原文標題:《菲爾茲獎得主王虹,也發過NeurIPS》
原文來源:量子位
嗯?新晉菲爾茲獎得主王虹,也曾跨界做 AI?

NeurIPS 2026 出分在即,有網友扒出,王虹教授發過一篇NeurIPS 2019。
而且還不是掛名,是實打實的共同一作。

那麼問題來了,一個純數方向的頂尖數學家,為什麼會在 AI 頂會上發論文?
通讀下來,我們的結論是,這是一篇數學理論+機器學習的最佳範例。
不過有趣的是,在王虹個人主頁列出的將近 40 多篇論文和預印本中,幾乎每篇都附有完整鏈接。
唯獨這篇,是個例外。

這篇論文研究的,是機器學習和數據分析中的一項基礎任務:低秩矩陣近似。
簡單來說,現實中的數據通常可以整理成一個矩陣,但這些矩陣往往非常大,直接存儲和處理成本極高。
低秩近似就是用一個結構更簡單、秩更低的矩陣,盡可能準確地還原原始矩陣。
近來常用的近似算法是列子集選擇(Column Subset Selection,CSS)。

它的思路其實非常直觀。
在面對一個包含大量列的數據矩陣,不再直接求出一個全新的低秩矩陣,而是從原矩陣中挑出具有代表性的若干列,再用它們張成的空間去近似整個矩陣。
由於被 CSS 選出來的列直接來自原始數據,因此會比普通矩陣分解得到的抽象向量更容易解釋,同時它也能降低存儲和計算成本,適合處理大規模數據。
此前的研究证明,其中对于一般的低秩近似,CSS 算法的近似比上界大约是O(k+1)。
这里的 k 指的是目标矩阵的秩,k 越大,理论上允许的最坏误差就越大。

王虹等人的工作,则是把這個界進一步推進:
· 當 1≤p≤2 時,近似比為 (k+1)^(1/p);
· 當 p≥2 時,近似比為 (k+1)^(1−1/p)。
相較此前統一的 O(k+1) 結果,這一界明顯更緊,算法能夠被嚴格限制,最壞結果也只會比最優解差一點點。
另外,對於 p≥2 的情況,論文還構造了對應的下界,證明其結果精確到常數 1。
換句話說,這篇論文給出了近乎封頂的理論答案。
而這篇論文中最關鍵、也最能體現王虹數學背景的部分,是他們使用了來自調和分析的經典工具Riesz–Thorin 插值定理。
通常情況下,想證明一套算法在所有 p 值下都成立,需要針對不同的 p 分別展開複雜分析。
對於某些端點情況,例如 p=1、p=2 和 p=∞,則相對容易處理。
接著 Riesz–Thorin 插值定理可以在掌握這些端點結果後,把結論「插值」到中間的所有 p 值。
具體來說,論文先證明 p=1、2、∞ 三個特殊情況,再通過插值理論推出整個範圍內的近似界。
事實上,這套工具在調和分析和算子理論中屬於經典方法,卻並不是當時理論計算機科學研究者最常使用的技術。
NeurIPS 當年的審稿人也注意到了這一點。
審稿人最終認可這篇論文最主要的技術創新,就是往計算機領域引入 Riesz–Thorin 定理,最後的 Meta Review 則將它評價為一篇論證相當扎實的論文。
放到今天看,這篇論文其實也提供了一個非常典型的跨學科案例,機器學習的難題或許可以在純數學中找到突破口。
時間撥回到現在,NeurIPS 的審稿機制正在發生一次明顯調整。

NeurIPS 2026 要求作者在投稿時,從五種貢獻類型中選擇出最符合論文定位的一類:General、Theory、Use-Inspired、Concept & Feasibility 以及 Negative Results。
毫無疑問,王虹這篇 2019 年的論文屬於其中的Theory類型。
按照 NeurIPS 2026 最新審稿指南,理論論文首先考察的是數學嚴謹性和正確性。證明、引理和整體邏輯必須成立,所以理論論文並不需要因為缺少實驗而受到忽視。
同時 NeurIPS 2026 明確指出,理論貢獻可以獨立建立,設計新算法的目的也不一定是擊敗最新應用模型或最大數據集上的 SOTA。

在原創性方面,也可以從其他學科引入新的證明工具,或對既有工具進行創新性綜合。
而這幾乎就是王虹這篇論文的精準描述。
他們沒有提出一個今天意義上的神經網絡架構,也沒有訓練參數量巨大的模型,而是把調和分析中的插值定理引入低秩近似,解決近似算法界限問題。
放到 2026 年的評審框架中,它依然是一篇非常標準的 NeurIPS 理論論文。
它也反向說明,NeurIPS 並不等於神經網絡模型發布會,對已有方法給出新的理解、發現新的性質、建立更緊的理論界限,同樣屬於有價值的原創貢獻。
至於數學和 AI 之間的邊界,也從來沒有想像中那麼清晰。
菲爾茲獎得主能發 NeurIPS,數學語言也能為 AI 找到它真正的通解。
參考連結:
[1]https://proceedings.neurips.cc/paper_files/paper/2019/file/80a8155eb153025ea1d513d0b2c4b675-Paper.pdf
[2]https://neurips.cc/Conferences/2026/ReviewerGuidelines
[3]https://sites.google.com/view/hongwang/home
[4]http://xhslink.cn/o/8oQ3gm7qaxu
原文連結
歡迎加入律動 BlockBeats 官方社群:
Telegram 訂閱群:https://t.me/theblockbeats
Telegram 交流群:https://t.me/BlockBeats_App
Twitter 官方帳號:https://twitter.com/BlockBeatsAsia