Two overlooked mathematical starting points—learning as an inverse problem and neural networks as numerical computation—reveal the deep structure of AI.
Adapted from @BetaTomorrow# AI在数学上不是黑箱 English Edition: AI Is Not a Mathematical Black Box (https://x.com/BetaTomorrow/status/2096949913062101401) AI 常常被描述为一个黑箱，但从数学上看，它并不是。神经网络中的每一个操作，都是明确的数值计算。真正尚未厘清的是：如何理解学习过程中逐渐形成的数学结构。过去两年，我们在 Deep Manifold Part 1: Anatomy of Neural Network Manifold 和 Deep Manifold Part 2: Neural Network Mathematics 中逐步发展了这一观点。深度流形从两个长期被忽视的基本事实出发：学习是一个反问题，以及神经网络是一种可学习的数值计算（Deep Manifold Part 2，第 3 节）。一旦这两个数学盲点被看见，神经网络的几何结构、不动点结构、能力来源以及自身局限，也就开始逐渐显现出来。 (https://x.com/BetaTomorrow/status/2063264416871944401) ## 盲点一：学习是一个反问题 第一个数学盲点是：学习是一个反问题。我们能够观察到数据、样本、奖励以及期望行为，但能够产生这些结果的内部结构却是未知的。反问题往往具有病态性：解可能不唯一、不稳定，甚至无法仅根据现有观测确定。这是一个长期存在的数学难题。 第二次世界大战之后，苏联曾在国家层面和学术层面对反问题投入大量力量，并逐步建立起广泛的数学框架： 可观测数据 → 推断不可观测的内部对象 然而，反问题至今仍没有一个普适性的统一解法。回头来看，这也可以被视为现代“隐藏内部结构”思想的一种早期数学先声。这段历史对于理解 AI 很重要。 (https://x.com/BetaTomorrow/status/2063805702746120507) 这解释了： - 为什么今天的 前沿模型智能仍然是犬牙交错的； (https://x.com/BetaTomorrow/status/2076115712129823036) - 为什么大模型规模 和 过度参数化是必要的，因为学习问题所需要的自由度在训练之前并不知道； (https://x.com/BetaTomorrow/status/2065452701950046255) (https://x.com/BetaTomorrow/status/2094835598884552806) - 为什么在已有数以万计的优化论文之后，我们对于学习本身仍然没有坚实的数学答案。 (https://x.com/BetaTomorrow/status/2079014802358448452) ## 盲点二：神经网络是数值计算 第二个数学盲点是：神经网络是数值计算。一个模型并不仅仅是对数据进行拟合的统计函数；它是一个大型数值系统，其方程在训练和推理过程中被反复计算。一旦从这个角度来看，架构、稳定性、收敛性、数值误差以及计算效率，就不再只是工程实现细节，而成为数学问题本身。 这解释了： - 为什么我们会有如此多不同的神经网络架构，而且似乎都能够工作：不同的数值计算形式，可以逼近同一个底层学习问题； (https://x.com/BetaTomorrow/status/2076323776518906204) - 为什么模型训练在稳定性和效率方面如此困难：大型非线性数值系统可能具有高度敏感性、刚性以及较差的条件性； (https://x.com/BetaTomorrow/status/2083601371660787835) - 为什么即使是世界上最伟大的数学家，也没有发展出神经网络的数学：像陈省身（现代微分几何之父）以及他的学生丘成桐（卡拉比猜想）这样的数学家，在几何与微分方程领域达到了最高水平，但数值计算并不是他们工作的核心范畴。在经典数学中，建立一个方程、证明解的存在性，或者揭示几何结构，本身就可以是主要的数学成果。 (https://en.wikipedia.org/wiki/Shiing-Shen_Chern) (https://en.wikipedia.org/wiki/Shing-Tung_Yau) (https://en.wikipedia.org/wiki/Calabi_conjecture) 神经网络则不同：产生解的数值计算过程，本身就是数学的一部分。当数学之美在 AI 中变得有用 (https://x.com/BetaTomorrow/status/2093625998361387417) ## 几何、不动点、能力与对齐 一旦这两个数学盲点被认识到，神经网络更深层的数学结构就开始显现出来。学习是一个反问题，意味着模型必须构造自己的内部解结构；神经网络是数值计算，意味着这一结构必须通过计算被形成，并在推理过程中被实际经过。在深度流形中，这自然导向可学习几何 以及神经不动点场。 (https://x.com/BetaTomorrow/status/2076405302602420624) (https://x.com/BetaTomorrow/status/2063264416871944401) 这也帮助解释了为什么 AI 如此强大。它的激活是无属性的：不携带固定的内在物理意义或语义意义。同时，它的变换还可以保持满秩，从而保留一个巨大的可能关系空间。两者结合，使模型拥有极大的自由度，可以构造几何、形成不动点类，并跨不同领域进行学习。 但同样的自由，也使 AI 对齐从根本上变得困难。在计算内部，并不存在某种天然的意义或价值，可以让对齐直接锚定其上。因此，对齐只能通过数据、反馈、损失、提示以及其他边界条件来施加。 (https://x.com/BetaTomorrow/status/2076115712129823036) 这些思想已经不只是用于解释今天的神经网络，也指向一个更广阔的数学方向。在《深度流形的数学展望》中，我们进一步追踪了这一数学脉络：从微分几何与不动点类理论，走向可学习几何、可学习数值计算，并最终探索正问题与反问题可能的统一。 (https://x.com/BetaTomorrow/status/2094232361907241189) ## 用前沿模型验证这两个论点 这两个论点是深度流形所采用的两个基础出发点，但它们并不等于深度流形本身。它们发生在深度流形之前。即使你并不接受深度流形这个框架，也完全可以把这两个问题独立拿出来检验： 1. 如果同时参考对应的正问题，AI 学习是否可以被看作一个反问题？ 1. 神经网络是否可以被看作一种数值计算框架？ 如果你不相信本文的这两个基本论点，有一个非常简单的办法：直接去问今天的前沿模型。 我测试了 ChatGPT、Claude、Gemini、Muse、Grok，以及开源模型 DeepSeek、GLM 和 Kimi，使用的就是下面这两个原始问题： 1. “Can you independently confirm AI is an inverse problem with reference to the forward problem? Short answer, yes or no, followed by a short explanation.” (你能独立确认相对于正向问题，AI 是一个反问题吗？简短回答“是”或“否”，并附上简要解释。) 1. “Can you independently confirm a neural network is a numerical computation framework? Short answer, yes or no, followed by a short explanation.” (你能否独立确认神经网络是一个数值计算框架？请简要回答‘是’或‘否’，随后附上简短解释) 这里的目的，并不是把前沿模型当作数学权威，而是让这两个出发点在接受深度流形之前，就可以被独立检验。你可以去问不同的模型，比较它们的解释，然后自己判断其中的数学是否成立。 这里也有一个值得警惕的问题。如果这两个问题得到的回答都稳定地是“是”，那么我们就应该进一步追问：为什么这样两个如此基础的数学出发点，却长期没有成为 AI 主流讨论中的核心框架？ 如果最基础的数学框架本身存在偏差或缺失，那么建立在这些框架之上的一些结论，又有多少需要重新审视？ 这并不意味着 AI 研究是错误的。它意味着：AI 研究中的一些数学前提，可能远比我们想象中更值得重新检查。如果你仍然不相信这篇文章，或者不相信深度流形，就自己运行这两个问题。 ## AI 在数学上不是黑箱 AI 在数学上之所以显得神秘，并不是因为它的方程被隐藏了。方程本身是明确的。真正的困难在于，我们往往从错误的数学框架出发去理解它。 一旦我们认识到：学习是一个反问题，而神经网络是数值计算，许多原本看似彼此无关的现象就开始连接起来：模型规模、过度参数化、犬牙交错的智能、架构多样性、训练不稳定性、可学习几何、不动点结构，以及 AI 对齐。 深度流形试图从最基础的层面重新建立这套数学。它的目标并不仅仅是在事后描述神经网络，而是建立一个统一框架，使训练、推理、几何、不动点以及边界条件，都可以被理解为同一个计算系统中的组成部分。 黑箱并不是 AI 本身。真正的盲点，一直是我们的数学。 This article is now listed under Core in Deep Manifold, Two Years Later: 2024–2026. (https://x.com/BetaTomorrow/status/2080057647160824276) 1. 什么是深度流形？ (https://x.com/BetaTomorrow/status/2070115181699723647) 1. 神经不动点场 (https://x.com/BetaTomorrow/status/2075337832827355535) 1. 学习是一个反问题 (https://x.com/BetaTomorrow/status/2063264416871944401) 1. 深度流形的数学展望 (https://x.com/BetaTomorrow/status/2094232361907241189)
