邓煜团队破解希尔伯特第六问题：为AI世界模型提供跨尺度数学证明

2024年菲尔兹奖揭晓，华人数学家邓煜因其在希尔伯特第六问题上的突破性工作引发广泛关注。尽管同届获奖者王虹在社交媒体上热度高涨，邓煜却保持低调。然而，他与Zaher Hani、马骁共同完成的研究，恰恰触及了当前人工智能发展中的一个核心盲区：如何从微观规律可靠地推导出宏观行为。

什么是希尔伯特第六问题？

希尔伯特第六问题提出于1900年，旨在“用公理化方法建立物理学”。通俗地说，它追问：当我们完全理解单个基本单元（如分子）的行为后，是否能严格推导出由无数单元组成的系统（如气体或流体）的宏观规律？这不仅是数学物理的百年难题，也映射到AI时代的多个领域——从蛋白质折叠到市场预测，从细胞反应到大模型的“能力涌现”。

邓煜团队的关键突破

邓煜团队在2024年证明：在稀薄气体的硬球模型下，牛顿力学系统在任意有限时间内可严格收敛至玻尔兹曼方程——只要后者在此期间保持良好性质（无奇点、解光滑）。2025年，他们进一步将该结果扩展至二维和三维周期空间，并与已有流体力学极限理论衔接，首次打通了从微观粒子→介观统计→宏观流体的完整数学链条：
牛顿硬球系统 → 玻尔兹曼方程 → Euler / Navier–Stokes–Fourier 方程。

“闭合”：世界模型的真正门槛

该工作的核心在于解决了“闭合”（closure）问题：宏观变量（如密度、温度、流速）能否独立决定系统未来演化，而无需回溯所有微观细节？若不能，则所谓“宏观模型”不过是微观仿真的包装。邓煜团队的成果表明，在特定条件下，这种压缩是数学上可证可靠的——这为构建可信的跨尺度模型提供了范式。

AI世界的“尺度跃迁”困境

当前AI在多个前沿领域正遭遇类似的尺度鸿沟：
- AI for Drug Discovery：分子结合≠细胞响应≠患者疗效，每层尺度都需新的表示与验证；
- Agent Society：精准模拟个体不等于能预测群体行为，社会反馈与相关性构成复杂网络；
- Grokking与Emergence：小模型机制未必适用于大模型，scaling law描述现象但未解释本质；
- 天气、机器人与企业组织：局部优化常被系统级协调成本抵消，规模扩大≠智能涌现。

真正的世界模型：知道如何“安全地遗忘”

邓煜的工作启示我们：一个有效的世界模型，关键不在于记住更多细节，而在于知道哪些信息可以被安全丢弃，且能证明丢弃后不会导致长期预测失效。这要求模型具备对“充分状态”的识别能力——如流体力学中的密度、速度、温度——它们虽极度压缩，却足以独立驱动宏观演化。

结语：更大的模型 ≠ 更大的世界

希尔伯特第六问题的进展提醒AI界：Scaling a simulator 并不等于 simulating a scale。一百万个粒子不是流体，一百万个agent也不构成社会。每一个试图模拟现实的AI系统，都必须面对属于自己的“希尔伯特第六问题”——唯有完成尺度间的理论跃迁，才能从局部预测器进化为真正可信的世界模型。