压缩，可能是理解数学的关键

附记：本文基于论文 Compression Is All You Need: Modeling Mathematics 整理改写。论文作者为 Vitaly Aksenov、Eve Bodnia、Michael H. Freedman 和 Michael Mulligan。Michael H. Freedman 是美国数学家，因证明四维广义庞加莱猜想获得 1986 年菲尔兹奖；后来长期在微软研究院工作，并参与拓扑量子计算等方向的研究。:contentReference[oaicite:0]{index=0}

这篇论文的核心问题不是“数学如何被机器证明”，而是更基础的问题：在人类能写出的所有形式推理中，为什么只有极少一部分会成为我们真正重视的数学？作者给出的答案是：人类数学之所以特殊，是因为它高度可压缩。:contentReference[oaicite:1]{index=1}

一、数学为什么能被人类理解？

数学为什么能被人类理解？

这个问题乍看有点奇怪。我们从小学加减乘除，到中学几何代数，再到大学微积分、线性代数，好像数学就是不断学习公式、定理和解题方法。但如果站在更高的角度看，问题会变得尖锐：数学中所有“形式上正确”的推理几乎是无穷无尽的。

只要从公理出发，按照逻辑规则一步步推下去，就能生成海量命题。其中绝大多数都是正确的，但没人关心。

比如，“n + 0 = n”是一个定理；“n + 0 + 0 = n”也是定理；后面再加一万个 0，它仍然正确。可是，这类命题虽然合法，却没有什么数学价值。

真正的问题是：在无穷无尽的正确命题中，为什么人类数学家会偏偏选择某些定义、某些定理、某些理论？什么样的数学才是“值得被发现”的数学？

《Compression Is All You Need: Modeling Mathematics》这篇论文给出了一个很有启发性的回答：人类数学的核心特征，是可压缩性。

这里的“压缩”，不是简单地把文字写短，而是指：用一个较短的概念、符号或定理，封装一大段复杂结构。人类真正关心的数学，往往是那些可以通过定义、引理、定理被反复封装和复用的结构。也就是说，人类数学并不是形式数学空间里的随机一小块，而是其中特别适合被压缩、命名、组织和传播的区域。

二、数学不是越写越长，而是越压越深

数学里的压缩，最常见的形式就是定义。

比如“连续函数”这四个字看起来很短，但如果完全展开，就要写出关于任意 ε、存在 δ 的精确定义。再往下展开，还会涉及实数、距离、绝对值、极限等更基础的概念。平时我们不会每次都把这些内容全部写出来，而是直接说“连续”。

这个词就像一个压缩包，把大量底层结构封装起来。

“群”“环”“向量空间”“拓扑空间”“流形”“测度”“积分”也都是类似的压缩包。一个好的数学定义，不只是为了方便记忆，而是为了让人能够把一大类现象当成一个整体来操作。

这也是数学不断发展的方式。数学不是把句子越写越长，而是把复杂结构压缩成更高层的概念。然后，新的理论又建立在这些高层概念之上，继续压缩、继续封装、继续复用。

所以，数学的深度并不只是来自难题本身，而是来自一层层概念之间的嵌套。一个现代数学定理表面上可能只有几行，但背后可能调用了几十层定义、引理和已有定理。它看起来短，是因为前人已经替我们完成了大量压缩工作。

从这个角度看，数学不是“堆积知识”，而是“组织知识”。数学家真正做的事情，往往不是制造更多孤立命题，而是找到更好的概念，把原本分散的现象统一起来。

三、为什么压缩如此重要？

论文用两个数学模型来说明这种差异：一个是自由阿贝尔幺半群 A_n，另一个是自由非阿贝尔幺半群 F_n。名字听起来很抽象，但直觉可以很简单。

A_n 像一袋积木。你只关心袋子里有几个红积木、几个蓝积木、几个绿积木，顺序不重要。先放红再放蓝，和先放蓝再放红，最后得到的是同一袋东西。

F_n 则像一串密码。每个符号的位置都重要。abc 和 bac 是完全不同的东西。只要顺序变了，整体就变了。

这两种世界的压缩能力差别极大。

在 A_n 这样的世界里，只需要很少的新符号，就能让表达能力迅速扩张。最熟悉的例子就是十进制。我们不用写一百个 1，而是写“100”；不用写一千个 1，而是写“1000”。只要引入 10、100、1000 这些符号，就可以用很短的表达覆盖极大的数量范围。

论文称，在 A_n 中，对数级稀疏的宏就能带来指数级表达扩张。换句话说，只增加很少的新概念，就能表达非常庞大的对象。

但在 F_n 这样的世界里，压缩困难得多。因为顺序非常重要，每一种长字符串几乎都需要单独处理。论文证明，在自由非阿贝尔幺半群中，即使宏的数量按多项式增长，表达能力也只能线性增长；如果想获得更强的扩张，就需要接近指数级数量的宏。

这背后的直觉是：如果一个世界里的对象彼此之间缺乏可复用结构，那么你就很难压缩它。你只能记住一个又一个孤立对象。但如果一个世界里存在大量共同模式，那么你就可以用定义把这些模式封装起来，再反复使用。

论文的核心判断就是：人类数学更像 A_n，而不像 F_n。它不是完全随机的符号串，而是高度结构化、可分解、可复用、可压缩的概念网络。

四、MathLib 暗示了什么？

为了检验这个想法，作者分析了 MathLib。

MathLib 是 Lean 4 中的大型形式化数学库，其中包含大量定义、引理、定理和证明。论文把 MathLib 当作人类数学的一个近似样本。当然，作者也明确提醒，MathLib 并不等于全部人类数学，它会受到 Lean 系统、形式化习惯和社区贡献方向的影响。

作者主要观察了三个量。

第一个是 depth，也就是一个数学对象向下展开时，要经过多少层依赖。第二个是 wrapped length，也就是它表面写出来有多长。第三个是 unwrapped length，也就是把其中引用的定义和定理全部展开之后，最终会变成多长。

结果很有意思：随着深度增加，完全展开后的长度呈指数级增长；但表面写出来的长度大体保持稳定。

也就是说，越往高层走，数学对象背后压缩的内容越庞大，但人类实际看到和操作的表达并没有同步变长。论文甚至提到，MathLib 中最长的某个元素完全展开后，长度大约达到 10^104 个原始项。

这说明，数学并不是靠人脑硬扛越来越长的推理链条，而是靠一层层抽象把推理链条折叠起来。人类能理解现代数学，不是因为大脑能直接处理天文数字般的底层符号，而是因为我们通过定义、定理和符号，把它们压缩成了可以操作的概念单位。

从学习者的角度看，这一点尤其重要。很多时候我们觉得高等数学“太抽象”，其实抽象并不是故意制造困难。抽象的目的，恰恰是为了降低复杂性。一个好的抽象，不是让问题更远离现实，而是把大量重复的细节隐藏起来，让我们能看见更高层的结构。

五、什么样的数学才“有价值”？

如果压缩是人类数学的核心，那么“数学价值”也可以从压缩角度重新理解。

一个好的定义，能把大量重复出现的结构统一起来。一个好的定理，能把复杂的推理浓缩成一句简洁的判断。一个好的理论，则能让许多原本分散的现象变成同一个框架下的不同表现。

论文后半部分区分了两类压缩。

第一类是还原压缩。一个表达式因为使用了定义而变短。比如“向量空间”这个词，压缩了关于加法、数乘、零元素、逆元素等一组公理。

第二类是演绎压缩。一句很短的命题，背后隐藏着很长的证明。一个定理越能用短命题承载长推理，它的压缩能力就越强。

真正重要的数学对象，往往不仅自己能压缩复杂结构，还会被后来的大量理论继续调用。它既是压缩的结果，也是新的压缩工具。因此，论文提出可以在 MathLib 的依赖图上做类似 PageRank 的分析：如果一个定理被许多重要定理依赖，它本身就可能是数学网络中的关键节点。

这对 AI 做数学也有启发。形式数学空间太大了，如果 AI 只是机械搜索，很容易生成大量正确但无意义的推理。更好的方向不是单纯扩大搜索，而是学会识别哪里存在可压缩结构，哪里值得引入新定义，哪里可能成为后续理论的支点。

这也解释了为什么“证明一个命题”不等于“创造有价值的数学”。一个命题可以是真的，但如果它不能压缩什么，不能连接什么，不能启发后续结构，它可能就只是形式空间中的一个孤立点。数学价值常常来自连接性、复用性和生成性。

六、对数学学习的启发：记忆还是理解？

这篇论文对普通学习者也有很大启发。很多人学数学时都会遇到一个问题：到底应该记忆，还是理解？

如果从“压缩”的角度看，记忆和理解并不是对立的。真正的理解，其实是一种高质量压缩；而机械记忆，只是低质量存储。

比如，一个学生死记硬背二次函数的很多题型，他当然也能做一些题。但这些题型之间如果没有被统一起来，它们就像一堆零散文件，占用大量记忆空间。一旦题目稍微变化，就不知道该用哪一个。

相反，如果他真正理解了二次函数的图像、顶点、对称轴、开口方向、判别式和根的关系，那么很多题型就不再是孤立的。他不需要分别记住几十种解法，而是能从同一个结构中推出它们。理解在这里起到的作用，就是把大量题目压缩成一个更高层的模型。

所以，数学学习中的“记忆”并不是没有用。公式、定义、典型结论当然需要记。但关键是，记忆应该服务于压缩，而不是替代理解。

低水平的记忆，是记住一个个答案。

高水平的记忆，是记住能生成答案的结构。

这也是为什么数学越往后学，越不能只靠刷题堆经验。初级阶段，很多题目可以靠模式识别解决；但进入更高层次后，题目表面差异越来越大，如果没有抽象结构作为支撑，记忆量会迅速爆炸。你会感觉“知识点太多”“公式太乱”“题型记不完”。本质上，这是因为你还没有找到更好的压缩方式。

学习数学的过程，可以理解为不断把知识重新打包的过程。刚开始，你看到的是一个个题目；然后，你把题目归纳成方法；再往后，你把方法上升为概念；最后，你会看到不同概念之间的结构关系。

比如学导数时，初学者看到的是求导公式；熟练一点的人看到的是函数变化率；再深入一点，会把导数和局部线性近似、极值、单调性、优化问题联系起来。这个过程不是知识越来越多那么简单，而是知识被组织得越来越好。

因此，好的数学学习不应该问：“我要不要背？”而应该问：“我背的东西能不能帮我压缩更多东西？”

如果一个公式只是孤零零地背下来，它很快会忘。但如果它连接着图像、定义、推导过程和典型应用，它就会变成一个压缩节点。你记住的不是一串符号，而是一组可以展开的关系。

这也解释了为什么“自己推一遍”很重要。推导不是为了考试时重写一遍，而是为了让你知道这个公式是从哪里来的、依赖什么、能解决什么问题。只有知道它在知识网络中的位置，它才不再是死记硬背的负担，而会变成可以调用的工具。

七、如何把“压缩”用在自己的学习中？

如果把数学学习看作寻找压缩结构，那么学习方法也会发生变化。

第一，不要只问“这道题怎么做”，还要问“这类题为什么可以这样做”。前者得到的是一个解法，后者得到的是一个结构。

第二，不要只记公式结论，还要追问公式背后的来源。一个公式如果知道推导过程，就更容易被理解；如果知道适用场景，就更容易被调用；如果知道和其他概念的关系，就更不容易忘。

第三，复习时不要只重复看笔记，而要重新组织笔记。真正有效的复习，是把零散知识重新压缩成层级结构。比如把一章内容整理成几个核心概念，再看每个概念下面有哪些公式、题型和典型应用。

第四，做题之后要提炼模式。刷题本身不是目的，刷题的价值在于帮助你发现哪些题其实是同一个结构的不同外观。如果每做一道题都只是多记一个答案，学习负担会越来越重；如果每做一组题都能压缩出一个方法，知识结构就会越来越清晰。

第五，要允许自己一开始“不压缩”。学习新内容时，最初感到混乱是正常的。因为你还没有找到合适的概念容器。理解往往不是一瞬间发生的，而是在多次接触之后，突然发现许多东西可以归到同一个结构下面。那一刻，就是压缩发生的时刻。

八、结语

“Compression Is All You Need”这个标题当然有一点夸张，但它抓住了数学中一个非常重要的事实：数学不是在无穷的形式推理荒漠中随机游走，而是在寻找那些可以被压缩、可以被命名、可以被复用的结构。

一个好定义，能让一大类对象变得可操作。一个好定理，能把漫长证明封装成简洁结论。一个好理论，能把分散现象组织成统一框架。

对数学家来说，创造数学不是制造更多正确句子，而是发现更好的压缩方式。对 AI 来说，真正有价值的数学推理，也不是在形式系统里盲目搜索，而是识别那些值得命名、值得复用、能够支撑后续理论的结构。

对学习者来说，数学学习也不是在记忆和理解之间二选一。记忆是必要的，但真正有效的记忆，应该建立在理解之上。理解的本质，就是把零散知识压缩成结构；而好的结构，可以反过来生成更多知识。

也许这就是数学最迷人的地方：它用有限的符号，封装无限的复杂性；用短短一个定义，打开一整片世界。