跨界不是偶然，而是数学语言的自然延伸 王虹并非临时“转行”做AI，而是以纯数学家的思维切入机器学习的基础问题。她参与完成的NeurIPS 2019论文，聚焦于低秩矩阵近似中的列子集选择（CSS）算法，目标不是设计新模型或调参优化，而是回答一个根本性问题：这类算法在最坏情况下，误差究竟有多大？ 低秩近似为何重要 现实数据常以巨型矩阵形式存在——图像像素、用户行为、基因表达……直接处理成本过高。低秩近似试图用更简洁的结构还原信息，而CSS方法的独特价值在于：它不生成抽象向量，而是从原始数据中挑选真实存在的代表性列。这既保留可解释性，又大幅降低存储与计算开销，是面向大规模场景的实用路径。 突破来自数学工具的迁移 此前研究给出CSS近似比的上界为O(k+1)，其中k为目标秩。王虹团队将这一界限显著收紧：当1≤p≤2时，上界为(k+1)^(1/p)；当p≥2时，为(k+1)^(1−1/p)，并为后者构造了匹配的下界，证明结果在常数意义上已达最优。 实现这一突破的关键，并非工程技巧，而是调和分析中的经典定理——Riesz–Thorin插值定理。该方法允许研究者先攻克p=1、p=2、p=∞三个端点情形，再系统延拓至整个区间。这种“端点+插值”的证明范式，在当时理论计算机领域尚属少见，却恰好契合问题本身的结构本质。 理论的价值无需实验背书 这篇论文没有代码、没有对比实验、没有SOTA指标，却在NeurIPS获得高度认可。它体现的是理论工作的核心标准：定义清晰、假设合理、推导严密、结论紧致。今天NeurIPS 2026明确将“Theory”列为独立贡献类型，强调数学正确性优先于工程表现——这恰恰印证了王虹工作的前瞻性。 边界本就不存在 所谓“数学”与“AI”的分野，更多是学科建制的产物，而非知识本身的隔阂。当一个问题足够本质，它的解法终将跨越标签。王虹的工作提醒我们：真正的创新常生于交叉地带，而最锋利的工具，有时就静静躺在另一门学科的经典教材里。