当前观察方法无法区分它们。三个层次可能重合，也可能分离。
例如，在一个只有有限观察位置的空间上，两个不同参数组合可能在每个位置产生完全相同的作用值。若研究只关心这些位置上的后续计算，参数差异未必需要保留。反过来，如果以后增加了观察位置，原来的等同就可能不再成立。这里没有逻辑矛盾，因为我们改变了观察与对象构成的条件。
再设一个剖面用两个非负分量表示，记录两个区域受到的作用。如果观察仪器只报告总量，那么作用全部位于第一区域与全部位于第二区域，在总量相同时会给出同一读数。但完整剖面不同，后续反应也未必相同。观察上的不可区分，并不自动意味着动态上的可互换。
这种区分直接关系到工具封装。一个服务接口可能只向使用者返回总分、风险等级或平均值，而其内部保留了复杂结构。只要后续活动确实只需要这些汇总量，封装就能节省大量成本。但若使用者将汇总量带入原来没有验证过的任务，被隐藏的差异就可能产生不同后果。所谓可靠封装，必须说明可靠性对应哪一类活动。
数学家在此具有重要工作：明确观察映射如何合并对象，以及这种合并何时与后续运算相容。问题不在于是否应当保留所有细节。任何有限研究都需要选择。问题在于选择之后是否还能正确承担所承诺的操作。若不能，就需要增加状态、改变观察或缩小适用范围。
三、把无法区分组织为一个新对象
给定一个对象集合，如果“无法区分”要用来构成稳定的等价类，它至少应满足自反、对称和传递。自反意味着对象与自身不作区别；对称意味着判断方向不改变结论；传递意味着连续的等同不会在最后失效。这些要求听来抽象，却直接限制了许多日常近似判断能否被当作严格相等。
例如，把两个实数相差小于某个正阈值称为相同，会得到一个直观的近似关系，但它通常不具有传递性。一个数与第二个数足够接近，第二个数与第三个数也足够接近，首尾却可能超过阈值。因此，不能未经处理就把所有局部接近的对象合并为等价类，再假装得到了没有歧义的新数。近似、聚类和商结构属于不同任务，应分别定义。
即使得到了等价关系，还必须检查运算是否能在等价类上成立。若用两个代表进行运算，更换代表后应得到同一个结果类，否则所谓新运算依赖隐藏选择。以整数的模同余为例，加法与乘法能够相容地下降到相应的商结构；但并非对任意操作都成立。这样的相容性是新对象可以公共使用的关键。
对于有历史更新的模型，要求还要更强一点。当前无法区分的两个状态，在相同后续输入下是否继续无法区分？如果答案是否定的，观察量就不足以独立预测未来。研究者有时把这种不足归为噪声，其实它可能是状态定义遗漏了决定性信息。增加数据数量未必解决问题，因为遗漏发生在对象构成这一层。
因此，建立新单元的工作不能停在“把一团东西看作一个整体”。整体需要有明确的成员范围、等同条件和可承受的操作。它怎样被分解，怎样与另一个整体组合，怎样随时间更新，都应与其同一性相协调。发生学提出整体性问题，数学则帮助我们判断整体性是否已经形成可用结构。
四、边界不是只有一条线
在图画中，边界往往是一条清楚的曲线。研究者画出一个圆，圆内属于对象，圆外不属于对象。这种表示对许多任务非常有效，但它容易使我们忽略其他边界类型。作用强度可能逐渐减弱，归属可能因任务不同而改变，某种影响也可能通过连续传播越过最初范围。
在严格模型中，可以分别讨论几何边界、支持集、观察边界和计算边界。几何边界描述一个集合在所选空间中的位置关系；支持集关心哪些地方的作用不为零；观察边界由仪器或任务的可分辨范围决定；计算边界则由实际求解区域与截断方法决定。这些边界可以关联，却不是同一个概念。
例如，一个影响核在数学上可能具有无限延伸的尾部，但在某个工程精度下，远处作用可以忽略。此时，计算中的有限半径是近似选择，而非证明实际作用在该处突然消失。反过来，一个严格紧支撑的模型可能是有意的理想化，不代表所有现实互动都有锋利边缘。说明边界的类型，有助于避免把建模约定误写成存在的唯一方式。
边界也会随活动改变。一个团队研究信息传播时，成员之间的交流关系可能构成边界；研究经费责任时，法律组织关系可能更重要；研究某种数学对象时，则由定义和操作域确定哪些内容属于当前系统。SDE强调复合体的整体性，并不意味着必须把所有相关事物无限纳入。没有可处理的边界，任何具体研究都会失去对象。
关键是让边界成为可以修订的研究决定。研究者需要说明划界依据、被排除的作用、预计有效的尺度，以及什么证据会要求重新划界。一个模型在既定边界内得到良好结果，是有价值的成果；发现边界之外的作用改变了核心结论，则是下一轮发生的入口。两者都不需要用“完整解释一切”的姿态来维护尊严。
五、范围性影响怎样改变单元理解
本书关注的触觉入口，并不只是“触觉分辨率低于视觉”。更关键的问题是：一次作用可以在一定范围内改变后续作用的条件。若只把它记作某一点发生了一个数值事件，就可能遗漏它对周围位置和后续时刻的影响。这里提出的是构成问题，不是对全部触觉生理机制的完成解释。
可以先设想一个有限度量空间，单元具有中心、范围和强度，并在各位置形成作用剖面。单元的中心仍然是一个明确参数，但单元的数学作用不再只由中心位置承担。两个中心不同的单元可以重叠，两个强度相同的单元可以具有不同范围，一个单元也可能通过更新机制改变其他单元以后进入系统的效果。
这种构造可以完全使用现有数学。距离函数、非负向量、核、线性或非线性更新都已有丰富理论。研究的任务是选择恰当组合，检查它是否表达了所关注的范围性和历史性。仅仅给单元增加一个半径，并不能宣布发明了新的数学典范。需要证明的是：这一构成使哪些原来被混淆的情形得以区分，哪些问题变得可解，付出了怎样的复杂性代价。
范围性还迫使我们区分叠加与合并。两个剖面相加，可以保留总作用；把它们合成一个同类参数单元，则可能做不到。两个峰值不同的分布，不一定能由一个具有单一中心和半径的单元精确表示。如果研究者坚持每次组合都返回同一参数形式，就可能必须近似、扩大参数族，或放弃某项要求。这个小问题已经体现了数学对象发生中的真实张力。
同样，更新后的作用范围未必等于初始范围。若状态在相邻位置之间传播，多步之后的支持可能扩大；若存在衰减，有些影响虽未严格消失，却逐渐低于可观察水平。单元既有初始构成，也有运行中的展开。把两者区分开来，可以避免用一个静态圆圈承担所有时间过程。
六、一个最小反例：相同总量为何不够
设两个区域的状态分别记为第一分量与第二分量。状态甲把全部单位作用放在第一区域，状态乙把同样大小的作用放在第二区域。若观察只报告两个分量的和，那么甲乙的当前读数相同。现在假设第一区域每一步保留原作用的一半，第二区域每一步保留原作用的四分之一，并且暂时没有新的输入。
一步之后，甲的总量变为二分之一，乙的总量变为四分之一。原来的“相同”不能独立决定下一步观察结果。这个反例不需要复杂模型，也不依赖生理假说。它只说明：当内部各部分具有不同更新规则时，总量可能不是充分状态。若工具仅返回总量，却承诺预测所有后续总量，就已经超出了信息能够支持的范围。
修订有几条不同道路。可以保留两个分量，使状态足以区分甲乙；也可以改变适用条件，要求两个区域具有相同衰减率；还可以改变任务，只预测某些受限制的初始状态。三条道路对应不同成本与收益，不能把其中一条说成唯一合理选择。发生性研究需要把这些分化公开记录。
如果两个区域确实采用相同衰减率，且新输入的总量已知，那么总量可以独立更新。此时封装重新成立，而且非常有用。我们不必每一步都展开内部构成，便能完成总量层面的预测。这个正面情形提醒我们，本书并不主张细节越多越好。新数学活动需要的是恰当的颗粒度，以及知道何时必须改变颗粒度的能力。
第六编将用线性代数给出更一般的闭合条件。这里先保留问题意识：观察如何合并状态，更新是否尊重这种合并，以及失败后应怎样调整模型。数学家可以在很小的例子上训练这种判断，再把它带到更大的系统。AI能够迅速生成候选反例，但研究者必须识别反例究竟击中了哪项承诺。
七、单元发生与研究能力的发生
单元的选择经常与研究者的工具能力一起变化。过去难以处理大规模分布时，研究者可能只保留少量平均量；计算条件改善以后，可以研究更细的剖面与传播过程。反过来，理论发展也能把复杂结构压缩成少量有效变量，使计算重新简化。这不是一条永远走向更细节的单向道路，而是展开与封装之间的反复调整。
由此可以重新理解数学能力的升级。升级并不等于每次都选择更大的状态空间，也不等于把所有概念推广到最高抽象层。它包括判断某个任务需要哪一种单元、哪些同一性足够可靠、哪些边界必须重新打开。人—AI复合体若能更快完成这种判断，就获得了比单项计算提速更广的研究能力。
训练这种能力，可以从记录构成选择开始。每次建立模型，写清楚一个单元包含什么，哪些差异被视为无关，哪些操作必须保持等同，观察能够分辨到什么程度。随后选择一个极小的反例任务，尝试让被忽略的差异重新产生后果。若找不到，不代表已经全面证明封装可靠，但可以形成更明确的检验计划。
在共同研究中，这些记录还具有沟通价值。两个团队争论模型是否正确，有时其实在处理不同单元和观察任务。把同一性与边界说明公开，能够让分歧从术语争执转向可比较的条件。某些分歧最终通过统一解决，另一些则形成各有适用范围的分支。多元化在这里具有具体内容：不同模型保留不同差异，同时说明彼此能够怎样翻译。
数学对象的发生，也会改变参与者能够看到的问题。一个人学会区分参数、剖面与观察以后，便不再轻易把相同读数当作相同状态；学会检查更新闭合以后，也更容易识别封装的边界。这种改变属于研究者能力的发生。新对象、新操作与新的判断能力在同一研究活动中相互形成，正是本书所说人—AI复合体升级的一个可实践入口。
八、把构成选择变成一项实际研究
考虑一个假想的触觉反馈装置。它由四个可分别记录作用的区域组成，设计者最初只报告总体强度，希望用一个数控制下一轮反馈。研究团队可以先把四个区域的状态完整保存，再把总量作为一个候选观察。这样，简化模型与完整模型共享同一批输入，比较就有了明确基础。
第一轮实验只施加单点输入，观察各区域的衰减。若四个区域的更新完全一致，总量预测表现良好，团队便获得了一种有效压缩。第二轮让相邻区域发生传播。如果传播只重新分配作用而不改变总量，总量层面的更新仍可能成立；若边缘区域存在额外损失，则相同总量位于不同位置会产生不同后果。此时问题已经从“一个数够不够”转化为“哪些位置差异影响未来”。
团队可以尝试把两个内部区域归为一组，把两个边缘区域归为另一组，用两个组总量作为新的状态。这种修订比直接保留全部细节更节省，也比原来一个总量更有表达力。接下来要检验每一组内部的位置差异是否仍会通过更新泄露出来。如果会，继续细分；如果不会，就得到一个相对于当前操作族足够稳定的单元划分。
这里的单元不是最初传感器格子的机械复制，而是在输入、更新与观察共同约束下重新形成的研究单位。硬件格子提供一种划分，预测任务要求另一种划分，两者可以不同。对这种差异作出明确处理，便是从现成对象的使用进入对象构成的一个具体步骤。
AI在研究中可以生成多种分组方案，计算每种方案在已知输入下的误差，寻找使误差最大的初始配置，并帮助研究者整理哪些分组在何种条件下有效。研究者则需要决定误差容限对应的实际意义、哪些输入应纳入检验，以及是否值得为更高精度增加状态复杂度。这些判断也可以借助工具不断改进，而非被预设为永远固定的人类专长。
最终交付物可以是一组相互连接的模型：一个总量模型用于快速控制，一个分组模型用于较精细调整，一个完整模型用于诊断异常。模型之间有明确的转换与使用条件。工具封装由此形成层次，使用者不必总在最高颗粒度上工作，也能够在异常出现时有方向地重新展开。数学家贡献的正是这种可验证的层次组织，它同时包含对象选择、运算相容与实际使用能力。