菲尔兹奖级数学突破落地AI 粘性约束破解大模型表征坍塌难题

数学圈和AI圈这回可是彻底搅和到了一块儿。

作者丨高允毅

编辑丨马晓宁

那种级别的原生数学硬核成果，如今已经直接砸进了大模型训练的最前线。

小红书上一位叫Z9的博主在翻文献时注意到，最近全网热议的三维挂谷猜想，已被佛罗里达大学的研究团队塞进了神经网络的训练流程里，打算用跨界手段去攻克大模型的“黑盒难题”。

他们的论文题目是《GeoLAN: Geometric Learning of Latent Explanatory Directions in Large Language Models》。核心思路很直接：利用挂谷猜想证明过程中衍生出的关键概念——“粘性挂谷集”，给大模型内部的语义空间定下一套“摆放规矩”。从训练一开始，就把那些缠成一团的概念理顺，让AI的思考路径真正变得可追溯。

真应了那句话：前面有数学大佬开疆拓土，后面有AI研究员捡漏寻宝。

大模型的底层通病：表征坍塌

咱们先从大家都深有体会的“黑盒问题”聊起。

当下的大模型，无论是做题、写代码还是做分析，正确率都相当能打。但你若追问它“这一步是怎么推出来的”，它要么含糊其辞，要么干脆编个理由糊弄你。

这问题的根子，扎在一个名为“表征坍塌”的底层特性里。

你可以把大模型的语义空间想象成一个拥有数千层货架的巨型仓库。理论上，逻辑、情感、事实、推理等无数概念都能分门别类地安放，各自占好位置。

但在Transformer训练时，模型特别爱“偷懒”。它倾向于把所有语义信息一股脑堆在仓库门口的一小块区域，剩下那90%的空间则闲置不用。

结果便是，所有概念都被挤压在一个狭窄的高维锥形区域内，学界管这叫“各向异性”。

这种拥挤状态会带来一连串麻烦。

比如，概念纠缠会让八竿子打不着的内容被硬塞进同一个方向。一个神经元可能既要响应“猫”，又要激活“圣经经文”。

更棘手的是，你根本拆不清哪部分表征对应哪条逻辑链条，连模型自身都无法还原真实的思考轨迹。

当相近但不同的概念被挤在一处，混淆便不可避免。稍微换个问法，AI就容易开始胡言乱语。

对此，论文里有句精准的总结：少数几个“流氓维度”霸占了大部分信息方差，白白浪费了模型的有效容量。

这个问题几乎是所有主流Transformer架构的通病，从GPT、Llama到Gemma，无一幸免。

面对这种困境，行业此前的解法多是“事后补救”。等模型训练完毕，再借助稀疏自编码器等工具，强行拆解那些纠缠的概念。

但这种做法拆出来的结果往往只是“看似合理”，未必对应模型内部的真实逻辑，保真度始终差一口气。

现在，GeoLAN的思路换了个赛道：别等乱了再收拾，从一开始就按规矩摆好。它在训练全程给表征空间施加几何约束，迫使每个概念各归其位。

挂谷猜想怎么和 AI 扯上关系？

要读懂GeoLAN的思路，得先搞懂挂谷猜想到底在说什么。

1917年，数学家挂谷宗一问了一个看似简单、却折磨数学界半个世纪的难题：拿一根1厘米长的针，在桌面上转一圈，它扫过的面积最小能有多小？

你可能觉得，转一圈总得画个圈，面积肯定小不了。但数学家发现，这个面积可以无限接近于0。

怎么做到的呢？

如果你让针一边旋转一边滑动，它竟然能扫出一个面积几乎为零的奇特图形。也就是说，在二维世界里，你可以把全方位的几何轨迹塞进一个极小的角落里。

挑战进一步升级：如果在三维空间呢？当这根针可以在上下左右、无数个立体方向上旋转，要想把这些全方向的针全部装进一个空间里，这个空间最少需要多大？

依照二维的经验，在三维空间中，这个图形的绝对体积依然可以被压缩到接近于零。

但这里冒出了新谜题：这个图形虽然空洞得没有体积，但它在微观层面是否也缩水、退化了？数学家引入了“分形维数”来衡量它的骨架密实度。

最终，王虹等人发现，即便你把图形的体积压榨得再空洞，为了照顾到每一个方向的针，它内部交织的骨架依然保持着结结实实的“三维饱满度”，在微观维度上一点都没有退化。这正是王虹终结这一世纪难题的伟大之处。

正是在这个硬核的证明过程中，诞生了一个极其关键的概念——“粘性挂谷集”。

“粘性”说白了就是一套防挤规则。它专门用来约束线段和管子，不让它们往一块儿凑。

如果一组管子遵守这套规则，它们就会老老实实铺开，空间该多大就多大；如果不守规矩，全挤在一个小角落，空间的“大小”就会缩水，看着像被压扁了一样。

看到这儿你应该能对上号了：大模型的表征坍塌，不就是“语义管子不满足粘性条件、全挤一块了吗”？

GeoLAN做的事，是直接把挂谷猜想的数学结论当作工程标准：既然数学上已严格证明“满足粘性，空间不坍缩”，那我们就给大模型的语义空间加上同款粘性约束，让它的表征天然就不会挤成一团。

要把这个规则塞进训练过程，核心是造出一个能量化的惩罚函数，也就是能让模型算得出来、知道怎么改的惩罚规则。

于是，GeoLAN设计了两套能算账的惩罚规则，将挂谷猜想里的几何规矩转化为训练目标。一个叫KT-CW，专治“语义扎堆”；另一个叫KT-Attn，专治“注意力偷懒”。

KT-CW的原理很简单：训练时随机抽查语义空间的各个方向。如果发现某个方向挤了太多语义信息，就给模型扣分。这逼着模型把知识均匀铺满整个高维空间的每个角落，把之前浪费的维度全用上，从根子上解决“挤成一团”的问题。

另一套KT-Attn则专治注意力机制的摸鱼行为。大模型的注意力头到了训练后期往往会陷入严重的同质化，很多头终日只盯着同一个词或同一个位置打转，真正有效干活的劳动力极少。这条规则强行规定每个注意力头必须关注截然不同的语义区域，确保注意力能够全方向覆盖，彻底根治了注意力头的秩坍缩现象。

这套组合拳打下来，效果立竿见影。

在Llama-3-8B上，GeoLAN硬生生把原本被挤扁的锥形表征空间揉捏成了圆润的球形，挤在一起的程度显著降低，各方向均匀性大幅提升，同时保持了任务准确率。

在 Gemma-3-4B 上，MMLU 准确率从 0.59 提升到 0.60，约提升 0.75 个百分点。TruthfulQA 的语义稳定性也得到了显著改善。

在更大体量的Gemma-3-12B上，偏见率指标也迎来了统计学层面的明显下降。

更有意思的是，论文还发现了一个叫“金凤花区”的现象。

即均匀分布这套严苛的几何约束，对于参数量太小的模型反而是一种灾难。小模型天生需要靠概念纠缠来进行极致的语义压缩，强行打散只会让内部几何结构彻底恶化。

而对于体量过大的巨无霸模型，庞大的预训练过程已经自发建立起了极其复杂的流形结构，再加这套规则，不仅水土不服，还会拖累整体性能。

只有像四到八十亿参数这样的中等体量模型，刚好拥有足够的空间来消化均匀分布带来的红利，反而效果最好。

不仅如此，论文还推导出了一个精妙的定理——“语义粘性定理”：当表征满足“防挤规则”时，不同的语义概念会自动分解为近似互相垂直的子空间，论文将其形象地称为“颗粒”。每个子空间可以独立解释、独立调整，这意味着困扰业界多年的黑盒问题就此变得透明。

一篇ACL论文，一把将挂谷猜想从纯数学殿堂拽进了AI工程。

菲尔兹奖得主，当天宣布加入OpenAI

另一个值得关注的细节是，在本次菲尔兹奖得主中，有一位数学大佬Jacob Tsimerman。他在获奖当天直接宣布，未来很快会入职OpenAI，从事AI安全方向的工作。

这让人们不得不正视前沿数学与AI之间日益紧密的联系。

就在一年前，他与伯克利AI安全研究者Andrew Critch合著了论文《A Taxonomy of Omnicidal Futures Involving Artificial Intelligence》，用数学家的极致严谨，为AI风险路径搭建起严密的分类体系。

他本人更是AI的重度受益者。在2025年，他有5篇数学论文上线arXiv，直言AI让自己的科研产出效率直接翻了一番。

更戏剧性的是，在颁奖前三天，有人借助Anthropic最新的Claude Fable 5，一夜推翻了悬置87年的雅可比猜想，震动全球数学界。那个人正是他的学生Levent Alpöge。

面对AI不断逼近甚至超越顶级数学家的“智商”，连数学泰斗蒂莫西公开感叹：这是他生平第一次见到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，早已过了“密不可分”这个词所能描述的范畴，它们正在以惊人的速度融为一体。

回顾过去一年AI在数学竞技场上的成绩单，从DeepMind的AlphaProof在国际奥数赛场斩获银牌，到OpenAI的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，再到GPT-5.6仅用一小时就搞定循环双覆盖猜想，以及Claude Fable 5一夜荡平雅可比猜想，AI在短短两个月内连续创下多项世纪纪录，而且攻坚的速度正在呈指数级加快。

在AMS访谈里，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，就推断它永远不如数学家。”他用自己的实践证明，虽然模型的证明“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”。

他甚至认为，两年内，AI在数学证明这件事上，将全面超过人类。

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，获奖者必须未满40岁。这意味着，如果AI在未来四年内系统性超越了人类数学家的原创发现能力，评审委员会将面临一个前所未有的困境：你是在把奖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，三个月后就诞生了GeoLAN，纯数学成果直接落地成大模型训练工具。今天菲尔兹奖上表彰的André-Oort猜想、希尔伯特第六问题突破，明天又会演化出什么样的AI能力？

过去总说，数学家在前头拓荒，AI在后面捡宝。但现在，捡宝的那个，已经开始自己开路了。

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