第136章 比金奖更大的事（4 / 13）
开场白简明扼要，直指核心。
“基础科学，是所有人类技术突破的最底层源头。而国际合作，则是所有前沿学科发展的必经之路。本届大会之所以首次將基础科学与国际合作设立为开幕当天的核心论坛主题，就是希望能够打破壁垒，打通学科之间的边界，推动我们华人学术界在更高的维度上实现整体前行。”
第一位被请上台做主旨发言的，是南方科技大学校长，物理学界的泰斗薛其坤院士。
他穿著笔挺的深色西装，头髮梳得一丝不苟，站在讲台前，语速沉稳而富有感染力。
薛院士从量子反常霍尔效应的实验突破讲起，深入浅出地聊到了基础数学工具如拓扑学对物理模型的底层支撑作用。
隨后，话题一转，他坦诚地聊到了跨国科研合作中经歷的种种经验、磕绊与不可言说的困境。
“各位，没有扎实严谨的数学工具在后面撑著，我们物理学家提出的很多绝妙的物理猜想，永远都只能停留在纸面上的漂亮公式，永远落不了地。”
薛院士说到这里，目光扫过前排的数学家们，半开玩笑地嘆了口气。
“说实话，我们做实验物理的，有时候真是最羡慕你们做数学的。我们为了一个数据，要搭几千万的台子，要等液氦降温，要防震防磁。你们呢，一支笔，一张草稿纸，只要逻辑对，就能在脑子里推演整个宇宙的规律。”
台下爆发出一阵会心的轻笑声，气氛瞬间轻鬆了不少。
江临坐在前排，听得专注。
关於几何分析、偏微分方程与量子物理的交叉边界，他此前在文献里只进行过零散的接触，並没有深入研究过。
但此刻，听一位站在国际最前沿的一线实验物理学家，用如此直白的话语讲述真实应用场景下的痛点，反倒像是一阵风，吹散了他脑海里某些固有的迷雾，让他对高维构造的普適性以及数学在真实世界中的投影，多了一层更立体的全新理解。
第二位上台发言的，是欧洲科学院院士周志华教授。
他是国內人工智慧领域的绝对领军人物之一。
周院士的话题更加贴近当下的科技產业热点。
直接从机器学习的理论瓶颈切入，直指当前ai发展最核心的短板。
“现在很多深度学习模型，尤其是大模型，在工程应用上的效果好得惊人。但是，各位同仁，我们要清醒地认识到，这些模型的数学解释性极差。”
“我们就像是一群蒙著眼睛的孩子在搭极其复杂的积木，把它堆得很高，很壮观，但我们根本不知道它底层的力学原理是什么。一旦底部抽走一块积木，整个大厦隨时可能崩塌。”
他挥了一下手，加重了语气：“所以，未来人工智慧如果想要实现真正的革命性突破，不能只靠堆算力堆数据。最终，它还是必须要回到基础数学上来，回到统计学习理论、优化理论的最深处的根上去寻找答案。”
听到这里，江临的眸光微微一动。
他脑海中浮现出完成闭合的那套关於 pfr 猜想的证明框架。
深度学习大模型的本质是什么？
某种意义上，是在高维空间中，对海量的看似无序的数据进行特徵提取与降维压缩。
在数学上，可以被粗略抽象为等价於一种高维离散结构的近似与映射。
ai算法之所以是不透明的黑盒的原因之一，是这些数据在经过层层网络压缩后，其內部的信息熵是如何演化的，又为什么没有在降维的过程中丟失核心的特徵支撑。
而江临刚刚在 pfr 证明中构建的核心武器，第三层损失回收机制与有限域上的熵控制函数，解决的恰恰就是高维结构在压缩过程中的局部误差摊还问题。
这原本只是为了解决纯粹的加性组合学难题。
但这套用来约束残余谱、控制有限域熵形式坍缩的数学工具，如果能经过一层適当的离散化和模型化，或许能迁移出一套分析框架到机器学习的高维张量网络中，为那个庞大的黑盒提供一条理论指导。
…… ↑返回顶部↑
“基础科学，是所有人类技术突破的最底层源头。而国际合作，则是所有前沿学科发展的必经之路。本届大会之所以首次將基础科学与国际合作设立为开幕当天的核心论坛主题，就是希望能够打破壁垒，打通学科之间的边界，推动我们华人学术界在更高的维度上实现整体前行。”
第一位被请上台做主旨发言的，是南方科技大学校长，物理学界的泰斗薛其坤院士。
他穿著笔挺的深色西装，头髮梳得一丝不苟，站在讲台前，语速沉稳而富有感染力。
薛院士从量子反常霍尔效应的实验突破讲起，深入浅出地聊到了基础数学工具如拓扑学对物理模型的底层支撑作用。
隨后，话题一转，他坦诚地聊到了跨国科研合作中经歷的种种经验、磕绊与不可言说的困境。
“各位，没有扎实严谨的数学工具在后面撑著，我们物理学家提出的很多绝妙的物理猜想，永远都只能停留在纸面上的漂亮公式，永远落不了地。”
薛院士说到这里，目光扫过前排的数学家们，半开玩笑地嘆了口气。
“说实话，我们做实验物理的，有时候真是最羡慕你们做数学的。我们为了一个数据，要搭几千万的台子，要等液氦降温，要防震防磁。你们呢，一支笔，一张草稿纸，只要逻辑对，就能在脑子里推演整个宇宙的规律。”
台下爆发出一阵会心的轻笑声，气氛瞬间轻鬆了不少。
江临坐在前排，听得专注。
关於几何分析、偏微分方程与量子物理的交叉边界，他此前在文献里只进行过零散的接触，並没有深入研究过。
但此刻，听一位站在国际最前沿的一线实验物理学家，用如此直白的话语讲述真实应用场景下的痛点，反倒像是一阵风，吹散了他脑海里某些固有的迷雾，让他对高维构造的普適性以及数学在真实世界中的投影，多了一层更立体的全新理解。
第二位上台发言的，是欧洲科学院院士周志华教授。
他是国內人工智慧领域的绝对领军人物之一。
周院士的话题更加贴近当下的科技產业热点。
直接从机器学习的理论瓶颈切入，直指当前ai发展最核心的短板。
“现在很多深度学习模型，尤其是大模型，在工程应用上的效果好得惊人。但是，各位同仁，我们要清醒地认识到，这些模型的数学解释性极差。”
“我们就像是一群蒙著眼睛的孩子在搭极其复杂的积木，把它堆得很高，很壮观，但我们根本不知道它底层的力学原理是什么。一旦底部抽走一块积木，整个大厦隨时可能崩塌。”
他挥了一下手，加重了语气：“所以，未来人工智慧如果想要实现真正的革命性突破，不能只靠堆算力堆数据。最终，它还是必须要回到基础数学上来，回到统计学习理论、优化理论的最深处的根上去寻找答案。”
听到这里，江临的眸光微微一动。
他脑海中浮现出完成闭合的那套关於 pfr 猜想的证明框架。
深度学习大模型的本质是什么？
某种意义上，是在高维空间中，对海量的看似无序的数据进行特徵提取与降维压缩。
在数学上，可以被粗略抽象为等价於一种高维离散结构的近似与映射。
ai算法之所以是不透明的黑盒的原因之一，是这些数据在经过层层网络压缩后，其內部的信息熵是如何演化的，又为什么没有在降维的过程中丟失核心的特徵支撑。
而江临刚刚在 pfr 证明中构建的核心武器，第三层损失回收机制与有限域上的熵控制函数，解决的恰恰就是高维结构在压缩过程中的局部误差摊还问题。
这原本只是为了解决纯粹的加性组合学难题。
但这套用来约束残余谱、控制有限域熵形式坍缩的数学工具，如果能经过一层適当的离散化和模型化，或许能迁移出一套分析框架到机器学习的高维张量网络中，为那个庞大的黑盒提供一条理论指导。
…… ↑返回顶部↑