跨域迁移不是类比：一个外行怎样防止自己被“同构感”欺骗

一句说得太满的话

这个博客的第一篇文章里，我写过一句很肯定的话：

这不是类比，这是同构。

当时我把中医辨证、机器学习和书法放在一起，认为它们都经过大量输入、难以言说的特征提取，最后涌现出一个先于推理到达的判断。

这种相似感确实接近我的思维方式。但“同构”说得太满了。

几个领域都能被描述成“浸泡—识别—涌现”，只能说明我找到了一种共同叙述。它没有说明三个领域中的对象怎样一一对应，关系怎样被保留，也没有排除我只是删掉了所有不同之处，留下一个足够宽泛、因而到处都能成立的轮廓。

相似可以启发研究，不能替研究作证。

我不准备删除那篇旧文。它准确保存了我当时的判断，也暴露了我最容易犯的一种错误：因为很快感觉到结构，就把“可能存在结构”直接说成“已经证明同构”。

这篇文章不是要放弃跨域思考，而是想给这种直觉安排一个更准确的位置。

范畴论给我的不是答案

MRI 项目的起点，来自我对范畴论的一种朴素理解：一个对象不只由内部成分定义，也可以通过它与其他对象的关系来认识；不同领域如果具有相似的关系结构，一个领域里的解法也许能够迁移到另一个领域。

我不是数学家，也没有系统掌握范畴论。把这句话说成“范畴论证明了万物没有实体，只有关系”，并不严谨。范畴论仍然有对象，只是特别重视对象之间的态射以及态射如何组合。我的理解可能省略了很多数学上不可省略的东西。

但它给了我一个很有生产力的问题：

如果暂时放下领域名称，只保留对象、关系、约束和变换，别处已经解决的问题能不能在这里重新出现？

这个问题不是定理。它是一台候选生成器。

它让我在不懂 MRI 的时候，没有只问“这个领域现在流行什么”，而是先建立知识地图，再观察采样、重建、信号空间和可辨识性之间的关系，寻找它们与其他数学或工程领域可能接合的位置。

我仍然为这个起点感到自豪。自豪并不意味着它天然正确，而是它使我能够从一个完全陌生的领域里产生可以继续加工的问题。

真正的困难发生在下一步：怎样防止这台候选生成器把我的思维习惯误装成世界本身的结构？

“同构”是一张需要付账的支票

在数学里，同构不是“看起来很像”的加强语气。只有先说明在什么结构中讨论，给出两个方向的映射，并证明它们组合以后各自回到原对象，才能作出严格的同构声明。

现实中的跨域研究往往没有这么强。两个问题之间可能只保留了一部分关系，可能是单向映射，可能需要近似，也可能在某些条件下才成立。它们有时更接近结构保持映射、等价、嵌入或一种启发式翻译，而不是同构。

术语并不是重点。重点是不能用一个强词跳过这些问题：

• 源领域的对象是什么？
• 目标领域的对应物是什么？
• 哪些关系和运算必须被保留？
• 映射依赖哪些前提？
• 哪些信息在迁移时会丢失？
• 源领域的结论被搬过去以后，在目标领域新增了什么可检查的后果？
• 什么反例能够说明这次迁移失败？

如果这些问题一个都回答不了，“同构”就还只是一种感觉。它可以被保留为研究线索，却没有资格作为研究结果。

我现在更愿意把一次跨域迁移写成一份简短的迁移契约：

源对象与关系
→ 目标对象与关系
→ 明确映射
→ 声明保持了什么
→ 声明丢失了什么
→ 导出一个目标领域中的新后果
→ 写出能够杀死候选的条件

这份契约不会自动证明迁移成立，但它会迫使一个模糊的“很像”，变成可以被攻击的具体对象。

MRI：一次迁移怎样逐渐失去神秘感

MRI 项目中有一个例子，最初的想法是把 cellular sheaf sampling 的结构接到一个有限维 HARDI 采样模型上。

如果只用语言描述，这件事很容易显得深奥：层、上同调、谱带宽和 MRI 采样被放进了同一套叙述。真正使它成为候选的，是把对应关系逐项写出来：

对应写清楚以后，一个重要事实也随之出现：最后得到的谱指标，在这个有限模型里就是熟悉的条件数的倒数。

这次迁移并非错误。相关数学核心可以在声明的定义和假设内形式化，数值程序也能在相应模型里复现。但是，它没有因此创造出一个新的 HARDI 重建指标。它更像是用另一种语言重新接入了一个已知结构。

这正是跨域迁移需要接受的结果之一：映射可以成立，研究增量仍然很小。

另一个候选也有相似结局。某组相位型耦合最初看起来可能改变谱性质，数值扫描却没有显示预期增益。随后，在限定的候选族中，形式证明给出了酉等价。它没有打开一条新路径，反而关闭了继续在这组候选中寻找谱增益的路径。

如果跨域只负责制造新奇叙事，这些会被视为失败。如果跨域负责生成可淘汰的候选，那么把一条诱人的错误路径关掉，本身就是有效产物。

外行最容易在哪些地方被骗

我不懂 MRI，也不懂完成这些候选所需的大部分数学。AI 可以为我补出术语、定义、代码和证明草图，也正因为如此，它可以很快把一个松散类比写成一套看似完整的理论。

至少有四种“同构感”需要警惕。

第一种是词语对齐。两个领域都谈网络、流、能量、记忆或反馈，不意味着这些词指向相同对象。

第二种是选择性保留。只挑相似关系，不写无法对应的部分，任何两个复杂系统都可能被描述成同一种结构。

第三种是过度压缩。抽象当然要删除细节，但被删除的细节可能恰好决定结论。例如，数学模型里的等价，不会自动保留硬件限制、噪声来源或临床意义。

第四种是正确但平凡。迁移后的命题可能严格成立，却只是一个已知结论的改写，没有新增预测，也不改变任何决策。

对我而言，还有第五种风险：结构化本身可能是一种思维定势。

我习惯压缩，也容易在不同对象中寻找相同骨架。这可能让我比别人更早看见一个可迁移的结构，也可能让我把所有问题都盖上同一枚印章。仅凭主观体验，我无法区分这两种情况。

所以，“我强烈感觉它们相同”不能获得特殊的证据地位。直觉越强，越应该尽快把它外化，让不相同的部分有机会出现。

跨域迁移负责出题，不负责判卷

这也是跨域迁移与双轨之间的关系。

跨域直觉先产生候选。候选一旦被写清楚，就要继续拆解：哪些是逻辑问题，哪些是工程问题，哪些目前还不能进入判定。

“这个映射在给定定义下是否保持某种结构”，可能是逻辑问题，应当走向形式化；“迁移后的构造能否在声明条件下产生预期行为”，是工程问题，应当走向可复现；“这两个领域在更深处其实是同一个东西”，如果还不能转化为前两类问题，就只是一个暂时留在边界之外的判断。

双轨也不会替跨域迁移解决所有风险。如果源领域和目标领域一开始就被翻译错了，形式系统可能严密地证明错误问题，工程系统也可能稳定地复现错误目标。来源、语义和映射仍需要单独记录、审查和寻找反例。

候选也不应等到完成昂贵的证明和实验以后，才第一次被问有没有意义。在进入双轨之前，它至少要说明自己对应哪个真实未知、相对已有工作可能增加什么，以及什么结果会让它停止。否则，自动研究会把大量算力消耗在正确但平凡的问题上。

如果候选通过准入并在双轨中成立，意义门还要再次被调用：这个结果是否真的减少了未知，是否改变预测或决策，是否值得扩展到更高的现实层级。正确性不能推出重要性；一次通过也不能替未来的投入作永久担保。

因此，一次跨域研究至少经过三个彼此不同的阶段：

结构直觉：产生候选
→ 意义门：判断是否值得进入昂贵判定
→ 双轨治理：判定候选中的逻辑与工程问题
→ 再次经过意义门：判断是否值得继续扩大投入

意义门不是第三条真理轨道。它不裁决命题真假，而是让资源相对于目标接受治理。把三者混在一起，就会让灵感冒充结论，让正确冒充价值。

保留直觉，撤回它的裁决权

我不想因为“同构感”可能欺骗我，就训练自己不再相信它。

对一个经常进入陌生领域、又不依赖完整符号链思考的人来说，这种模糊的结构感可能正是问题的来源。没有它，MRI 项目不会开始，很多看起来不相干的材料也不会相遇。

需要改变的不是直觉出现得太早，而是结论宣布得太早。

我可以大胆地问：这两个领域会不会共享某种结构？可以让 AI 尽可能展开映射，也可以为一个刚出现的候选感到兴奋。但从“我看见了相似”到“这里存在可迁移的结构”，中间必须补上对象、关系、映射、保持条件、丢失条件和失败标准。

有些候选最后会成为形式命题，有些会成为可运行的工程，有些只会重新得到一个已知结论，还有一些会在写出对应关系的那一刻消失。

它们不必都成功。

跨域思考真正的价值，也许从来不是证明万物在深处都是同一件事。它只是让一个领域向另一个领域提出原本不会出现的问题。

至于这些问题是不是世界的结构，而不只是我的结构，要交给我之外的机制回答。