1991 年石根华提出数值流形法，得到过陈省身很高的评价。漫谈里提到，陈先生还留下过一个更大的疑问：

“分片堆叠的流形，能不能推广到任意复杂的区域？”

这是一个纯几何的问题。但它后来在两个毫不相干的世界里，各被回答了一次——一次在山体力学里，由石根华的数值流形法回答；一次在人工智能里，由神经网络回答。

更奇怪的是，两个答案是同一个。

而回答第二个问题的人——那些训练大模型的工程师——大多数并不知道自己在回答一个几何学家的提问。这篇文章想把这条线接起来：这套数学从黎曼一路走到神经网络，中间是怎么传下来的，又为什么会在 AI 里"无意中"重现。

1. 流形这一脉：黎曼 → 庞加莱 → 陈省身

数学有一条很长的暗线，主题只有一句话：怎么用局部，拼出整体。

黎曼最早把这件事做实。他研究多值函数时发现，与其在一张平面上硬塞一个会自我冲突的函数，不如把它铺到分层的曲面上——每一层局部都规则、可微，整体却能容纳分支和奇点。这就是流形思想的种子：整体可以很复杂，局部必须足够简单，简单到可以做微积分。

庞加莱把它代数化。他用单纯形、边界、胶合，把"局部怎么拼成整体"变成可以计算的拓扑：一个流形，就是一堆局部小块按相容的规则粘起来的东西。"覆盖"这个词，从他这里开始有了精确含义。

中间还有博雷尔和勒贝格补上的一块地基——开覆盖、有限子覆盖、紧性。它回答了一个很要命的技术问题：无穷多个局部小块，什么条件下能用有限个就把整体盖住。没有这块地基，"局部拼整体"只是直觉；有了它，才是能算的数学。

到陈省身，这条线收口成现代微分几何。其实回头看，数学每隔一阵就会做一次类似的"广义化"，节奏很像：

• 伽罗瓦把对称性变成可计算的对象——群论，从此"结构"本身成了研究对象。
• 庞加莱把空间的形状变成可计算的拓扑——1895 年的《Analysis Situs》，奠定了代数拓扑。
• 陈省身把这套几何推到全局——陈类、现代微分几何（1940 年代），让局部的几何量拼出整体的不变量。

每一步都是同一个手法：先承认整体太复杂、没法直接处理，再退回局部去找规则，最后用"覆盖"这套语言把局部重新拼回整体。陈省身做的，是让这套几何语言强大到能承载微分方程、能对接真实世界的物理。江泽涵有一句话被反复引用——透过微分方程的窗子，数学家看到现实世界的光。陈省身这一步，等于把那扇窗子彻底擦亮了。

2. 中国的一脉：姜立夫 → 江泽涵、陈省身 → 姜伯驹、石根华

这条流形/拓扑的线传到中国，根子上有一个常被略过的名字：姜立夫。他门下出了两位日后改写中国几何拓扑的人——陈省身和江泽涵都是他的学生；而后来在不动点理论上走得很远的姜伯驹，是他的儿子。下面这几支看似分开的人，其实共一个源头。

江泽涵把代数拓扑带进了北大，也带出了一整支人。

其中两支后来走得很远，而且都落在同一个题目上：不动点。

一支是姜伯驹，走的是纯粹的 Nielsen 不动点理论，是这个方向上国际公认的代表性工作。

另一支是石根华。1963 年他从北大数学系毕业、留校做研究生，师从江泽涵，主攻代数拓扑和不动点理论。他和江泽涵、姜伯驹一起发展了拓扑不动点理论，提出了"石氏类窝空间"与"石根华条件"。

值得一提的是，陈省身也是石根华博士委员会的成员之一——这条线又绕回了陈省身本人，也为后来数值流形法得到陈省身的高度评价埋下了伏笔。

到这里，石根华还是个标准的拓扑学家。真正特别的是他后来去的地方——他没有继续待在纯数学里，而是把这套不动点和流形的功夫，对准了岩石。

• 1968–1977 年，他做出了岩体稳定分析的赤平投影方法。
• 1980 年前后，系统完善了块体理论，发展出块体切割、单纯形积分，以及非连续变形分析（DDA）。这一段是他和伯克利的 Richard Goodman 一起做的，是岩石力学里绕不开的工作。
• 1991 年，他创立了数值流形法（NMM），拿到了陈省身的高度肯定。
• 2013 年，又系统构建了接触理论。

一个研究不动点的拓扑学家，转身去算一块石头会不会塌。听上去像是离开了数学，其实他是把数学带去了一个数学家通常不去的地方。陈省身那个疑问——分片堆叠的流形能不能推广到任意复杂区域——石根华是在工程现场把它答出来的。

3. 一个疑问，两个世界同时回答

陈省身的洞见可以浓缩成一句：复杂的整体行为，可以由层叠的、局部的分片流形构造出来。

这句话被印证了两次。

第一次在计算力学里，由数值流形法回答。 真实的岩体是最不讲道理的研究对象：不连续、带裂缝、有断层、会大变形、还会接触挤压。古典的解析方法在这种几何面前基本失效。NMM 的回答是：用层叠的分片光滑流形去逼近它，再复杂的物理区域都能处理。陈省身的几何直觉，在工程里被证明是对的。

第二次在 AI 里，由神经网络回答。 神经网络也是层叠的、分片的、局部光滑的流形——只不过它们不是被谁设计成这样的，而是从数据里学成这样的。同一种几何直觉，在两个互不知情的世界里各长了一遍。

差别只在一个字：石根华是把流形选出来的，神经网络是把流形学出来的。结构一样，来源不同。

接下来两节，把这个"结构一样"讲实——它具体一样在哪。

4. NMM 的核心：数学覆盖 vs 物理覆盖

数值流形法最漂亮的一招，是它把"覆盖"拆成了两层。

数学覆盖：由分析者选定。它是一张连续、规则、光滑的数学骨架——一堆互相重叠的局部小块，每块上面带一个级数展开。它跟你研究的那块石头长什么样没关系，是你主动选的理想化的连续结构。

物理覆盖：由材料给定。真实的物体自带边界——材料的棱角、断层、裂缝、切割线。把这些切下去，就形成了物理单元。这是被施加的、可观测的结构。

关键在于单元 = 两者的交集。真正参与计算的那个单元，是一块数学小块和一块物理区域相遇的地方。

打个比方：数学覆盖像一张半透明、规则的网格膜，是你自己铺上去的、连续光滑的；物理覆盖是膜底下那块真实的、带裂缝的石头。把膜盖上去，膜和石头的交线，才是你真正去算的单元。石头裂了，膜不裂——裂缝的信息通过"交集"进入计算，却不破坏底下那张光滑的数学膜。

这就是 NMM 能从局部走到整体、能处理不连续、能同时算正问题和反问题的原因：它把"在哪里逼近"（数学）和"材料实际在哪里"（物理）分开，再让它们相交。

5. 同一套结构，出现在神经网络里

现在把这两类覆盖搬到神经网络上，会发现它严丝合缝地对得上。

• 物理覆盖
• ，对应网络里可观测的东西：激活值、神经元/单元、数据流的结构。就像那块带裂缝的真实石头——你能测到它。
• 数学覆盖
• ，对应网络里隐藏的东西：它从数据里学出来的那层流形结构，符号和计算层面的骨架。就像那张光滑的数学膜——只不过这一次，没有人去画它，是网络自己学出来的。
• 而计算，发生在两者相遇之处。和 NMM 一个原理。

具体到一个 token：它并不活在某一层上，而是活在一摞堆叠的流形层里；网络的第一层 FFN 投影，做的就是一次局部覆盖。一个 token 在多个流形层中被分别表示，整体行为从这些局部分片里拼出来——又是陈省身那句话。

神经网络在没人告诉它的情况下，自己重建了石根华那套覆盖。它不是被设计成数值流形的，它是学成了数值流形。

6. 不动点：石根华的拓扑，和大模型的训练，是一回事

别忘了石根华的底色是不动点理论。这一节是这篇文章里我最想讲清楚的一层联系。

不动点是什么？给一个映射 T，那个满足 u = T(u) 的点——映过去还是它自己——就是不动点。不动点理论问三个经典问题：

1. 存在性
2. ：到底有没有解？
3. 唯一性
4. ：如果有，是不是只有一个？
5. 稳定性
6. ：解受一点扰动，还回得来吗？

这三个问题，正好是大模型训练每天在面对的问题，只是没人用这套词去讲。

神经网络的学习，本质上是在高维空间里找一个（近似的）不动点。把它写成残差的形式：f(x) − x = e(x)。当残差 e(x) 趋于零，系统就"停"在了不动点上——它不再变化，学习收敛了。更妙的是不同模态共享同一个数值形式："dog"这个词，和一张狗的图片，被嵌入到同一个 f(x) = x 的结构里，差异被折叠进同一套不动点的语言。

再往上一层，不同的训练范式，对应着对不动点类的不同操作：

• 预训练
• ：形成不动点类——在一片混沌里长出许多稳定吸引点。
• 指令微调
• ：对齐这些类别——把目标类别挑出来、强化。
• 强化学习
• ：驱动、扰动这些类别——把许多类别推得动起来。

所以石根华在拓扑里研究的不动点类，和大模型训练时在做的事，不是"像"，而是同一套数学。一个在抽象空间里刻画解的结构，一个在高维参数里寻找数值不动点——本质上是一回事。这也是马远和石根华那个 Deep Manifold 框架的一句话总结：神经网络，是一种基于不动点理论的可学习数值计算。

7. 马远：站在两个世界中间的人

这条线能被看见，靠的是一个同时在两个世界里待过的人——马远老师。

他 1986 年从同济大学建筑工程系毕业，很早就做过人工智能辅助工程制图。1989 到 1999 年师从石根华，发展了 Fourier 级数富集的数值流形和高阶非连续变形分析。后来他转进 IT，在微软研究院做过大数据和人工智能。

这份履历的关键，不是它长，而是它横跨：一头是石根华的工程数值方法，一头是现代 AI。

这种对应——神经网络和数值流形是同一套结构——没有一个两边都熟的人，是看不见的。只懂数值流形的人，不会去读 Transformer 的论文；只懂深度学习的人，没听说过 NMM 和不动点类。要让一个 1991 年的岩石力学方法，和一个 2020 年代的大模型对上号，得有人同时在两张地图上站过。2024 年起，马远和石根华正式合作，把这件事写成了 Deep Manifold 理论。

8. 这也解释了 AI 为什么"靠不住"

把神经网络看成反问题、看成找不动点，还有一个直接的副产品：它解释了 AI 为什么这么不稳。

数学里有个判据叫适定性：一个问题要算得"干净"，得同时满足存在、唯一、稳定。只要缺一个，它就自动被归为病态（ill-posed）。

而学习常常是个反问题——从观测到的结果，反推隐藏的结构——这类问题往往欠约束，容易在唯一性和稳定性上出问题，也就是偏"病态"。AI 表现出来的"锯齿状"（jagged）——能在一个任务上惊艳，又在一个看起来更简单的任务上摔得莫名其妙——多少就是这种欠约束在表面上的样子。

反问题数学早有一味药：正则化——给欠定的问题补上额外的约束、先验和边界，把它拉回到可解、稳定的范围。今天我们给大模型配的那一套，是同一味药的工程版：用脚手架（scaffolding）稳住多步推理，用检索和工具给它锚定外部事实，用约束框架（harness）圈住输出的边界。说到底，都是在给一个欠约束的内核补上外部约束，让它跑得更稳、更可靠。

而这恰好又回到了石根华的老本行。岩体本身就是不连续、带裂缝、不稳定的——工程师从来不去消灭裂缝，那不可能；他们给岩体配支护，让它带着裂缝照样稳住。给大模型配脚手架，和给山体配支护，是同一种思路。一个欠约束的内核，外面套一层工程的约束，才跑得稳。

9. 一个老传统：推进数学的，常常不是数学家

还有一层值得一提。回头看，把数学往前推的人，很多并不是职业数学家。

费马是法官，数论是他的业余爱好；帕斯卡、牛顿的动机一半在物理；图灵想的是计算与机器。他们带着各自领域的问题闯进数学，反而开出了新方向。今天训练大模型的工程师也是如此——他们追的是预测精度和工程指标，不是几何定理，却在无意中，把流形与不动点这套数学又往前推了一把。AI 不是这个传统的例外，而是它最新的一例。

结论

1. 流形/覆盖是一条长线
2. ：黎曼 → 庞加莱 → 陈省身，主题始终是"用局部拼出整体"。
3. 这条线传到中国
4. ：江泽涵 → 姜伯驹、石根华，把不动点和流形接在了一起。
5. 陈省身的疑问被两个世界同时回答
6. ：山体力学（NMM）和 AI（神经网络），答案是同一个。
7. 关键机制是两类覆盖
8. ：数学覆盖（选出/学出的光滑结构）与物理覆盖（给定/可观测的结构），计算发生在它们的交集。
9. 学习就是找不动点
10. ：不动点类对应预训练 / 微调 / 强化学习——这和石根华在拓扑里做的，是同一套数学。
11. 学习偏"病态"（欠约束的反问题）
12. ：正则化、检索、工具、约束框架（harness）给它补上外部约束——和给山体做支护，是同一种思路。

漫谈里有一句话我很喜欢——一块石头掉下来，最后总是会停下来的。 一个迭代系统，最后会停在它的不动点上。神经网络一边追着预测精度，一边在无意中，把黎曼、庞加莱、陈省身、江泽涵、石根华这一脉的数学，又往前推了一把。

如果陈省身看到这一点，大概会感到欣慰：他那个几何直觉——整体可由局部拼成——既活在数值流形里，也活在 AI 的兴起之中。