数学真正的尽头，不是计算，而是“换个角度”

很多人对数学的印象，停留在公式、计算和习题。

加减乘除、微积分、矩阵、概率……它们看起来像是一套越来越复杂的计算工具。但如果真正走进数学，会发现一件很有意思的事：

数学最厉害的地方，往往不是“算得快”，而是换一种方式看问题。

一个看起来极其复杂的问题，换一个视角，可能突然变得简单；一个看似需要不断尝试的问题，数学甚至可以直接告诉你—— 它到底有没有解。

这种能力，才是数学真正迷人的地方。

从微积分到线性代数，从五次方程到高维几何，再到今天人工智能所依赖的向量空间，很多看似毫不相关的知识背后，其实共享着一些非常漂亮的结构。

一、微积分的另一张面孔：它其实是一种“无穷维线性代数”

很多人第一次学习微积分时，很难把它和线性代数联系起来。

一个研究函数，一个研究向量和矩阵，看起来完全是两套东西。

但从更高的视角看，它们之间有着非常深的联系。

先想象一个普通的三维向量：

它本质上就是三个数字组成的对象。

如果把维度不断增加呢？

10维、100维、1000维……

再进一步，如果一个对象不再由有限个数字描述，而是由一个连续区间上每一个位置的取值来描述，那么我们得到的就是一个函数：

换句话说，可以把函数理解成一种“无穷维向量”。

这时候，很多熟悉的微积分操作，就有了完全不同的解释。

求导，可以看成一种线性变换

我们熟悉的求导：

从传统微积分的角度看，它就是“对函数求导”。

但如果把函数当成无穷维空间里的向量，那么求导其实可以被理解成一个作用在这个空间上的 线性算子 。

这和矩阵作用于向量非常相似。

矩阵可以把一个向量变成另一个向量，而微分算子也可以把一个函数变成另一个函数。

更有意思的是特征值。

在线性代数里，如果：

意味着矩阵 (A) 作用于某个特殊向量之后，方向没有改变，只是被放大或缩小。

微积分里也存在完全类似的东西：

它的解是：

这意味着，指数函数 可以被看作微分算子的“特征函数”，而 就对应特征值。

突然之间，微积分和线性代数之间那条看似明显的边界就消失了。

二、傅里叶变换：不是“算公式”，而是在换坐标系

这也是理解傅里叶变换的一个非常漂亮的角度。

一个复杂的函数，就像一个坐标系里的复杂向量。

如果直接在原来的坐标系里处理它，很多问题会非常麻烦。

但如果找到一组更合适的基底，把这个函数重新表示一遍，事情可能立刻简单起来。

傅里叶变换做的事情，本质上就是：

把一个函数从“时间/空间坐标系”转换到“频率坐标系”。

在这个坐标系里，正弦、余弦或者复指数函数构成了一组非常重要的基底。

更关键的是，很多微分运算在频域中会变成简单的乘法。

原本复杂的微分方程，在合适的坐标系里，可能变成一组更加容易处理的代数关系。

这就是数学中非常重要的一种思想：

问题本身没有变，真正改变的是你描述问题的坐标系。

工程领域里，这种思想无处不在。

信号处理如此，控制系统如此，量子力学如此，机器学习也如此。

三、五次方程：数学第一次告诉人类，“别再算了”

数学史上有一个非常经典的问题：

为什么二次、三次、四次方程都有根式解，而一般的五次方程却没有？

这里需要特别强调一个容易被误解的地方：

并不是说“五次方程都没有解”。

很多五次方程当然有解，有些甚至可以很容易求出来。

真正的结论是：

一般的五次方程不存在类似二次、三次、四次方程那样的根式通解。

这件事情之所以重要，是因为它第一次让人们真正意识到：

数学不仅能够告诉你答案是什么，还能够告诉你某一种求答案的方法为什么从根本上行不通。

这背后的关键人物，就是法国数学家埃瓦里斯特·伽罗瓦。

四、伽罗瓦真正看到的，是“根背后的对称性”

传统方法一直在研究：

“这个方程到底怎么解？”

伽罗瓦换了一个问题：

“这些根之间存在什么样的对称关系？”

假设一个方程有若干个根。

我们可以把这些根进行重新排列。

有些排列不会破坏根之间原本存在的代数关系，有些则会破坏。

所有保持这些关系的置换，组成了一个数学结构—— 伽罗瓦群 。

于是，一个看似属于“解方程”的问题，被转换成了一个研究“对称性”的问题。

这一步非常关键。

因为通过研究这个群的结构，可以判断这个方程是否能够通过有限次加、减、乘、除和开方得到根式表达式。

如果对应的群是“可解群”，方程就有可能通过根式求解。

而对于一般五次方程，它对应的对称结构涉及 ，其中包含非阿贝尔单群 。这种结构决定了它不是可解群。

于是结论就出现了：

不是我们还没有找到足够聪明的公式，而是这样的根式通解根本不存在。

这是一种非常特别的数学力量。

它不是帮你继续计算，而是在计算开始之前，直接告诉你：

这条路走不通。

五、进入高维空间之后，我们熟悉的直觉开始失效

如果说五次方程让人第一次见识到“结构可以决定答案”，那么高维几何则会让人真正体会到：

人的直觉并不可靠。

我们生活在三维世界。

因此，很多关于空间的判断，都是建立在三维经验之上的。

但当维度增加到几十、几百甚至上千维时，很多常识会突然失效。

一个经典例子就是高维球体。

六、1000维球体为什么看起来像“空的”？

假设有一个半径为1的1000维单位球。

现在把半径缩小到0.99。

在三维世界里，0.99和1看起来只差了一点点。

但体积比例是：

这个数字大约只有：

也就是说，半径0.99以内的部分，只占整个1000维球体积的大约0.004%。

剩下的绝大多数体积，都集中在靠近外边界的薄层里。

这就是高维空间最反直觉的地方之一。

在低维空间里，我们很容易认为“内部”才是主体。

到了高维空间，情况却完全不同：

大量体积集中在靠近边界的位置。

七、高维空间里，“几乎正交”反而成了常态

再看一个更加有意思的现象。

随机生成两个高维向量。

在三维空间里，它们恰好垂直，是一个相当特殊的情况。

但在高维空间里，如果维度足够高，两个随机向量之间的夹角会越来越集中在90°附近。

也就是说：

维度越高，随机向量越容易彼此接近正交。

这也是为什么现代机器学习大量依赖高维向量空间。

我们今天所说的词向量、Embedding、特征向量，本质上都在做类似的事情：

把原本难以直接计算的概念、文本、图片或者用户行为，映射到一个高维空间里。

“猫”和“狗”可能距离比较近；

“猫”和“股票市场”可能距离很远；

不同概念之间，还可以通过方向、距离、夹角等方式表达关系。

当然，真实的大模型远比“把概念放进一个高维空间”复杂，但高维表示确实构成了现代机器学习的重要基础。

八、为什么大模型训练不容易被“困死”？

高维空间还有一个与优化算法有关的现象。

对于高维非凸函数来说，局部结构会比我们在二维、三维空间中的直觉复杂得多。

一个看起来像“低谷”的地方，并不一定是真正的全局最优点。

很多临界点实际上是 鞍点 。

在某些方向上，它像最低点；

换一个方向，却可能是最高点。

这也是为什么在高维优化问题中，“模型掉进一个坏的局部极小值，然后彻底出不来”的直觉，并不能简单照搬低维情况。

现代深度学习中的优化当然没有这么简单。

梯度下降、随机梯度下降、参数规模、损失函数结构、初始化、正则化等因素都会共同影响训练过程。

但高维几何至少告诉我们一件重要的事情：

千万不要把二维、三维世界里的直觉，直接套到数百万、数十亿甚至更多参数的模型上。

这也是理解AI系统时非常重要的一种思维方式。

九、布尔巴基：一群不存在的人，却改变了数学

数学史上，还有一个非常有意思的故事。

20世纪30年代，一群法国数学家开始以一个不存在的人—— 尼古拉·布尔巴基（Nicolas Bourbaki） ——的名义进行数学写作。

这个名字实际上是一个集体笔名。

他们试图做一件当时非常大胆的事情：

重新整理现代数学，把不同数学分支背后的共同结构提炼出来。

于是，数学开始越来越强调集合、结构、映射和公理体系。

很多今天数学教育中习以为常的语言，比如单射、满射、集合等，都在这一时期的现代数学体系中得到进一步系统化。

布尔巴基最有意思的地方，并不只是“假教授”的恶作剧。

真正值得关注的是他们的数学观：

不要只看具体对象，要寻找对象背后的结构。

比如：

数字是什么？

图形是什么？

函数是什么？

这些看起来完全不同的东西，能不能用更加统一的结构去描述？

这也是现代数学不断抽象化的一个重要原因。

十、数学的抽象，并不是为了把事情变复杂

很多人第一次接触高等数学时，会觉得：

“为什么数学家非要把这么简单的东西讲得这么复杂？”

实际上恰恰相反。

抽象的目的，往往是为了把很多看起来不同的问题，压缩成同一个问题。

一旦找到共同结构，你解决一次，就可能解决一大类问题。

这和软件工程里的抽象非常像。

一个优秀的程序员不会为每一个具体问题重新写一套逻辑，而是会寻找：

接口、模块、数据结构、设计模式以及可以复用的底层机制。

数学也是如此。

真正高水平的抽象，不是增加复杂度，而是在更高的层次减少重复。

十一、一个倒水问题，为什么可以变成几何问题？

数学还有一种很实用的能力：

把一个逻辑问题，转换成另一个更容易解决的问题。

比如经典的倒水问题：

有一个9升容器、一个5升容器，以及一个装满12升水的大容器。

如何通过倒水操作，得到6升水？

如果完全依赖试错，很容易陷入：

倒这里、再倒那里、重新装满、再倒一次……

但如果把每一个状态表示成一个坐标点，问题就发生了变化。

例如：

分别表示9升杯、5升杯和12升容器中的水量。

因为总水量始终保持12升：

因此原本的“三维状态空间”，实际上被限制在一个平面上。

于是，每一次倒水，都可以看成状态空间中的一次移动。

倒满一个杯子、倒空一个杯子、从一个杯子倒向另一个杯子……

这些操作对应的都是不同的边界和路径。

原本看起来杂乱无章的“倒水过程”，突然变成了一个几何搜索问题。

十二、这其实就是今天AI里的“状态空间思维”

这个例子看起来很古老，但背后的思想一点都不过时。

在人工智能、机器人、自动驾驶、强化学习等领域，我们经常需要处理一个类似的问题：

当前系统处于什么状态？

采取一个动作之后，会进入什么新状态？

哪些状态可以到达？

哪条路径成本最低？

这就是典型的状态空间思维。

所以，数学真正提供给我们的，并不只是某一道题的答案。

它提供的是一种转换问题的能力：

把一个难以处理的问题，转换成另一个更容易处理的问题。

这是数学与工程之间最有价值的连接之一。

十三、数学真正改变的，是我们看问题的方式

回头看这些看似毫无关系的故事：

微积分告诉我们，函数可以被看成无穷维空间中的对象；

傅里叶变换告诉我们，换一个坐标系，复杂问题可能突然变简单；

伽罗瓦理论告诉我们，研究根的对称性，可以直接判断方程是否存在根式通解；

高维几何告诉我们，三维直觉到了高维空间可能完全失效；

布尔巴基告诉我们，抽象的意义，是找到不同问题背后的共同结构；

倒水问题则告诉我们，换一个表示方法，复杂的逻辑过程也可以变成简单的几何搜索。

把这些放在一起，你会发现：

数学最核心的能力，也许从来不是计算。

而是建立模型、寻找结构、改变视角。

很多现实问题之所以难，并不是因为信息太少，而是因为我们一直在错误的坐标系里思考。

真正厉害的人，往往不是比别人多算了十步。

而是他突然发现：

根本没必要算这十步。

这可能就是数学最迷人的地方。

它让我们暂时跳出人的直觉，站到更高的抽象层次上重新观察问题。

当你开始习惯用“结构”而不是“表象”思考，很多原本混乱的事情，都会慢慢出现轮廓。

而这件事情，无论是在数学里，还是在今天的AI、软件工程和科学研究中，都依然成立。

数学不是让世界变得更复杂，而是在复杂世界里，帮我们找到那个最简单的结构。

参考链接： https://www.zhihu.com/question/576203009

Claude没证明黎曼猜想，却把人类纪录从41.6%干到67.2%！