数学圈与人工智能圈的边界，正被彻底打破。
作者丨高允毅
编辑丨马晓宁
那些原本只存在于纸笔之间的纯数学硬核成果，如今已直接嵌入大模型训练的最前线。
一位小红书博主Z9在梳理文献时注意到，近期刷屏全网的“三维挂谷猜想”，已被佛罗里达大学的研究团队引入神经网络训练流程，试图借此破解大模型长期存在的“黑盒”难题。
他们发表的论文题为《GeoLAN: Geometric Learning of Latent Explanatory Directions in Large Language Models》，核心逻辑是利用挂谷猜想证明过程中衍生的关键概念——“粘性挂谷集”，为大模型的内部语义空间建立一套严格的“摆放规范”。这一举措旨在从训练初始阶段就理顺纠缠的概念，使AI的推理路径具备真正的可追溯性。
这可谓前有车辙开道，后有后人拾遗。
01
大模型的底层顽疾：表征坍塌
先聊聊大家都有切身体会的“黑盒问题”。
当前的大模型在处理做题、写代码及分析任务时，准确率虽高，但一旦追问其思维过程，它往往语焉不详，甚至编造理由搪塞。
这一问题的根源，深植于一种被称为“表征坍塌”的底层特性之中。
不妨将大模型的语义空间视作一个拥有数千层结构的巨型仓库，理论上它能分类存放无数概念：逻辑、情感、事实、推理等，各安其位。
但在Transformer的训练机制下，模型显得颇为“偷懒”，倾向于将所有语义信息堆叠在入口的一小块区域，致使剩余90%的空间处于闲置状态。
结果便是，各类概念被迫挤入一个狭窄的高维锥形区域内，学术界将此现象称为“各向异性”。
这种拥挤局面引发了诸多弊端。
概念纠缠导致风马牛不相及的内容被强行捆绑在同一方向，致使单个神经元需同时响应“猫”与“圣经经文”等毫不相关的信号。
更棘手的是，难以厘清哪部分表征对应何种逻辑，连模型自身都无法还原真实的思考轨迹。
当相似却不同的概念混杂一处，极易产生混淆，稍加变换问法，AI便容易信口开河。
对此，论文中有一句精辟总结：少数几个“流氓维度”霸占了大部分信息方差，极大地浪费了模型的有效容量。
此弊病几乎贯穿所有主流Transformer架构，从GPT、Llama到Gemma，无一能独善其身。
面对此局，行业此前的对策多为“事后补救”，即在模型训练结束后，借助稀疏自编码器等工具，强行拆解纠缠的概念。
然而，此类方法拆出的结果仅具表面合理性，未必契合模型内部的真实逻辑，保真度始终受限。
GeoLAN则另辟蹊径：不再等待混乱发生再行整理，而是在起始阶段便确立规矩。通过在训练全程施加几何约束，让每个概念各归其位。
02
挂谷猜想何以与AI结缘？
理解GeoLAN的思路，需先明了挂谷猜想的本意。
1917年，数学家挂谷宗一提出一个看似简单，却困扰学界半个世纪的难题：若取一根1厘米长的针，在桌面上旋转一周，其扫过的最小面积是多少？
常人直觉认为，旋转必画圆，面积不会太小。但数学家证实，该面积可无限接近于零。
如何实现？
若让针边旋边滑，竟能扫出面积近乎为零的奇异图形。换言之，在二维世界，全方位几何轨迹可被压缩至极小角落。
挑战随之升级：若置于三维空间呢？当针可在上下左右及无数立体方向旋转，欲容纳所有方向的轨迹，所需空间最小多大？
依二维经验推演，三维空间中该图形的绝对体积仍可压缩至趋近于零。
但这引出新谜题：尽管图形空洞无体积，其微观结构是否也萎缩退化？数学家引入“分形维数”以衡量骨架密实度。
最终，王虹等人发现，即便体积被压榨至极度空洞，为兼顾每一方向的针，其内部交织骨架仍保持坚实的“三维饱满度”，微观维度上毫无退化。这正是王虹终结世纪难题的关键所在。
在此硬核证明过程中，“粘性挂谷集”这一关键概念应运而生。
所谓“粘性”，实为一套防挤压规则，专门规制线段与管子，禁止其过度聚集。
若一组管子遵循此规则，便会舒展铺开，占据应有的空间；反之，若违规挤入小角落，空间的“大小”便会缩水，呈现受压扁态。
至此，逻辑链条闭合：大模型的表征坍塌，恰似“语义管子不满足粘性条件，全部挤作一团”。
GeoLAN的做法，是将挂谷猜想的数学结论直接转化为工程标准：既然数学已严格证明“满足粘性则空间不坍缩”，便给大模型语义空间加上同款粘性约束，使其表征天然避免拥挤。
要将此规则植入训练过程，核心在于构建可量化的惩罚函数，即让模型能够计算并据此调整的惩罚机制。
为此，GeoLAN设计了两套可计算的惩罚规则，将挂谷猜想中的几何法则转化为训练目标。其一为KT-CW，专攻“语义扎堆”；其二为KT-Attn，专治“注意力偷懒”。
KT-CW的原理是在训练中随机抽检语义空间各方向。若发现某方向语义信息过载，便对模型扣分。此举迫使模型将知识均匀铺满高维空间各处，充分利用此前浪费的维度，从根源解决“拥挤”问题。
另一套KT-Attn则针对注意力机制的懈怠行为。大模型注意力头在训练后期常陷入严重同质化，许多头终日盯着同一词或位置打转，有效劳动力寥寥。该规则强制规定每个注意力头必须关注截然不同的语义区域，确保注意力全覆盖，彻底根治注意力头的秩坍缩现象。
这套组合拳效果立竿见影。
在Llama-3-8B上，GeoLAN成功将原本扁平的锥形表征空间重塑为圆润球形，显著降低拥挤程度，大幅提升各方向均匀性，同时维持了任务准确率。
在Gemma-3-4B上，MMLU准确率由0.59提升至0.60，增幅约0.75个百分点。TruthfulQA的语义稳定性亦获显著改善。
在更大体量的Gemma-3-12B上，偏见率指标出现统计学意义上的明显下降。
论文还揭示了一个名为“金凤花区”的现象。
过于严苛的均匀分布几何约束，对于参数量过小的模型而言竟是灾难。小模型天生依赖概念纠缠以实现极致语义压缩，强行打散只会恶化其内部几何结构。
而对于体量庞大的巨无霸模型，其庞大的预训练过程已自发构建起极其复杂的流形结构，再加此规则不仅水土不服，反会拖累整体性能。
唯有四到八十亿参数规模的中等体量模型，恰好拥有足够空间消化均匀分布带来的红利，从而获益最大。
此外，论文推导出一项精妙定理——“语义粘性定理”：当表征满足“防挤规则”时，不同语义概念会自动分解为近似相互垂直的子空间，论文形象地称之为“颗粒”。每个子空间可独立解释与调整，这意味着困扰业界多年的黑盒问题由此变得透明。
一篇ACL论文，一把将挂谷猜想从纯数学殿堂拽入AI工程现场。
03
菲尔兹奖得主，当天宣布加入OpenAI
另一引人关注的动态是，本次菲尔兹奖得主之一Jacob Tsimerman，在获奖当日即宣布，即将入职OpenAI，投身AI安全领域。
此举凸显前沿数学与AI的紧密联结。
就在一年前，他与伯克利AI安全研究者Andrew Critch合著论文《A Taxonomy of Omnicidal Futures Involving Artificial Intelligence》，以数学家的极致严谨，为AI风险路径搭建严密分类体系。
他本人更是AI的重度受益者。2025年，他有5篇数学论文上线arXiv，直言AI使科研产出效率翻倍。
更具戏剧性的是，颁奖前三天，有人借助Anthropic最新的Claude Fable 5，一夜推翻悬置87年的雅可比猜想，震动全球数学界。此人正是他的学生Levent Alpöge。
面对AI不断逼近甚至超越顶级数学家“智商”的现实，数学泰斗蒂莫西公开感叹：这是他生平首次目睹大语言模型在自己完全陌生的领域，轻松攻克家喻户晓的世纪难题。
数学与AI的关系，早已超越“密不可分”所能形容的范畴，二者正以惊人速度融为一体。
回顾过去一年AI在数学竞技场的表现：DeepMind的AlphaProof在国际奥数赛场斩获银牌；OpenAI推理模型一举推翻埃尔德什单位距离猜想这桩八十年悬案；GPT-5.6仅用一小时搞定循环双覆盖猜想；以及Claude Fable 5一夜荡平雅可比猜想。短短两个月内，AI连续创下多项世纪纪录，攻坚速度呈指数级加快。
在AMS访谈中，Jacob直言：“数学界存在大量‘自我安慰’，大家盯着AI现在不如数学家，便推断它永远不如数学家。”他用自身实践证明，虽然模型证明尚不完整、不严谨，但“通常能拉出大致正确的方法，帮你走完八成的路”。
他甚至预判，两年内，AI在数学证明方面将全面超越人类。
那么问题来了：四年后的2030年，菲尔兹奖还会有人类得主吗？
菲尔兹奖有硬性年龄限制，获奖者须未满40岁。这意味着，若AI在未来四年内系统性超越人类数学家的原创发现能力，评审委员会将面临前所未有的困境：是将奖项颁给做出最好数学工作的人，还是颁给“人类中做出最好数学工作”的人？
更耐人寻味的是数学与AI的双向加速。三维挂谷猜想刚被证明，三个月后GeoLAN便应运而生，纯数学成果直接落地为大模型训练工具。今日菲尔兹奖表彰的André-Oort猜想、希尔伯特第六问题突破，明日又将演化出何种AI能力？
过去常说，数学家在前头拓荒，AI在后面捡宝。但现在，捡宝者已开始自己开路。
参考链接：https://arxiv.org/html/2603.19460v1
上车，雷峰网带你看遍全球 AI 顶会精华
可独家畅览：
专家演讲PPT
大会报告全文
热门论文解读
学术新星访谈
【站点差异】本稿将发布到 shixianpress.com。请换一种措辞、句式与段落节奏，避免与发往其他站点的版本雷同；事实与数字仍必须与原文一致。
