菲尔兹奖得主王虹的NeurIPS论文：一场数学与AI的深度对话

一位纯数学家为何出现在AI顶会？ 王虹教授以纯数学研究闻名，却在NeurIPS 2019以共同一作身份发表一篇理论性极强的论文。这不是挂名，也非边缘参与，而是从问题建模、工具选择到证明构造全程主导的核心工作。它不依赖实验验证，不追求模型性能提升，却在机器学习基础理论上刻下清晰印记——这正是理论AI应有的样子。 低秩近似：一个被数学重新定义的问题 论文聚焦于低秩矩阵近似中的列子集选择（CSS）算法。现实数据常以巨型矩阵形式存在，直接处理成本高昂。CSS策略不生成抽象基向量，而是从原始数据中选出代表性列，用其张成的空间逼近全矩阵。这一方法兼顾可解释性、存储效率与计算可行性，是大数据场景下的关键基础工具。 突破在哪？不是新算法，而是新边界 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大幅收紧：当1≤p≤2时，上界为(k+1)^(1/p)；当p≥2时，上界为(k+1)^(1−1/p)。更关键的是，对p≥2情形，他们同时构造出匹配的下界，证明该结果在常数意义上已达最优——即理论天花板已被触达。 数学工具的越界之力 实现这一突破的关键，是引入调和分析中的Riesz–Thorin插值定理。传统理论计算机研究者较少使用该工具，而王虹团队巧妙利用它：先在p=1、p=2、p=∞三个端点完成严格证明，再通过插值自然延拓至整个区间。这种“端点控制+连续延拓”的思路，既规避了逐段分析的冗余，又确保结论普适而坚实。 放在今天，它依然是一篇标准的NeurIPS理论论文 NeurIPS 2026新增贡献类型分类，明确将Theory类论文独立出来，并强调：数学严谨性优先于实验规模；新证明工具的跨学科引入即属原创；对既有方法建立更紧界、揭示新性质，本身就是核心贡献。王虹这篇论文完全契合这一标准——它没有提出新模型，却为一类经典算法划定了迄今最精确的能力边界。 边界从来不是墙，而是接口 数学与AI之间，本无不可逾越的鸿沟。当调和分析的语言能精准刻画机器学习算法的极限，当菲尔兹奖级的抽象思维直指AI底层的结构性难题，我们看到的不是跨界猎奇，而是一种回归：回归问题本质，回归证明本源，回归知识生长的本来路径。