来源：市场资讯郑州股票配资公司
（来源：图灵人工智能）
您想知道的人工智能干货，第一时间送达
2026 年 3 月，菲尔兹奖得主 Michael Freedman 发了一篇只有 30 多页的论文，标题叫《Compression is all you need》。他用一个优雅的代数模型回答了三个古老问题：人类怎么构建数学？人类数学和形式数学的本质区别是什么？未来人类数学家如何和 AI 协作？答案只有两个字——压缩。
2017 年 6 月，Google Brain 的八个人把一篇论文扔上了 arXiv。
标题狂得不像论文：《Attention Is All You Need》。
九年过去了，这个标题成了 AI 史上最著名的七个单词。基于它的 Transformer，撑起了 ChatGPT、Gemini、Claude、DeepSeek、万亿市值、一代人的焦虑。
2026 年 3 月 27 日，又一篇论文悄悄上了 arXiv。标题只有七个单词，格式一模一样：
Compression is all you need: Modeling Mathematics
看到这个标题，任何做 AI 的人都会下意识笑一下——\"又一个蹭热度的\"。点开作者一栏，笑容消失。
Michael Freedman。
这不是什么 ML 工程师。这是 1986 年菲尔兹奖得主，四维庞加莱猜想的证明者，过去二十年微软 Station Q 的灵魂人物，当今在世的数学家里戏份最重的那一批。
他在写 AI？不是。他在告诉所有搞 AI 的人：你们一直在用的那个词\"压缩\"，其实比你们想象的要深得多。
这篇文章不是《Attention Is All You Need》那种工程突破。它是一封信——一位数学家，用他毕生训练出来的直觉，回答了三个困扰人类上千年的问题：
人类究竟是怎么构建数学知识的？
人类做的数学，和形式化的\"纯逻辑数学\"，本质区别是什么？
未来的人类数学家，到底该怎么和 AI 协同工作？
他给出的答案，只有一个词：压缩。
今天这篇文章，就把这封信翻译给你。
第一章：Freedman 是谁
先说清楚为什么这个人开口说话，AI 圈必须听。
1981 年，三十岁的 Freedman 在加州大学圣地亚哥分校解决了四维庞加莱猜想——这个问题悬了 77 年。三维版本让 Perelman 在 2006 年拿到菲尔兹奖（他拒绝了）；五维以上早在 60 年代就被解决。唯独四维——卡在最要命的那个维度——是 Freedman 攻下来的。
1986 年，柏克莱，国际数学家大会。Freedman 领走了菲尔兹奖。
1997 年，Freedman 做了一件数学家很少做的事——从学术界出走。微软给他开了一个几乎是为他量身定做的部门 Station Q，目标只有一个：用数学家的思路造拓扑量子计算机。他当了主任，一干就是二十五年。
2023 年，他回到哈佛 CMSA（数学与应用中心），换了一个身份：思考 AI 和数学的关系。
所以当 Freedman 这个人在 2026 年 3 月扔出一篇叫《Compression is all you need》的论文——这不是某个追热点的研究员，这是一个一辈子在数学内部看世界的人，突然转身跟所有人说：
\"我看清楚了一件事。你们要听吗？\"
第二章：一个让所有人尴尬的事实
Freedman 论文的切入点，是一个数学界人尽皆知、但几乎没人能解释的尴尬事实。
先建立两个概念：
形式数学（Formal Mathematics, FM）
：所有合乎逻辑规则的推演。
人类数学（Human Mathematics, HM）
：人类真正写下、收录、引用的那部分数学。
FM 的空间有多大？假设你有 n 个基础符号，组合出来的\"合法推演\"是指数级——n 上百以后就超过了整个宇宙里的原子数。
HM 呢？从欧几里得到今天所有数学家加起来写过的定理，约百万量级。Lean 4 的 MathLib 收录其中约 14 万条。
两个数字并排写
FM：> 1080HM：~ 105中间隔了 75 个零。
人类数学，是形式数学这个宇宙里一粒尘埃都不到的小角落。
而且——为什么是这一粒？
FM 里有无穷无尽的\"合法但无聊\"的定理。比如：\"对任意整数 n，n + 0 = n\"，\"对任意整数 n，n + 0 + 0 = n\"，\"对任意整数 n，n + 0 + 0 + 0 = n\"……每一条都合法，每一条都无意义。人类数学家从来不写这些。
一百年来这个问题有过无数个哲学回答：\"美\"\"简洁\"\"有用\"\"深刻\"——都是词语的游戏。没有一个是数学答案。
直到 Freedman 2026 年给出了第一个能算的回答：
因为 HM 是 FM 里那个\"可压缩\"的子集。
第三章：压缩——先站在日常地面上
Freedman 说的\"压缩\"是什么意思？先别想数学，先想几个你已经懂的例子。
例子一：Huffman 编码
你家猫叫小花。照片里出现最多的动作是\"睡觉\"（4000 次），其次\"吃饭\"（3000）、\"抓沙发\"（2000）、\"发呆\"（1000）。
固定 8 位编码：80000 位。Huffman 编码：\"睡觉→0；吃饭→10；抓沙发→110；发呆→111\"——19000 位。压缩率 4 倍，没有丢失任何信息。
只要事物分布是不均匀的，就存在压缩。
例子二：牛顿三定律
宇宙里每一秒都在发生无数次的运动：苹果落地、月亮绕地、弹簧振动、子弹出膛、潮汐起落……你想记录所有这些运动，需要多少信息？
不需要。
你只需要记住 F = m·a，外加两条（惯性、反作用），就能重新生成上面所有运动。
牛顿三定律是一个几十字符的程序，它编码了经典力学的全部。
例子三：zip 文件
\"to be or not to be, that is the question; to be\"——把反复出现的\"to be\"和\"the\"命名成 A、B，之后只写名字。这是 LZ77 算法（zip / gzip / PNG 的底层），1977。
例子四：大型语言模型
喂整个互联网给 LLM——几万亿字、几百万小时文本。训练完得到几百亿参数的模型（几百 GB）。它能生成类似训练集里的任何内容。
这件事，用信息论的语言说叫：LLM 就是互联网的一次有损压缩。
DeepMind 2023 年做了一件让人血压升高的事：他们把 Chinchilla 70B 当成一个通用压缩器，用它去压缩原始字节流——不仅是文本，还有从没训练过的图像和音频。结果：
文本压缩率：比 gzip 好很多
图像压缩率：比 PNG 好
音频压缩率：比 FLAC 好
一个只训练了语言的模型，居然能压缩它从没见过的图像——因为它学到了\"通用的世界结构\"。
任何\"理解\"的行为，本质都是找到更短的描述。这不是比喻。这是 Freedman 论文的出发点。
第四章：Freedman 的建模——字符串和\"宏\"
Freedman 说的第一件事：把数学推演当成字符串。你在黑板上写证明，本质就是一串字符。所有\"合法的证明字符串\"排起来——就是 FM。
但数学家从来不这样写。他会说：\"设 f 在 [a, b] 上连续，则 f 一致连续。\"
\"连续\"是一段定义，展开约三行字符。\"一致连续\"是另一段，展开约五行。表面 20 个字，完全展开超过 100 个字符。继续挖下去——一条\"短句子\"背后，是一棵很深的定义树。
Freedman 给这种\"名字 → 一段长字符串\"的约定起了个名字：宏（macro）。
\"连续\" = 一个宏
\"一致连续\" = 一个宏
\"积分\" = 一个宏（调用\"极限\"\"分割\"\"黎曼和\"的宏）
\"勒贝格积分\" = 一个宏（调用\"测度\"\"可测函数\"的宏）
\"黎曼-勒贝格引理\" = 一个宏（调用以上所有）
一条现代定理\"完全展开\"往往是亿级字符。但数学家永远只看最外层。
数学家的工作，就是不断造宏。一位数学家的一生，可能就干了一件事——看到了一个之前没人压缩过的模式，给它起了一个名字。
高斯给\"正态分布\"起了名字。黎曼给\"流形\"起了名字。伽罗瓦给\"群\"起了名字。康托尔给\"集合\"起了名字。图灵给\"可计算性\"起了名字。香农给\"熵\"起了名字。
你今天学的所有数学，都是在站在前人造好的宏上。如果不能层层压缩，人类根本学不动数学。
第五章：$A_n$ vs $F_n$——两种宇宙
到这里一切都是直觉。Freedman 接下来要做的，是把这个直觉变成数学。
他引入两个代数对象（别紧张，用直觉讲）：
A_n 像拼乐高
你有一堆乐高积木——红、蓝、绿。红拼蓝上加绿，还是先绿再蓝再红——最后模型一样。顺序无关紧要，只在乎哪些积木。
F_n 像编辫子
先压左绳再压右绳，和先压右再压左——得到的辫子完全不一样。顺序决定一切。
Freedman 的定理说了一件\"漂亮得像魔法\"的事：
Freedman 的核心代数发现
在 An 里，只要用 O(log n) 个宏（对数级稀疏），就能让表达力指数级扩张。在 Fn 里，就算用 O(nk) 个宏（多项式级稠密），表达力也只能线性扩张。
同样的\"造宏\"策略，在两种宇宙里结果天差地别——可压缩性是结构性的。
用大白话翻译：
在\"乐高宇宙\"里，造几个宏顶一万个宏——积木自由组合，宏之间也自由组合
在\"辫子宇宙\"里，造再多宏也救不了你——顺序是死的，每个组合都得单独记
这个对比为什么重要？因为它告诉我们：\"可压缩性\"不是普世的，它只在特定结构里才存在。
数学里的加法、乘法、集合并、函数复合——都是可交换或近似可交换的。所以数学是可压缩的。
那人类的语言呢？主语动词宾语顺序很要命——\"狗咬人\"和\"人咬狗\"不是一回事。所以语言压缩程度远低于数学。
那生物学呢？DNA 顺序至关重要——所以生物学长期是描述性的，没有\"F = m·a\"级别的简洁定律。
那LLM 的参数空间呢？第八章再说。
第六章：MathLib 实证——数据来说话
光有理论不够。Freedman 做了一件让这篇论文从\"哲学随笔\"升级成\"硬科学\"的事：把模型拿到真实的人类数学上验证。
测试对象：MathLib——Lean 4 的数学形式化库，14 万条定理，覆盖代数、分析、拓扑、数论、范畴论……
对每条定理，测三个量：
depth
：嵌套深度
wrapped length
：定义里的 token 数
unwrapped length
：完全展开后的原始符号数
结果 1：unwrapped length 随 depth 指数爆炸。
越深，完全展开后字符数按指数增长。到深度 10+，展开一条定理就要数千万字符。
结果 2：wrapped length 几乎是常数。
但数学家写出来的定义，无论 depth 是 2 还是 12，长度几乎不变——永远就是几十个 token。
数学家从来不写很长的定义。每当一个东西变复杂，数学家的第一反应是：先给它起个名字，然后用名字继续。
unwrapped 指数爆炸，wrapped 岿然不动——数学家每到一层就造一个宏，把复杂性压回来。
结果 3：数据完美符合 A_n，严重违反 F_n。
Freedman 把两种模型的理论曲线画在同一张图上。An 的指数扩张曲线严丝合缝地盖在实测数据上。Fn 的线性曲线差了好几个数量级。
人类数学，生活在 An 模型预测的那个可压缩子空间里。这不是隐喻，是可测量的事实。
第七章：三个古老问题的答案
现在可以回到开头的三个问题了。Freedman 给的答案，每一个都短到令人震撼。
问题一：人类究竟是怎么构建数学知识的？
层层压缩。每一代数学家看到前一代的成果，找出其中\"可以起名字\"的部分，造新的宏，然后在新宏之上继续推演。整个数学史就是一部宏的积累史。
欧几里得给\"点、线、面\"起名字 → 笛卡尔给\"坐标\"起名字 → 牛顿给\"导数\"起名字 → 柯西给\"极限\"起名字 → 康托尔给\"集合\"起名字 → 希尔伯特给\"空间\"起名字 → 格罗滕迪克给\"概形\"起名字……每一层，都比上一层压缩了更多。
问题二：人类数学和形式数学的本质区别是什么？
可压缩 vs 不可压缩。FM 里大部分定理是\"合法但无聊的\"——没有结构、不能被起名字、没法进一步用。HM 是 FM 里那个碰巧活在 An-like 子空间的小角落。
人类数学之所以是\"人类\"的，恰恰是因为人类的认知带宽极其有限——我们只能在那个可压缩的子空间里活动。而那个子空间的存在，是宇宙给我们的礼物——如果它不存在，人类压根不会有数学。
问题三：未来人类数学家怎么和 AI 协同？
AI 的长处是在 FM 的巨大空间里并行搜索——因为它有我们没有的带宽。人类的长处是判断哪些地方\"值得起名字\"——因为我们有五万年的语言和抽象训练。
这不是 AI 取代数学家，也不是数学家训练 AI。是两种不同认知带宽的分工协作。
Freedman 还具体建议：在 MathLib 的依赖图上跑 PageRank + 压缩度分析。一条定理如果被很多下游定理引用（PageRank 高），又能大幅压缩下游内容（压缩度高），那它就是核心定理——值得人类数学家投入，值得 AI 优先搜索。
这把\"什么是重要的数学\"从一个主观判断，变成了一个可以算的量。
第八章：这对 AI 意味着什么
第一个含义：AI 做数学的路线图，清晰了。
2024 年以来：DeepMind 的 AlphaProof 在 IMO 上拿银牌；陶哲轩公开宣布 Lean 4 是工作流的一部分；DeepMind 的 FunSearch 在组合数学里发现了新定理；专门的数学 LLM 涌现。
所有这些，Freedman 的框架都给了同一个解释——它们在 FM 的巨大空间里搜索，但它们能成功的地方，恰恰是 HM 已经压缩过的地方。
AI 的数学能力，是站在人类两千年\"造宏\"的结果之上的。脱离了 MathLib 里那 14 万条定理，AI 在纯 FM 里就像撒哈拉沙漠里找一粒米。
下一步的突破，不会来自于让 AI 在 FM 里搜索得更快——而是让 AI 学会\"自己造宏\"。
第二个含义：LLM 是什么？答案变清楚了。
DeepMind 那篇《Language Modeling Is Compression》（2023）给出了第一层答案：下一个 token 预测 = 算术编码下的压缩率最大化。训练时的 cross-entropy loss，严格来讲就是\"对训练集的压缩率\"的负对数。loss 越低，压缩率越高，理解越深——不是比喻，是数学恒等。
但 Freedman 给出了第二层答案：LLM 会用宏，但不会造宏。
LLM 训练时吃了整个互联网——里面充满了人类两千年造出来的宏（\"微积分\"\"进化论\"\"民主\"\"熵\"\"注意力\"……）。LLM 学会了在这些宏之间自如穿梭——所以它在\"单步推理\"上惊艳。
但在\"长证明\"上——它崩溃。一条需要造新宏的证明，LLM 很难稳定完成。因为它没有在训练中见过这个宏，它不会从零定义一个新概念然后在新概念上继续推演。
这正好是 Freedman 说的\"层层压缩\"里的\"层\"——每一层都是一次新的命名。LLM 在一层内表现惊艳，跨层就断。
第三个含义：为什么 LLM 的 scaling 可能有上限。
如果智能本质是\"层层压缩\"——造宏、在宏上造宏——那么单纯把模型变大，增加的是单层的带宽，不是层数。
一个更大的 LLM，能用更精细的宏、更大的词表、更长的上下文。但它造新宏的能力，没有因为变大而获得质变。
LLM 是一个宏使用器。真正的智能是一个宏生成器。
—— 这呼应了《世界模型之争》里 LeCun / 李飞飞 vs Ilya 那场口水战。Ilya 说的是\"用宏\"的上限还没到，LeCun 说的是\"造宏\"的能力根本还没开始。
第八章半：数学之外——诗、画、乐也是压缩
Freedman 的论文从头到尾只谈数学。但如果\"压缩即理解\"真的是宇宙级的事实，它就不该只在数学里成立。
我写到这里的时候，脑子里跳出来的是王维。
大漠孤烟直，长河落日圆。
十个字。没有修饰、没有形容词、没有一个\"情\"字。但你读完这十个字，眼前立刻浮起一张画——辽阔、空旷、孤直的一缕烟、浑圆的落日压在地平线上。紧接着，是一股你说不出但确实感到的苍凉和孤寂。
这十个字背后，藏着多少信息？视觉上是一幅完整的西北边塞画面；几何上是\"直\"与\"圆\"的极简构图对比，一竖一圆撑起整个空间；时间是日落的那个瞬间，一天将尽；心境是使者独自远行的孤独、远离故土的怅然；背景是盛唐边塞诗的整套意象系统。用散文来复述，上千字都说不完。王维用十个字，把它压缩成了一个可以在你脑中重新展开的种子。
这和 Freedman 论文里讲的\"宏\"是同一件事。\"大漠\"\"孤烟\"\"长河\"\"落日\"，每一个都是一个宏——它调用了中文文学两千年积累的意象、画面、情绪。王维的天才不是\"写得漂亮\"，而是挑出了那四个展开之后信息量最大的宏，把它们摆在一起。
音乐是另一个面孔。贝多芬第五交响曲的开头只有四个音：ta-ta-ta-tum。但这四个音在整首交响曲里被变形、重组、上行、下行、反转了几百次。一首四十分钟的交响曲，本质上是从一个四音动机里压出来的——这就是作曲家说的\"主题与变奏\"，用 Freedman 的话讲就是：造一个宏，然后在宏的空间里自由展开。
绘画也是。齐白石画虾，不画水、不画水草，只画虾——你看到的是虾，感受到的却是整个池塘。留白不是\"没画\"，是让观者自己在心里展开那一大片信息。八大山人一只翻白眼的鸟，你读出了整个明末遗民的心境。
为什么所有艺术都指向同一件事？我的猜想是这样的：
人类的大脑，能同时握住的\"维度\"是有限的。几千个脑细胞组成的注意力，在某一刻只能在一个相对低维的空间里做关联。
所以我们分科——有人专心在数学的维度里找可压缩的结构（几何、群、流形），有人专心在语言的维度里找（意象、节奏、双关），有人专心在声音的维度里找（和声、调性、动机），有人专心在视觉的维度里找（构图、比例、留白）。不是因为这些领域彼此无关，而是因为一个人扛不动所有维度。我们用自己天生敏感的那一条通道去压缩世界，彼此隔行如隔山——其实隔的不是山，是我们自己的认知带宽。
而 LLM 第一次给了\"把维度连起来\"这件事一个物理基础。
几千亿参数的模型，其内部表示空间的维度，远远超过任何一个人类个体能同时调用的维度。于是很多在我们看来\"不相关\"的东西——一首宋词、一段巴赫的赋格、一个偏微分方程、一张水墨画——在那个高维空间里，开始出现彼此对齐的方向。
LLM 的涌现，不是神秘的玄学，而是：当压缩维度大到一定程度，原本散落在不同学科的宏，开始互相调用。\"熵\"这个宏，在物理、信息论、经济学、心理学里，突然变成同一个东西；\"对称\"这个宏，在群论、晶体、音乐、诗歌里，突然变成同一个东西。这大概就是跨域泛化，就是所谓\"世界模型\"的雏形。
所以，数学、诗、画、乐，不是四件不同的事。它们是同一件事在四种媒介上的投影。
王维不是\"诗人而已\"，他是一个在语言维度上找可压缩结构的人。欧拉不是\"数学家而已\"，他是一个在符号维度上找可压缩结构的人。贝多芬不是\"作曲家而已\"，他是一个在时间维度上找可压缩结构的人。齐白石不是\"画家而已\"，他是一个在视觉维度上找可压缩结构的人。
殊途同归。万物为一。
我们每个普通人，只是在自己最敏感的那条通道里，做着同一件事——把复杂的世界压成一个自己能握住的短描述，然后靠这个短描述活下去。
Freedman 用代数模型证明了：数学之所以存在，是因为它活在一个 A_n-like 的可压缩子空间里。我想补一句他没说的：人类文明之所以存在，是因为它活在无数个可压缩子空间的并集里。数学只是其中最干净的那一个，但不是唯一的一个。
第九章：四种概率观的收束
写到这里，忍不住回头看一眼这一年来博客走过的路。
一条主线贯穿了四篇文章——每一篇都在用不同的视角看同一个数学对象 P(x)：
视角
P(x) 是什么
核心论述
代表人物
贝叶斯
信念
证据到了就更新
Bayes / Jaynes
无知
熵是无知的度量
Boltzmann / Shannon
量子 QBism
实在
概率是世界本身的状态
Born / Fuchs
压缩（本文）
理解
-log P 就是描述长度
Shannon / Freedman
这四个视角指向同一个公式：
L(x) = − log P(x)贝叶斯派
：L(x) 是\"意外\"，驱动信念更新
统计力学派
：L(x) 是微观状态对熵的贡献
QBism 派
：L(x) 是测量结果在下次下注时的权重
压缩派
：L(x) 是这个事件在最优编码里占的字符数
它们是同一个数学对象，从四个不同的哲学位置看。
Freedman 这篇论文的意义是——他把这个公式从\"一个信息论工具\"升级成了\"数学本身的基础\"。数学之所以能存在，是因为宇宙可压缩；人类之所以能做数学，是因为我们活在 An 那样一个低描述长度的结构里。
第十章：压缩留下的三个直觉
一、所有\"理解\"都是压缩。
你理解了一个现象，意味着你能用比原始数据短得多的描述重新生成它。做到这一点，你就理解了；做不到，你就只是在记忆。
二、数学独特之处，是它能做\"嵌套的压缩\"。
不止一次压缩，而是\"在压缩之上再压缩\"。每一代数学家把上一代结果打包成一个名字，然后在那个名字上继续工作。这个递归过程，是其他学科没有（或者没有这么强的）。
三、数学、诗、画、乐，是同一件事在四种媒介上的投影。
每个领域的大师，都是在自己那条通道里做可压缩子空间的挖掘者。王维的\"大漠孤烟直，长河落日圆\"和欧拉的 e^(iπ)+1=0，本质同构——都是把庞大的信息压成一颗能在别人脑中重新展开的种子。我们分科，不是因为世界是割裂的，是因为一个人的认知带宽不够。LLM 第一次让这些分科的宏在同一个高维空间里开始互相调用——这就是所谓的涌现和泛化。
四、AI 要做真正的数学（和深度智能任务），必须学会\"造宏\"而不只是\"用宏\"。
\"用宏\"是工程问题——扩大上下文、提高精度、叠更多层。\"造宏\"是认知问题——从混乱现象中看出一个可以命名的模式。
目前所有 LLM 的 scaling 都在\"用宏\"的层面上。真正的突破——不管它叫 AGI、叫 JEPA、叫世界模型、还是叫别的——一定出现在 AI 开始自己造宏的那一天。
尾声：你在读这篇文章，就是在压缩
Freedman 写完这篇论文大概花了一年。我写这篇文章带上查资料画图，大概八小时。你读它，大概二十分钟。
一年 → 八小时 → 二十分钟。
每一次压缩，都有损失。 但每一次压缩，也都有获得——你能在二十分钟里带走一个新的看世界的方式。
你读完过几天，记得的大概只有几个关键词：压缩、宏、乐高和辫子、MathLib、造宏而不是用宏。
这就是又一次压缩。
如果这几个关键词以后在你遇到别的问题时——学一个新领域、读一篇论文、训练自己的模型、带一个学生、甚至只是想一件事——还能被你调用，那说明它们在你脑子里成了新的宏。
你也在做 Freedman 说的那件事。
数学家、程序员、作家、老师、学生——所有\"用头脑工作\"的人，每天都在干同一件事：把世界的复杂，压进一个可以用的短名字。
下一次有人问你\"什么是智能\"的时候——你可以换一种回答了。
不是\"处理信息\"。不是\"模式识别\"。不是\"深度学习\"。是：
找到更短的描述。—— 压缩，即是全部。
下一篇，回到《看见物理》系列的最后一站——对称性。诺特定理、杨振宁、宇宙的骨架。对称性和压缩是一对孪生姐妹——有对称就有守恒，有守恒就有可压缩的描述。
—— 所以，实际上我们还在同一个故事里。
本文首发于「AI 学习笔记」博客：https://Jason-Azure.github.io/ai-blog/posts/compression-is-all-you-need/微信公众号：AI-lab学习笔记参考：Freedman, Compression is all you need: Modeling Mathematics, arXiv 2603.20396 (2026-03)
证配所官网提示：文章来自网络，不代表本站观点。
- 上一篇：股票配资开户费用 莫迪的难题！孟加拉国把15年旧账甩给中国，印度把自己玩脱了
- 下一篇：没有了
相关文章
热点资讯
