第三十章 完成一次可接续的数学发生
一、什么样的结果能够交给下一位研究者
经过前四章，伞模型已经不再只是一个名字。它包含有限位置、影响剖面、几种组合运算、历史更新、观察等价、闭合条件以及可运行算例。现在需要回答：这组材料怎样成为一项可以继续的研究，而不是作者独自完成的一次概念展示？关键是让后来者能够知道哪些已经成立，哪些只是候选，以及怎样改变其中一个条件而不破坏全部记录。
一个可接续的研究包应有共同入口。读者首先看到任务：在给定作用规则下，哪些范围与历史信息对预测必要，哪些能够被可靠封装。随后看到对象和运算的版本：事件参数不等于一般状态，静态组合不等于按时间顺序的更新，当前观测不等于完整状态。再看到命题、证明与反例，最后才进入程序和应用讨论。这个顺序使代码有明确数学含义。
本编的配套实现用一个程序文件提供基本运算，用一个测试文件核对关键算例，另存实际运行结果。它使用精确有理数完成本书中的有限算例，避免把舍入误差误作模型现象。代码是研究表达的一部分，但书面的定义仍是解释依据。若未来实现采用浮点数或更高维数据，应额外报告容差、参数来源与计算环境。
配套程序完成了十一项测试，覆盖次序差异、观察不闭合、二维观察加输入的闭合、支持传播、有限网格上的稳定界、饱和结合、归一化不结合、非法输入拒绝以及同维线性基线等价等内容。所有测试在本次制作中实际运行通过。它们验证的是实现与书面算例的一致性，不代替正文的一般证明，也不是一次独立经验研究。
计算成本也应进入接续材料。若位置数为n，稠密矩阵更新通常需要与n的平方同阶的乘加；若每个位置只接收固定数量邻点的作用，利用稀疏结构可以显著减少工作。低维观察闭合后，持续预测可能只需更新少量变量。但寻找闭合表示本身也有前期计算成本，是否值得，取决于后续运行次数和任务是否稳定。
因此，后来者应能同时看到完整表示与压缩表示，而不是只收到作者偏好的一个版本。任务变化时，他可以检验原封装是否仍适用；若不适用，就从完整表示重新选择观察。这种可回退性是研究包的一项实际能力，它使封装成为可修订的工具，而不是不可打开的黑箱。
已经成立的结果包括：单伞类在普通叠加下不闭合；非负剖面类具有明确加法结构；衰减更新存在精确的次序差异；非负传递的支持由正权行走决定；行和收缩条件给出状态与误差界；线性观察闭合等价于其零空间受更新保持；若干组合分支具有不同代数性质。它们共同形成了一个连续案例，而不是互不相关的技巧清单。
与此同时，研究包保留一份问题记录。固定K的经验来源尚未建立，真实触觉应用尚未实施，模型的新颖性不能由命名确认，不同组合规则的适用域还需任务与数据选择。这些未完成项不妨碍已有数学成立，却决定下一步需要什么工作。把它们放在公开位置，接续者才不必先猜测作者隐去了什么。
二、一项能够精确计算的重建任务
先完成一个极小而清楚的任务比较。取衰减，初态为零，只考虑两段历史：甲为先左端单位输入、后右端单位输入；乙为先右端、后左端。两者最终状态分别为与。任务是在两次输入完成后，重建当前左端强度。它不是下一时刻的预测，也不是人体感觉识别。
若研究系统只保存当前总量s，则两段历史都给出。任何只依赖s的确定性重建器，必须在这两例中输出同一个数b。假设两个案例等权，均方误差为。配方可得它等于，因此最小可能误差为，在时取得。
命题三十之一：总量记录的误差下界
对于上述等权两案例任务，任何只接收当前总量的重建规则，其均方误差至少为。证明已经由完整配方给出。即使规则是任意非线性函数，输入总量在两例中仍相同，所以仍归结为同一个b。随机化若只依赖该总量，也不能降低平方损失的最优期望，因为随机输出的方差会额外增加误差。
若保存完整三维状态，直接读取左端坐标，两个案例都能精确重建，误差为零。这个结果证明在该任务上，总量压缩确实删除了必要信息。它不证明伞模型超过所有既有方法，也不证明所有任务都需要完整三维状态。如果任务改为报告当前总量，总量记录本身就是完整答案。
还可以把保留历史的普通方法作为比较。只要保存有序输入和衰减规则，就能直接计算加权和，同样得到零误差。这说明范围剖面和历史状态并不是信息的唯一载体。它们是一种适合逐步更新的封装，而不是唯一正确的世界表示。研究者应根据任务频率、存储成本和计算方式选择表示。
如果进一步要求下一时刻的左端强度，就必须明确接下来使用什么更新、有无新输入。不能把当前重建的零误差直接挪到未来预测上。这个小心处理不是形式主义，而是在防止评价目标悄悄移动。每一次报告优势，都应把输入信息、目标时刻、允许规则与损失函数同时写明。
三、与同等能力的基线比较
一个有说服力的比较必须包含足够强的基线。本任务最直接的强基线，是普通三维线性状态空间：使用同样的坐标、同样的λ和同样输入，按更新。它与伞模型的线性分支数学等价，因而得到完全相同的结果。配套代码使用历史闭式加权和另行计算这一基线，并核对它与逐步更新一致。
| 方法 | 保留的信息 | 本任务均方误差 | 结论范围 |
|---|---|---|---|
| 当前总量记录 | 一个总量 | 最优为 | 缺少区分两种空间状态的信息 |
| 伞模型线性分支 | 三个位置的当前状态 | 0 | 在既定规则下精确重建 |
| 普通三维线性状态空间 | 同样的三个位置 | 0 | 与本分支等价 |
| 完整有序历史加闭式计算 | 输入次序与衰减规则 | 0 | 另一种充分表示 |
这张表给出的结论很有限，也很扎实：范围与次序信息在所选任务上有用；只保存总量不足；用已有线性系统已经能够取得同样收益。它不支持“伞模型发明了一种既有数学无法表达的能力”。若本书把最后一行或第三行删去，只留下一个被故意削弱的总量基线，就会把表示差异误写成理论突破。
公平比较还要求成本口径一致。完整历史所需存储随时间增长，有限维状态则每步保持相同维数；但状态压缩依赖固定更新规则。如果任务以后改变为询问某个特定过去事件，当前状态可能无法回答，而历史记录仍可使用。低成本与多任务可追溯性之间存在取舍，不能在一个指标上比较后宣布普遍优越。
对于真实数据，强基线还应包括已知的空间核模型、带记忆的状态空间、适合任务的非线性模型等。它们是否需要同样参数量、同样训练数据和同样计算预算，应在实验之前说明。若某个候选只因获得更多输入信息而获胜，报告应把收益归于信息增加；若在相同信息下改进运算或估计方法，才讨论算法贡献。
本书的最小实验没有进行统计泛化评估。两个案例是为展示信息下界而特意构造的，不是从某个人群或自然环境随机抽样。证明覆盖的是这个明确任务及其同输入约束；不能把两个零误差案例当成广泛实用性能。这个区分使一个小实验仍有严肃价值：它回答一个小而真实的问题，并为更大研究规定了比较方式。
四、让已有理论成为接续资源
我们现在可以更清楚地定位与已有理论的关系。对于有限X，非负剖面u与有限非负测度一一对应，其中。因为单点集合的测度给出每个u(x)，这个对应可逆；加法、缩放和区域总量也逐一对应。因此，测度语言能够表达本模型的大部分静态内容。
如果改用取值在零到一之间的剖面，并把它解释为隶属程度，就进入与模糊集合相近的表达。扎德的一九六五年原论文为这种程度表达提供了清楚历史近邻。但同一数值函数可以有不同语义：概率、隶属程度、物理强度和覆盖水平不能仅因取值范围相同就互换。接续研究应选择适合任务的解释，并据此选定运算。
核方法则提醒我们检查表示映射的性质。Muandet等人的综述围绕分布的核均值嵌入讨论了把对象映入函数空间的研究路线。本编的影响剖面没有自动获得该路线所要求的正定核与相关保证。不过，寻找哪些对象被表示区分、哪些被合并，是双方都需要认真处理的问题。已有成果能够帮助我们更准确地提出问题，而不是只能作为被超越的旧知识。
动态部分直接进入离散状态空间、可观测性和模型压缩的范围。Lee与Seshia关于信息物理系统建模的教材，体现了把计算、动态过程与系统观察结合起来的成熟研究传统。这里的观测闭合证明是为本书任务独立写出的说明，不意味着这些基本结构因加入SDE解释而首次出现。
识别这些联系以后，本编可能的贡献应定位于研究组织：把范围单元、同一性、历史封装、观察闭合和多分支比较放在一个连续发生案例中，让数学家能够操作地检验这些问题。若要进一步形成数学原创贡献，就需要在明确限制、非线性机制、识别条件或新任务上取得既有成果尚未包含的结果，并通过更全面文献比较确认。
这种定位不降低研究价值。一个新方向常常先借助成熟结构站稳，再在它们之间的缺口处生长。真正阻碍发生的，是把“使用已有数学”误认为失败，因而回避近邻理论，或把既有结构重新命名就宣布新典范。两种做法都会使研究无法与他人接续。
五、从合成案例走向装置实验
若要进入经验研究，可以先选择无生命的可控装置，而不直接把最小模型套到人的触觉。比如使用具有若干测点的柔性材料，施加可重复的局部作用，记录不同位置随时间的响应。具体材料、传感器和量纲需由相应领域研究者选择，本书不把未实施的装置描述当作实验结果。
第一轮任务是判断线性叠加是否近似成立。在同一初始条件下分别施加输入a和b，记录响应，再施加组合输入，比较组合响应与单独响应之和。若存在明显饱和或状态依赖，就不能继续使用简单叠加而只调整参数。第二轮任务检查年龄权重：同样两次作用交换先后，观察差异是否符合固定衰减，还是需要多个时间尺度。
第三轮任务估计空间传递。在能够准备近似局部初态的条件下，观察下一时刻响应，形成K的候选列；再用未用于估计的输入序列检验预测。若只从某几种输入拟合K，必须明确它在未覆盖方向上可能无法识别。第四轮任务比较观察方案，检验只看中点、看总量、看两者与完整测点在目标任务上的差异。
数据划分需要避免时间泄漏。同一长序列的相邻片段通常共享状态，若随机分割到训练与测试两侧，测试结果可能夸大独立预测能力。可以按完整实验序列、装置条件或作用模式留出测试，并记录初始化方式。对于带历史的模型，初始状态未知本身就是一个误差来源，不应在测试中悄悄使用未来数据恢复它。
比较结果应同时报告误差与复杂度。增加测点可能降低误差，却提高成本；增加历史长度可能帮助预测，却降低实时性；采用饱和分支可能改善大强度阶段，却在弱信号阶段损失信息。研究者应事先说明哪个任务最重要，允许多大误差，以及哪些成本是实际约束。没有统一任务，单一排行榜很容易制造另一种同轨内卷。
若所有合理强基线都能达到相同效果，研究仍有结果：最小模型可能提供更清楚的解释或更方便的教学，也可能没有额外实用收益。此时应如实缩小主张，并把资源转向更有辨识力的问题。让失败决定下一步投入，比继续生成更多相近图表，更符合发生性研究的要求。
六、一个真正可以继续的数学问题
本编允许半径为零的单点伞，因此所有基向量都能生成。任意非负剖面u都可写为。由此可见，若完全允许单点单元，所谓伞生成空间就是整个非负锥。若想研究“基本作用不可局域到单点”的不同构成方式，就必须改变生成约束，而不只是更换名称。
设允许的基本剖面来自一个集合G，所有元素非负，并定义其生成锥C(G)为有限非负线性组合。假如G中每个非零元素的支持至少包含两个位置，那么任何非零组合的支持都是参与剖面支持的并集，因而不可能得到一个单点基向量。这给出一个明确结论：不允许局域基本单元且不允许负值抵消时，生成空间会严格小于整个非负锥。
命题三十之二：非局域生成约束的表达后果
上述支持条件下，任意单点基向量均不属于C(G)。证明是，若由若干非负剖面以非负系数组合而成，至少有一项系数为正。该项至少在两个位置取正值；由于其他项非负，这两个位置在总和中都为正，与只有一个正位置矛盾。证明完成。
这条结论本身仍是初等锥理论，但它把“非局域单元”转化成可以研究的构成约束。后续问题包括：哪些剖面可表示，最少需要多少生成单元，表示是否唯一，噪声下如何估计，允许抑制后表达能力怎样改变？如果进一步要求更新把C(G)保持在自身，传递矩阵K还需要满足什么条件？这些都是能够形成连续工作的明确问题。
在有限候选生成器情况下，可表示性可写成非负系数方程。这里G的列是允许剖面，是组合系数。方程无解时，可以研究最小近似误差；方程多解时，可以研究可辨识条件与不同生成历史。不能把多个生成系数等价误作同一事件历史，但也不必保存对未来任务毫无影响的每一种分解。
这条路线比笼统宣布“数必须有范围”更深一步：它明确禁止哪些基本构造，允许哪些组合，因而使对象空间和可表达能力真正改变。若它在某个领域具有独立理由，就可能产生新的建模问题。若没有独立理由，限制也可能只是人为制造困难。下一位研究者可以从这个分界处继续，而不是从赞同或反对一个口号开始。
七、封装对所有变化都可靠吗
上一章的闭合依赖固定K。现在可以追问更强的问题：是否存在一个非平凡低维观察P，对所有非负收缩矩阵都闭合？这个问题直接涉及封装的适用域。如果答案是否定的，就说明允许作用规则任意改变时，原先安全删除的信息迟早可能成为必要。
命题三十之三：任意传递下不存在非平凡统一压缩
固定。若P既不是零映射，也不是单射，那么存在一个非负矩阵K，其最大行和不超过ρ，但不在K下保持。证明如下：因为P非单射，取非零，选择坐标j使；因为P非零，选择坐标i使。令。它只有一个非零元素ρ，故非负且最大行和为ρ。然而，违反闭合条件。
这个证明不表示所有实际压缩都会失败。它表示若允许的K没有任何结构限制，就不能期待一个既丢失信息又保留非零观察的P对全部规则可靠。真实研究之所以能够封装，往往因为未来操作受到限制：传播具有局部性、系统具有对称性、任务只关心某些输出，或规则只能在某一族中变化。
由此产生一个更有价值的问题：给定一族允许传递矩阵，寻找它们共同保持的观察零空间。若这样一个空间存在，就能建立对这族变化可靠的封装；若不存在，则需要增加状态或限制任务。这个问题把“工具是否可靠”从绝对判断，变成对允许变化集合的数学研究。
对全书而言，这个结论具有可迁移的方法含义，但迁移必须保留边界。我们可以据此提醒自己，职业能力或AI工具的封装依赖活动条件；不能把矩阵定理直接当成社会转型的证明。数学案例提供的是一种清楚的思考结构：先说明允许哪些操作，再问哪些差异能够安全忽略。跨领域应用仍需要各自的事实和模型。
八、研究作品怎样进入共同体
一个可接续的作品需要允许不同角色从不同入口进入。专攻代数的人可以检查分支运算与映射；控制理论研究者可以检查观察闭合和稳定条件；应用研究者可以设计装置与基线；软件研究者可以扩展精确计算和版本管理；哲学研究者可以分析对象与同一性如何在任务中形成。每一种接续都应以明确贡献记录，而不是都被压缩成“又写了一篇论文”。
接续者也需要能够提出反对意见。若他证明某个所谓新结果早已有之，研究包应更新历史定位；若他找到证明缺口，应修订命题；若他发现装置数据不支持某个组合分支，应缩小适用域。一个研究方向能够保存并吸收这些变化，才逐渐形成可信共同体。维护最初说法的面子，不能替代维护研究的可继续性。
AI参与的贡献同样需要记录。哪些定义由研究者提出，哪些反例由AI搜索，哪些证明由双方修改，哪些代码经过实际运行，都可以进入过程档案。记录不是为了证明某一方永远更重要，而是为了理解复合研究能力怎样形成，以及哪些环节需要额外核验。最终署名与责任应由具体合作和出版规范处理，不能让工具使用记录掩盖人的学术责任。
本编所完成的是一个研究样板，而非对数学未来的预言认证。它已经使一个发生性提问产生定义、证明、代码、失败与分支；也已经显示，很多新提问会回到已有结构，并通过已有结构获得严密性。数学家在这样的过程中既继承工具，也改变问题，既承担检验，也组织下一轮探索。
九、从一个小模型返回多元数学发生
这次探索最初问的是：如果数包含影响范围，会发生什么？经过执行，问题变得更精确：哪些基本单元被允许，哪些状态由它们生成，什么同一性受到更新保持，哪种观察能够可靠封装历史，不同组合规则怎样产生不可互换的结果。一个宽泛猜想并没有被直接证明为真，却转化成了一组有答案、有反例和有待解部分的问题。
这就是本书希望数学家能够持续组织的活动。AI把一部分计算、检索和草拟证明的成本降低后，研究者可以更快地试探对象构成，比较定义，发现与既有理论的联系，并让失败改变路线。能力封装由此成为新的研究条件。如果只把同样能力用于生产更多缺少问题分化的结果，它也可能加剧原有评价轨道上的拥挤。
多元数学发生需要共同体给这样的探索留出空间，也要求探索者交出能够检验的作品。空间没有作品，容易变成任意命名；作品没有空间，则可能被迫把所有新问题重新包装为旧指标。二者共同改变，才使研究生涯获得持续发展的条件。
本编已经交出一个有限但完整的起点：数学上明确，程序上可运行，比较上承认等价，经验上保留待检验条件。下一步可以由任何愿意接续的人—AI复合体展开。真正值得期待的，不是每一条路线都被宣布成功，而是有越来越多重要的问题能够在这样的条件下开始发生。