嗯？新晋菲尔兹奖得主王虹，也曾跨界做 AI？
NeurIPS 2026 出分在即，有网友扒出，王虹教授发过一篇NeurIPS 2019。
而且还不是挂名，是实打实的共同一作。
那么问题来了，一个纯数方向的顶尖数学家，为什么会在 AI 顶会上发论文？
通读下来，我们的结论是，这是一篇数学理论+机器学习的最佳范例。
不过有意思的是，在王虹个人主页列出的将近 40 多篇论文和预印本中，几乎每篇都附有完整链接。
唯独这篇，是个例外。
王虹跨界挑战 AI
这篇论文研究的，是机器学习和数据分析中的一项基础任务：低秩矩阵近似。
简单来说，现实中的数据通常可以整理成一个矩阵，但这些矩阵往往非常大，直接存储和处理成本极高。
低秩近似就是用一个结构更简单、秩更低的矩阵，尽可能准确地还原原始矩阵。
近来常用的近似算法是列子集选择（Column Subset Selection，CSS）。
它的思路其实非常直观。
在面对一个包含大量列的数据矩阵，不再直接求出一个全新的低秩矩阵，而是从原矩阵中挑出具有代表性的若干列，再用它们张成的空间去近似整个矩阵。
由于被 CSS 选出来的列直接来自原始数据，因此会比普通矩阵分解得到的抽象向量更容易解释，同时它也能降低存储和计算成本，适合处理大规模数据。
此前的研究证明，其中对于一般的低秩近似，CSS 算法的近似比上界大约是O(k+1)。
这里的 k 指的是目标矩阵的秩，k 越大，理论上允许的最坏误差就越大。
王虹等人的工作，则是把这个界进一步推进：
· 当 1≤p≤2 时，近似比为 (k+1)^(1/p)；
· 当 p≥2 时，近似比为 (k+1)^(1−1/p)。
相较此前统一的 O(k+1) 结果，这一界明显更紧，算法能够被严格限制，最坏结果也只会比最优解差一点点。
另外，对于 p≥2 的情况，论文还构造了对应的下界，证明其结果精确到常数 1。
换句话说，这篇论文给出了近乎封顶的理论答案。
而这篇论文中最关键、也最能体现王虹数学背景的部分，是他们使用了来自调和分析的经典工具Riesz–Thorin 插值定理。
通常情况下，想证明一套算法在所有 p 值下都成立，需要针对不同的 p 分别展开复杂分析。
对于某些端点情况，例如 p=1、p=2 和 p=∞，则相对容易处理。
接着 Riesz–Thorin 插值定理可以在掌握这些端点结果后，把结论「插值」到中间的所有 p 值。
具体来说，论文先证明 p=1、2、∞ 三个特殊情况，再通过插值理论推出整个范围内的近似界。
事实上，这套工具在调和分析和算子理论中属于经典方法，却并不是当时理论计算机科学研究者最常使用的技术。
NeurIPS 当年的审稿人也注意到了这一点。
审稿人最终认可这篇论文最主要的技术创新，就是往计算机领域引入 Riesz–Thorin 定理，最后的 Meta Review 则将它评价为一篇论证相当扎实的论文。
放到今天看，这篇论文其实也提供了一个非常典型的跨学科案例，机器学习的难题或许可以在纯数学中找到突破口。
NeurIPS 2026 出分在即
时间拨回到现在，NeurIPS 的审稿机制正在发生一次明显调整。
NeurIPS 2026 要求作者在投稿时，从五种贡献类型中选择出最符合论文定位的一类：General、Theory、Use-Inspired、Concept & Feasibility 以及 Negative Results。
毫无疑问，王虹这篇 2019 年的论文属于其中的Theory类型。
按照 NeurIPS 2026 最新审稿指南，理论论文首先考察的是数学严谨性和正确性。证明、引理和整体逻辑必须成立，所以理论论文并不需要因为缺少实验而受到忽视。
同时 NeurIPS 2026 明确指出，理论贡献可以独立成立，设计新算法的目的也不一定是击败最新应用模型或最大数据集上的 SOTA。
在原创性方面，也可以从其他学科引入新的证明工具，或对既有工具进行创新性综合。
而这几乎就是王虹这篇论文的精准描述。
他们没有提出一个今天意义上的神经网络架构，也没有训练参数量巨大的模型，而是把调和分析中的插值定理引入低秩近似，解决近似算法界限问题。
放到 2026 年的评审框架中，它依然是一篇非常标准的 NeurIPS 理论论文。
它也反向说明，NeurIPS 并不等于神经网络模型发布会，对已有方法给出新的理解、发现新的性质、建立更紧的理论界限，同样属于有价值的原创贡献。
至于数学和 AI 之间的边界，也从来没有想象中那么清晰。
菲尔兹奖得主能发 NeurIPS，数学语言也能为 AI 找到它真正的通解。
