第二十九章　分化、重组与升维：让多种数学共同发生

一、不相容要求怎样产生研究分支

设两位研究者面对同一组伞剖面。第一位研究累计作用，认为同一个位置被作用两次，应该比一次更强；第二位研究覆盖，认为同一区域被同一种方式重复标记，不应增加覆盖程度。他们如果都把自己的运算叫作“组合”，很容易争论谁的定义才正确。实际上，两人要保留的现象不同：前者关心累积，后者关心是否已被充分覆盖。

非负剖面u在普通加法下满足$u+u=2u$；在逐点最大运算下满足$\max (u,u)=u$。只要u非零，这两种要求不能同时成为同一个运算的性质。分歧不是证明尚未完成，而是目标已经分化。研究者应当明确建立两个分支，再比较它们之间能够翻译什么，而不必强行让一个运算承担彼此冲突的语义。

本章因此把伞模型从单条演化路线展开为一组有联系的候选结构。每一分支都有自己的对象域、运算、零元和解释。不同分支可以共用输入材料与部分计算工具，也可以共享观察问题，但不能因为同用一个名称，就假定所有定理可以相互移植。典范多元化的最小训练，首先是学会辨认哪些分歧必须保留。

这里的“多元”仍然处在模型层。我们还没有建立多个独立数学典范，因为它们使用成熟结构，研究范围也很小。然而，模型分化已经能够训练一种重要能力：从不相容要求出发，形成多个可运行、可比较的方案，并寻找其适用域和联系。这样的能力是典范候选得以展开的条件。

AI可以帮助并行探索这些分支。它可以检查最大运算是否保持某个观察，可以搜索归一化组合的结合律反例，也可以推导不同更新下的误差界。研究者的任务不是只选择听起来最“革命”的分支，而是判断每一条路线究竟解决什么问题，以及它对已有结构的依赖和新增贡献分别在哪里。

二、累积与覆盖：两个不能合并的基本要求

累积分支保留上一章的$U=\mathbb{R}_{+}^X$和普通加法。它允许任意增大强度，满足交换律、结合律和消去律，却不满足幂等律。覆盖分支在相同对象集合上定义$u\vee v$，逐位置取$\max\{u(x),v(x)\}$。这时仍然闭合，仍有交换律和结合律，零剖面仍是单位元，而且多出幂等律$u\vee u=u$。

这些性质可以逐点证明。最大值不受两个输入次序影响；三个数的最大值与先比较哪两个无关；非负数与零取最大仍为自身。幂等律来自同一个数与自身的最大值就是它本身。覆盖分支因此具有交换幂等幺半群结构，也可以通过逐点次序解释为上确界运算。它与普通加法共享某些形式性质，却对重复输入作出根本不同的回答。

覆盖运算不满足消去律。取一维状态$u=1$、$v=2$、$w=3$，则$u\vee w=v\vee w=3$，但$u\ne v$。一个足够强的覆盖可以掩盖先前较弱状态之间的差异。这并不是错误，而是它的语义：如果我们只关心每个位置曾获得的最大覆盖，较弱事件在这个观察下确实不再改变结果。若后来想恢复累计次数，就必须从其他记录取得。

两个分支也产生不同的时间模型。累积更新可以取$u'=\lambda u+v$；覆盖更新可以取$u'=\max (\lambda u,v)$。在覆盖更新中，新的弱输入可能不改变当前状态，新的强输入会替代局部最大值。对任意两个初态u、w，逐点最大函数满足$|\max (a,c)-\max (b,c)|\le |a-b|$，所以覆盖更新同样具有λ收缩界。这说明不同运算仍可能共享某些稳定性结论，但证明依据已经改变。

从零状态连续输入同一个单位伞，累积模型在$\lambda >0$时逐渐积累，长期达到$\frac{1}{1-\lambda}$倍剖面；覆盖模型在每次输入相同且$\lambda <1$时，从第一次以后保持该剖面。两个系统对“重复作用是否增强”作出不同预测，因而可以通过恰当任务区分。研究的分化不必停留在哲学偏好上，它能够产生相互排斥的计算后果。

若实际装置介于两者之间，研究者不应简单宣布某个模型普遍获胜，而应考察作用强度、频率与观察方式。也许低强度阶段近似累积，高强度阶段接近覆盖或饱和；也许物理作用累积，但传感器只报告最大值。此时需要区分真实状态的组合与仪器输出的组合，避免把观察限制作成对象本身的性质。

三、饱和分支：上限改变什么

设$M>0$，并把对象域限制为$U_M=[0,M]^X$。定义饱和组合$u\oplus _M v$，逐位置取$\min\{M,u(x)+v(x)\}$。这里限制对象域很重要。若允许u(x)>M，那么与零组合也会被截到M，零就不再是整个非负空间上的单位元。在$U_M$内，零才满足$u\oplus _M0=u$。

命题二十九之一：饱和组合的结合律

在$U_M$上，饱和组合闭合，满足交换律和结合律，并以零为单位元。证明结合律只需考察三个非负实数a、b、c。$\min\{M,\min\{M,a+b\}+c\}=\min\{M,a+b+c\}$：若$a+b\ge M$，左边等于M；若a+$b<M$，直接去掉内层截断即可。另一种括号顺序同样等于min{M,a+b+c}，所以二者相等。逐位置应用即得结论。

这一证明依赖c非负。若允许负输入，先截断再减去某个量，与先把所有量相加后截断，可能不同。因此，把饱和模型推广到抑制作用时，不能直接沿用结合律。限制条件不是排版上的附注，它决定运算能否支持与分组无关的批量处理。

饱和组合一般不幂等。取$0<a<M/2$，则$a\oplus _M a=2a\ne a$。它也不消去，因为一旦达到上限，不同累积可以产生同一结果。对于一个位置，0.8M与0.9M分别再加0.3M，都得到M。先前差异被上限封装。若未来规则只依赖饱和状态，这种压缩可能充分；若未来恢复能力取决于隐藏累计负荷，就需要另存一个疲劳或储备变量。

这提醒我们，饱和可以放在不同层次。第一种模型让真实状态本身不超过M；第二种让真实状态继续增长，只是传感器报告$\min\{M,u\}$。二者当前读数可以完全一致，却在解除输入后的恢复过程中不同。若把后一种传感器上限误作前一种状态上限，预测就可能失败。研究者需要通过恢复实验区分它们。

与累积、覆盖相比，饱和分支保留了低强度阶段的增量，又承认高强度阶段的有限容量。它不天然比另外两种更真实，只是承担不同假设。在本书的数学实验中，三者都应被保留为候选；真正的应用研究要提出能够区分它们的输入序列，而不是只选择三种规则恰好给出相近结果的温和条件。

四、归一化为什么会悄悄改变结合律

还有一种诱人的设计：每次相加后，把总量归一到一。对于非零剖面u，定义$N(u)=\frac{u}{M_X(u)}$，并定义$u\star v=N(u+v)$。这样，每个状态看起来都像一种分布，便于比较形状。但“每次都归一”可能丢失组合所需的权重信息，使分组方式影响最终结果。

取三个单位剖面$e_{0}$、$e_{1}$、$e_{2}$。先组合$e_{0}$与$e_{1}$，得到$(\frac{1}{2},\frac{1}{2},0)$，再与$e_{2}$组合，得到$(\frac{1}{4},\frac{1}{4},\frac{1}{2})$。如果先组合$e_{1}$与$e_{2}$，再与$e_{0}$组合，则得到$(\frac{1}{2},\frac{1}{4},\frac{1}{4})$。两个结果不同，故⋆不满足结合律。这里不存在浮点误差，全部是精确分数。

问题发生在哪里？第一组归一后总量被重置为一，原来包含两个事件的组合，与一个新事件获得了相同总权重。括号因此改变了事件被稀释的次数。若研究者把这个运算用于分布式汇总，不同计算树就会产生不同答案。AI即使正确执行每一步，也无法替我们恢复已经删除的组大小。

一种修复是把形状与质量一起保存。用(m,p)表示非零状态，其中m>0，p为总量一的非负剖面；组合定义为

$$(m,p)\boxplus(n,q)=\left(m+n,\frac{mp+nq}{m+n}\right)$$

这样，每个组保留自己的总质量。组合后的形状是按质量加权的平均，而不是对每个中间组重新赋予相同权重。

命题二十九之二：质量—形状表示恢复结合

映射$\Phi (m,p)=mp$把这种表示一一对应到非零非负剖面，并满足$\Phi ((m,p)\boxplus (n,q))=\Phi (m,p)+\Phi (n,q)$。因此，三个对象无论如何分组，映射后都等于mp+nq+lr；由映射的单射性，原表示的组合也满足结合律。若要加入零对象，可单独增加一个零标记，避免让零质量对应任意形状而破坏唯一性。

这个修复不是添加一条人为规则挽救结论，而是辨认出归一化删除了哪一项组合必要信息，再把它恢复。形状和总量作为两个相互关联的量共同进入对象。它展示了一种“升维”的具体含义：新增变量有明确作用，使某个原来失效的操作重新定义良好。若新增十个变量却没有解决任何已识别问题，就不能仅凭维数增加称为研究升级。

五、分支之间怎样翻译，怎样不能翻译

多种模型并存以后，需要知道哪些映射保留运算。以饱和截断$C_M(u)=\min\{M,u\}$为例，对于非负u、v，有$C_M(u+v)=C_M(u)\oplus _M C_M(v)$。证明逐点使用非负性和截断公式即可。因此，从累积分支到饱和分支存在一个保持组合的满射。它丢失超过上限的强度，却与饱和组合相容。

这类映射告诉我们一种合法的封装路径：先在完整累积空间计算，再截断，与先截断各项再做饱和组合相同。只要后续任务只使用饱和结构，这种封装可以简化计算。但它不保证任何动态都与截断相容。例如真实强度先超过上限，后来衰减到上限以内，提前截断可能低估恢复后的值。保持一种运算，不等于保持所有允许操作。

取上限为一、真实状态为二、衰减比例为二分之一。先衰减再观察，得到$\min\{1,1\}=1$；先把状态截断为一，再在截断状态上衰减，得到二分之一。两个结果相差一倍。这条一维反例足以否定“组合相容就保证动态相容”的猜想。它也为实验指定了输入方式：需要先进入饱和区，再观察恢复阶段，才能区别真实饱和与仪器截断。

累积与覆盖之间则存在更强的障碍。假设有一个单射f，既把加法映射为最大运算，又在非零对象上保留区别，即$f(u+v)=f(u)\vee f(v)$。令$v=u$，则$f(2u)=f(u)\vee f(u)=f(u)$。由于f单射，得到$2u=u$，故$u=0$。只要对象空间包含非零u，就矛盾。因此，不存在这样的全局无损翻译。

这个不可能性结果并不意味着两个模型不能合作。它说明合作必须承认损失或改变语义。支持映射把剖面u送到正值位置集合，在非负条件下满足$\operatorname{supp}(u+v)=\operatorname{supp}(u)\cup \operatorname{supp}(v)$，也满足$\operatorname{supp}(u\vee v)=\operatorname{supp}(u)\cup \operatorname{supp}(v)$。于是两个分支都可以投影到同一个覆盖集合结构，但强度和累积次数已经被舍弃。

共同投影提供了一种有用的比较平台。两个模型可能在“哪些位置被影响”上达成一致，却在“影响多少”上不同。研究者可以分别评价这两个任务，而不是用一个总分掩盖差异。另一方面，如果应用只需要覆盖集合，就没有必要为了表现模型复杂而保存全部强度。不同分支通过明确损失的投影协作，比宣称所有观点只是同一事物的不同说法更有内容。

总量映射也揭示类似界线。它保持普通加法，却一般不保持逐点最大。取$e_{0}$与$e_{2}$，最大剖面的总量为二，而两者总量的最大值只有一。这个反例说明，总量不能代表空间覆盖的全部组合信息。每一次跨模型翻译，都应检查它是否保留当前任务所依赖的运算，而不是只比较输入输出的名称。

六、重组：把不同作用通道放进一个系统

研究分支不只能够竞争，也可以在明确接口下重组。假设同一装置需要同时记录累计负荷a与最大覆盖b。我们可以把状态定义为有序对(a,b)，其中a属于累积分支，b属于覆盖分支；输入也分为相应两部分，更新分别使用加法与最大规则。这样，两个不相容要求被放在不同坐标上，而不是强迫一个运算同时满足它们。

这种直积重组有一个直接优势：每个分支的性质能够单独检查，联合状态保留两类问题的答案。代价则是更多存储、测量和解释工作。还要避免双重计算：如果a与b都由同一个事件记录生成，它们不是两个独立证据来源。报告不确定性或评价收益时，不能把相关信息当作重复验证。

下一步可以允许通道之间相互影响。例如累计负荷影响后续响应比例，最大覆盖决定哪些位置需要再次探测。这时更新不再是简单直积，而是耦合系统。研究者必须写清楚耦合方向：是a改变b的更新，b改变a的输入，还是二者都依赖另一变量？每一条依赖都会改变可封装的状态与可证明的性质。

如果引入疲劳变量f，令外部输入幅度α对应的有效强度取$\frac{\alpha}{1+f}$，再让f随累计作用增加、随时间衰减，那么同一外部输入就可能因历史不同产生不同剖面。这里我们只提出候选形式，不把它当成真实生理定律。它的意义在于展示如何把“历史改变响应”变成可失败的更新规则，并明确需要哪些额外实验来识别参数。

重组还可以发生在空间尺度之间。细网格描述局部影响，粗网格描述区域汇总，两者通过一个明确矩阵P联系。如果粗更新与细更新满足$PK=LP$，二者可以一致运行；若不满足，就要保留残差或重新选择粗变量。上一章的闭合定理由此成为跨尺度接口的检查工具，而不只是一个独立算例。

对于人—AI复合研究，这种接口十分重要。不同智能体可以分别研究细尺度传播、粗尺度观察和历史依赖，但它们最终必须在同一变量定义和映射上会合。并行不等于各自生成一套漂亮术语。可组合的成果需要能对接的输入、输出、假设与误差说明。

七、让传递规则本身发生变化

至今K始终固定。若要研究更强的发生问题，可以把K也纳入状态，让互动改变后续传递关系。此时系统可能写为$u_{t+1}=K_tu_t+v_{t+1}$，$K_{t+1}=H(K_t,u_t,v_{t+1})$。函数H必须明确给出，不能只用“自组织”三个字替代更新规则。不同H对应不同学习、磨损或结构适应假设。

一个最低限度的技术要求，是保持$K_t$非负且最大行和不超过同一个$\rho <1$。只要每一步都满足该条件，即使K随时间变化，状态有界结论仍可用连乘范数证明：$\lVert K_{t-1}\cdots K_0\rVert_\infty\le\rho^t$。输入历史由不同时间段的矩阵乘积传播，虽然不能再简写为K的幂，但几何级数上界仍然成立。

需要注意，这个统一有界性结论不等于两个自适应系统相互收缩。当两个过程的$K_t$各自依赖自己的状态时，比较差异会出现$K_t-\widetilde K_t$项；如果H对状态高度敏感，两个系统仍可能分离。只知道每个固定时刻的$K_t$收缩，不能自动得到整个耦合更新收缩。这是从外部给定规则走向内生规则时必须重新检查的地方。

研究者可以通过限制H的变化速度、证明联合映射的Lipschitz界，或选取其他稳定量推进分析。也可以先设计一个明确会失稳的反例，以了解新增自由度的代价。AI能够帮助并行尝试这些条件，但不应把每一组充分条件都包装成普遍机制。条件越强，适用范围可能越窄；条件越弱，证明与识别可能越困难。

在SDE语言中，固定K对应把一部分特征纠缠条件暂时保持稳定，变化的K则允许这些条件进入发生过程。这个对应是研究解释，不是把整个E直接等同于一个矩阵。一个矩阵只表示当前选定的关系与权重；主体的任务改变、观察装置更换、意义判断变动，都可能要求超出这一表示。

这里真正打开的新问题，是规则变化与状态变化怎样相互约束。我们不再只计算给定对象的未来，而开始研究哪些互动会改变对象之间的连接方式，以及这种改变能否形成新的稳定活动。即使最后仍用成熟动力系统方法求解，研究对象的层级已经发生变化。

八、把模型本身变成下一层对象

设一个模型由状态空间U、更新K、输入规则和观察P组成。我们可以研究两个模型之间的线性状态映射A。如果A满足$AK=L A$，那么从第一个模型更新后再映射，与先映射再按第二个模型更新相同。这种关系称作交织关系即可，不必为它另造一个玄奥名称。它把“两个模型怎样对应”写成可检验的等式。

若A把模型一映到模型二，B把模型二映到模型三，并分别满足$AK=L A$、$BL=M B$，那么$(BA)K=B(AK)=BL A=M(BA)$。所以两个相容映射的复合仍然相容。这个计算为模型网络提供基本组织：研究者可以沿多个已检验接口传递结论，而不必每次从最底层重新计算。

但输入和观察也必须相容。仅有更新交织，不能保证外部任务完全相同；如果输入映射不一致，两个系统可能从不同条件出发；如果观察不一致，同一个对应状态可能回答不同问题。因此，完整比较应说明状态映射、输入对应和输出解释。数学上的某个同构，不能被扩大成现实机制完全相同。

一旦把模型作为对象，就会出现新的优化与分类问题：哪些模型可以压缩到同一个观察结构，哪些分支因幂等性而不可能无损互译，哪些参数变化保持稳定，哪些接口在加入非线性后失效？这些问题不是给单个伞多加几个参数，而是研究一族构造之间的关系。

还可以比较同一个结构的不同坐标表示。若A可逆，且新的状态$z=Au$仍有适当解释，那么新更新为$AKA^{-1}$。两种矩阵外观不同，却可能只是换坐标。发现这种等价，可以避免把每一种新记号都误认为新模型。若A不保持非负锥，则变换后的坐标可能出现负数，原来的“影响强度”解释不能原封不动地保留。代数等价与语义可接受性需要同时检查。

若A只是把位置重新编号，非负性与逐点运算自然保留，改变通常没有实质贡献；若A把多个位置汇总，信息可能减少，闭合条件成为关键；若A从历史中提取新的独立变量，它可能改变可回答的问题。这三种操作在程序里都可能表现为矩阵乘法，却承担完全不同的研究意义。把它们区分开，是评价所谓新模型时很有效的一道检查。

对模型族的研究还可以设定一个公开挑战：提供若干具有不同传播规则和观察限制的系统，要求候选方法自动判断哪些可以压缩、压缩后保留哪些任务，再给出反例说明不能保留的任务。评价包括答案正确性、表示维数、误差界与计算成本。这样的挑战不会直接证明出现了新典范，却能让不同发生方法在共同问题上接受检验。

这里可以看到“分化—重组—升维”的具体次序，但实际研究并不必须按固定顺序进行。一个翻译失败可能先引起分化，一个新接口可能使两个旧分支重组，重组后的误差又迫使研究者返回基本定义。九步方法的价值，是让这些活动能够被辨认、记录和评估，而不是把创造过程压进一张机械流程表。

九、什么才算本章完成的升维

本章形成了三个可区分的提升。第一，对象层的提升：从单个剖面扩展到质量—形状表示、联合通道与带规则的状态。第二，问题层的提升：从计算一个结果转向判断组合是否结合、观察是否闭合、不同模型能否互译。第三，组织层的提升：把多个分支的定义、证明、反例和接口放入可比较的研究网络。

这些提升有具体代价，也有具体成果。保存质量恢复了归一化组合的结合性；区分累积与覆盖避免了不可能的无损翻译要求；引入接口等式使跨尺度比较能够被检验。若某次新增变量、术语或智能体没有带来类似可说明的变化，就应谨慎判断它是否只是增加工作量。

对于数学家的未来，多元发生不是要求每个人不停宣布新典范，而是要求共同体能够容纳并检验不同构成方案。有人擅长提出新对象，有人擅长找到它与旧理论的同构，有人擅长证明它不能满足最初愿望，也有人擅长为它找到适用任务。AI参与这些不同工作，使整个探索网络能够更快地运行。

下一章将把本编成果收束为一个可以交给他人的研究包。真正的接续要求定义、代码、证明、比较和未解问题同时在场。只有这样，别人才能决定继续哪条路线、拒绝哪条主张，或者把这个小模型变成一个我们尚未想到的新问题。

接续也允许出现否定性结论：某个分支在目标任务上没有额外收益，某次重组使参数无法识别，某种升维只增加计算成本。这些结论应与成功结果一起保存。多元发生的质量来自路线能够被选择和淘汰，而不是要求每个候选都获得永久地位。