第二十四章 不同SDE怎样打开不同数学入口
一、入口改变的是研究怎样开始
一个数学问题可以从许多活动中开始。观察物体的排列，触摸表面的变化，听见节奏的重复，操作一台仪器，阅读一段证明，都可能使某种差异变得重要。发生性入口指的是研究从哪一种互动、哪一种显露和哪一种困难开始组织。入口不同，首先被保留的特征可能不同，随之提出的对象、运算和比较方式也会不同。
这不意味着每种感官天然对应一套封闭数学。视觉能够组织连续运动与整体形状，触觉能够识别局部边界，听觉也能够区分事件。一个人还可以通过语言、图形、动作和仪器把不同入口相互转换。我们要研究的是某种实际互动怎样突出特定构成问题，而不是为视觉、触觉和听觉规定不可逾越的学科领地。
可以把同一装置设计成三种入口。装置包含若干位置，每个位置能够显示亮点、产生压力并发出短音。研究者看见的是空间分布，触摸时关注作用范围和残留，聆听时注意间隔与次序。硬件可以相同，但三项任务并不相同。将全部数据压成一张数表，保留了某些共性，却没有自动说明三种活动分别需要哪些结构。
SDE的作用，是要求我们连同互动过程一起界定研究对象。亮点的可区分性、压力影响的延续和声音序列的节律，并不是从同一堆“客观数据”中无成本地读出的三个标签。它们依赖具体任务、操作方式、观察粒度和已经形成的比较能力。数学从这些活动中抽取可明确化的构造，又通过新构造改变后续能够开展的活动。
二、视觉入口：从可区分显露到组织规则
先考虑一个假想实验：屏幕上出现十二个亮点，研究者要判断它们形成了几个簇。若只统计亮点总数，答案是十二；若按照距离连接，可能形成三个簇；若亮点随时间移动，当前的三个簇又可能在下一刻合并。不同答案并非简单的观察错误，而是采用了不同的对象与任务。
一种明确的构造，是把亮点作为初始单元，规定距离小于阈值的两点相连，再以连通分量定义簇。这个方法的优点是容易计算、容易复现，也清楚暴露了阈值的作用。阈值改变，簇的数量可能发生跳变。研究者因此获得一个新问题：哪些聚集在一段阈值范围内保持稳定，哪些只是某个尺度下的偶然结果。
这里的数学机会来自显露与构成之间的往返。视觉首先提示“似乎有几团”，形式规则将这一判断明确化，计算结果又迫使研究者重新检查所谓一团究竟意味着什么。若两个密集团块由一条稀疏点链连接，连通分量规则会将它们合并，但任务中的使用者可能仍希望分开。这个冲突可以推动密度、连边权重或多尺度方法进入，而不是被当作需要压下去的主观意见。
视觉入口中的可区分单元，确实容易为计数、位置和连接提供起点。然而，从点出发的模型完全能够研究连续极限、整体结构和非局域作用。问题的关键在于，点的区分是否足以承担所需活动，以及如何从初始区分生成更高层组织。把视觉入口简单等同于“只能研究孤立粒子”，既低估既有数学，也遮蔽视觉研究本身的丰富性。
AI可以在这一实验中帮助列出候选聚类规则，生成极端配置，比较规则对微小扰动的敏感性，并寻找不同规则分歧最大的图形。研究者由此不只得到一个自动分类结果，还得到一组关于对象构成的可检验问题。若进一步形成公开算例集，其他人就能接续比较，研究入口便开始转化为共同体资源。
三、触觉入口：单次作用怎样留下范围
现在让研究者通过手指或装置接触一个表面。为了建立最小模型，我们关注的不是完整触觉体验，而是一次作用对邻近位置及后续时刻的影响。研究者可以先记录作用中心、作用强度、作用范围和持续方式，再询问哪些组合足以解释下一次接触的不同效果。
一个初步方案是在有限位置集上构造非负剖面。离中心越近的区域获得较大值，超过某个范围则为零。半径在这里描述所选模型的作用范围，强度描述幅度，两者共同决定完整剖面。将这一形状称为伞，只提供直观记忆；真正参与计算的是明确函数及其参数。两个伞重叠时，各位置怎样更新，需要另行规定。
最简单的组合是相加。它容易计算，也保留总作用的可加性。若任务出现饱和，研究者可以比较上限截断；若存在相互抑制，可以引入更一般的更新。每一种改变都会影响可交换性、信息损失与反演可能性。研究者需要根据任务选择分支，并用最小例子检验代价。这样，触觉入口把研究引向范围、重叠、历史与操作相容，而不是仅仅给普通数增加一个装饰性半径。
尤其值得研究的是延续。一轮接触结束以后，系统可能仍保留一个衰减状态。下一轮输入与这个状态共同产生新的剖面，因此相同输入在不同历史之后可能给出不同结果。将历史作用纳入状态，可以使原来难以解释的差异变成明确问题。状态也可以被适当压缩，只要压缩后仍能完成所承诺的预测。
在假想实验中，研究团队可以保持总输入相同，改变两次作用的间隔、次序和相对位置。若不同方案给出不同后续结果，就需要判断是空间重叠、时间残留还是其他构成因素起作用。AI可以帮助设计区分这些解释的输入组，计算各候选模型预期的差异。数学家的贡献，则是把“感觉不一样”转化为能够比较的结构差异和实验问题。
四、听觉入口：次序与节律怎样成为对象
再把输入改为短音序列。若只记录出现过哪些音，两个顺序不同的序列可能被视为相同；若记录每种音的次数，仍可能无法辨认旋律或节律差异；若完整记录发生时间，又需要处理整体平移、速度变化和局部停顿。听觉入口由此突出一个构成问题：一段序列的身份究竟由什么维持。
可以先研究不涉及音高的敲击节奏。一次节奏由一列事件时刻表示，改写为相邻间隔以后，整体开始时间被删除。若任务只关心相对节奏，这种删除是合理封装。进一步将全部间隔同时除以总时长，就能比较不同演奏速度下的比例结构。但这一归一化会丢失绝对速度，因此是否适合任务，需要明确说明。
例如，同样的间隔比例，在非常慢与非常快的呈现中可能对应不同使用条件。我们无需在这里预设某个普遍知觉阈值，只需承认任务可能要求保留绝对时长。于是研究者可以并行建立两个对象：一个表示比例节奏，一个表示带速度的事件过程。两者之间存在明确投影，却不能在所有问题中互相替代。
周期节奏又提出循环同一性。如果一段模式不断重复，从不同起点开始记录，可能得到循环移位的序列。研究者可以把循环移位视为同一模式，也可以在强调重拍位置的任务中保留起点。起点是否重要，不是由“序列”这个词本身决定，而是由研究活动要求决定。这与上一章的同一性问题直接相连。
操作也可以成为研究对象。连接两段节奏、插入停顿、压缩局部间隔、交换片段，分别改变整体组织。某些操作可以交换，另一些明显依赖次序。通过具体定义，研究者能够比较哪些操作保留所选节律身份，哪些操作生成新类别。AI在这里可以生成丰富候选，数学则提供分类、等价与变换的纪律，使“多样性”获得可接续的组织。
五、跨入口翻译：哪些结构能够共同保留
一段节奏可以画成时间轴上的点列，也可以转化为依次出现的压力脉冲。翻译使不同入口得以共同研究，但翻译不等于所有意义原封不动地搬运。首先应明确保留什么：事件次序、间隔比例、总强度，还是某种整体分类。只有列出保留条件，才能判断一种转换是否成功。
设一个输入序列由若干事件组成，每个事件有位置、时刻和幅度。视觉呈现可以把幅度映射为亮度，触觉呈现可以把它映射为作用强度，听觉呈现可以把它映射为声音幅度。符号层面看似只做了替换，实际操作却可能具有不同动态：某个装置响应较慢，某个输出存在饱和，某种信号在连续输入下发生重叠。转换后的结构必须在各自更新条件下重新检验。
因此，跨入口的公共对象可以先选择为事件记录，而各入口的呈现被视为从记录到具体状态的映射。研究者随后比较：不同映射是否保留事件的可区分性，是否保留组合次序，是否把本来不同的记录合并。这样，翻译失败不再只是“体验不同”的笼统判断，而可以定位到具体的信息合并与操作差异。
有时我们希望寻找一种共同不变量。例如，只保留事件之间的先后关系，不要求不同装置具有相同时长；或者保留总输入，不要求局部分布相同。共同不变量支持跨入口交流，却也清楚界定了交流的范围。它像一座有限承重的桥：能够承担指定比较，就已经有价值，不必同时承担全部感觉内容。
这类研究也可以反向促进对象创新。当某种翻译反复失败，研究者可能发现原来的共同对象过于粗糙，需要保留历史、范围或层级信息。新的对象因此来自不同入口之间的碰撞，而不是某种感官独自提供完整答案。SDE的多元发生在这里表现为不同互动结构相互提出要求，促使数学构造随之改变。
六、与既有数学进行有内容的比较
不同入口提出的问题，应当尽早进入既有理论的比较。视觉簇的构成可以联系图、距离、聚类与拓扑；触觉范围可以联系核、积分或离散算子、状态空间与动力系统；节律可以联系序列、群作用、信号分析与时间结构。比较的目的，是让研究者借助已有能力，更快找到真正需要改动的部分。
一种有效做法，是逐项填写对象、同一性、运算、更新、观察和目标问题。若新方案与某个已有模型在这些方面完全对应，而且对应保持全部相关操作，那么新方案的贡献可能主要在于解释、教学或应用组织。这样的结论能够节省大量重复劳动，也使研究者把力量转向有实质差异的地方。
如果对应只保留部分结构，就可以追问失去的部分是否重要。例如，静态核叠加很好地表达范围重叠，却未必单独表达输入历史；增加状态更新后，历史性可以进入。此时不能把前一个模型的任务缺失说成整个既有数学无能，而应明确是哪一个选定模型需要扩充。精确定位不足，才有可能建立有效的新方案。
另一种比较关注代价。两个模型都能表达某种作用，一个需要庞大参数，另一个通过结构约束获得紧凑表示。紧凑模型在计算和传播上可能更有优势，但约束也可能限制适用范围。数学研究可以把这种权衡明确化，寻找在目标精度下最经济的表示。这里的经济不只指运行时间，也包括证明复杂度、解释成本和他人接续的难度。
AI使这种比较更容易成为日常研究。它可以协助检索相关结构，提出可能的映射，生成验证脚本，寻找映射失败的最小例子。研究者不应只接受最像自己想法的比附，而要主动寻找能够消解所谓新颖性的强对照。经得起这种比较的差异，才值得进一步投入；被证明等价的部分，则可以迅速封装为共同基础。
七、一次三入口实验怎样组织
可以建立一个小型研究项目，将前述装置作为共同平台。第一阶段固定有限位置与有限时间，公开全部输入记录，不急于解释复杂体验。视觉组研究空间聚集，触觉组研究范围与残留，听觉组研究次序与节律。三个组分别说明自己的对象定义、观察任务和最小成功标准。
第二阶段交换模型。视觉组尝试用自己的图结构表示触觉传播，触觉组尝试用状态更新表示节奏残留，听觉组尝试用序列变换研究亮点移动。交换的目的不是证明一套模型包打天下，而是让每组看见自己默认删除的信息。某个模型可能在新任务中非常有效，也可能在第一个反例上就暴露缺口。
第三阶段整理共同结构与分化结构。共同部分可能包括事件记录、非负状态、观察映射与某类更新；分化部分可能涉及空间距离、循环同一性或特定饱和规则。团队可以建立一个共享基础和若干任务分支。共享基础减少重复实现，任务分支保留不同活动的必要差异。典范多元化由此获得一种可操作的组织形态。
第四阶段邀请未参与设计的人复现。复现者需要根据公开定义实现模型，运行相同算例，并构造新的输入。若他们频繁需要向原作者询问未写明的约定，说明对象尚未充分公共化。若他们能够发现新的反例或改进，说明研究已经开始超出最初团队的私人理解。
整个项目可以保留失败记录：哪个归一化删除了关键速度信息，哪个分组破坏了更新闭合，哪个空间连接规则对噪声过于敏感。这些记录不是附带的负面材料，而是下一轮构造的重要输入。人—AI复合体能够帮助维护记录、追踪版本和比较分支，使多路径探索不至于退化为无法整理的方案堆积。
项目评价还可以区分三种结果。第一种是计算表现，例如相同资源下能处理多少输入；第二种是结构表现，例如是否找到稳定的分类、可证明的关系或更紧凑的表示；第三种是接续表现，例如外部研究者能否提出此前没有预设的问题。三种结果相互支持，却可能不同步。一个模型运行很快，但只有原作者理解其含义；另一个模型计算尚慢，却已经打开新的结构问题。团队需要据此安排不同成熟阶段的资源。
研究过程中还应保存构成选择的来源。某个定义来自具体操作困难，某个变换来自AI建议，某个修订来自他人的反例，这些差异有助于理解研究如何推进。记录无需变成对每次键盘操作的监控，重点是那些改变对象、规则和评价方式的决定。经过整理，它可以成为后续学生的研究材料，让他们面对真实分岔，而不仅阅读已经删除困难的成功叙事。
当三组都能说明自己的成功条件与失败条件，项目就形成了比一份演示视频更坚实的成果。它使参与者知道何时共享工具，何时保持分支，何时重新讨论共同对象。多元数学的组织能力，正是在这种具体协作中逐步产生。
八、从入口差异到数学谱系
当多个入口持续产生问题，研究方向可能逐渐形成谱系。某些分支共享状态空间，却采用不同同一性；某些共享运算，却采用不同观察；还有些通过扩大对象范围，把原来的分支纳入一个更一般框架。谱系既记录继承，也记录分歧，帮助研究者知道自己改变了什么。
这种谱系的价值在于让多元化保持可讨论性。我们不必要求所有数学入口最终归于一套唯一表示，但应尽量说明分支之间的映射、共同算例与不可兼容条件。一个分支更适合快速控制，另一个更适合历史解释，第三个更适合结构分类，它们可以在具体任务中形成互补。若适用范围重叠，则可以通过共同任务比较表现。
对数学家的研究生涯而言，不同入口提供了更丰富的工作位置。有人擅长建立基础结构，有人擅长寻找翻译，有人擅长构造反例，有人擅长把模型带入具体领域。AI参与之后，这些角色本身也会重新组合。一个研究者可以借助工具进入过去难以处理的入口，同时通过合作弥补自己缺少的实践条件。
本章提出的三入口实验只是一个起点。其目的，是让“不同SDE生成不同数学”转化为能够做、能够比较、能够失败的研究活动。新的数学未必总以宏大的公理体系出现，也可能先表现为一个更准确的单元、一条有用的更新规则或一种可靠的跨模型翻译。当这些成果能够积累、接续并产生新的问题时，个人探索就开始走向多元的共同数学。