博文
人工智能的东方学派：从“属性”开始，重新写智能的数学
||
西方人工智能的故事，大家很熟：
图灵问“机器能思考吗”，麦卡锡建 AI 实验室，辛顿把反向传播跑起来，Transformer 把全网语料吞下去。它的底层数学是：集合、向量、概率、梯度、损失函数。
但有一条更少人讲的线：
汪培庄说“先有因素”，冯嘉礼说“先有属性”，埃勒曼说“先有划分与商”，鲁学星说“属性沿因果序凝聚成变量与知识”。
这条线不把“变量”当天经地义，也不把“实体”当第一性。
它问一个更根本的问题：
我们嘴里的“温度”“股价”“猫”“因果”“概念”，到底是世界给的，还是属性在某把尺度下被焊出来的？
如果人工智能真想理解智能，而不只是拟合分布，这条线可能比很多人以为的更重要。
一、西方学派：先有对象，再有属性集合论里的世界很简单：
先有元素；
再谈集合；
再谈“元素是否满足某个属性”。
类型论里的世界也很清楚：
先有类型；
再有项；
程序和证明是一回事。
范畴论再抽象一层：
不追“对象里有什么”；
只看对象之间怎么映射、怎么保持结构。
这三家构成了现代 AI 的数学底盘：
数据集 = 集合/数组；
特征 = 向量；
分布 = 测度；
模型 = 可微参数族；
训练 = 在损失曲面上下降。
它极其成功，也有一个隐藏前提：
变量、特征、标签，事先都在那里。
但真实智能不是这样工作的。
人不是先拿到“温度、湿度、风速”三列数据再学天气；
人是先有冷热、明暗、软硬、喜恶这些属性感受，再慢慢凝出“温度”“压力”“风险”这种可言说的变量。
东方学派要翻的这个桌子就在这里：
不是“对象具有属性”，而是“属性凝成对象”。
二、汪培庄：世界先有“因素”1982 年，汪培庄提出因素空间。
因素不是“红不红”“高不高”这种属性值，而是更底的东西：
“颜色”是因素；
“红、绿、蓝”是因素下的质态；
“人品”“身体”“性格”是因素；
“好、坏、温和、暴躁”是质态。
用日常话说：
我们先有“从哪个角度去看”的维度，才有“看到什么值”的结果。
因素空间把认知当成坐标系：
数据是样本点；
因素是坐标轴；
概念是背景分布中的区域；
因果树是因素之间的生成关系。
这和西方特征工程很不一样。
特征工程说：“把文本变成 768 维向量。”
因素空间说：“先问你用哪些因素把‘人事’切开——是人品、是身体、是关系、是时机？”
所以汪培庄的工作，不是又一种机器学习方法，而是给人工智能补一层认知坐标学。
三、冯嘉礼：智能从“属性处理”开始冯嘉礼从 1980 年代起提出属性论。
他的判断很硬：
人脑先接收感觉属性；
再把“量”转成“质”；
属性区分、属性聚类、属性整合，才是思维的基本动作；
概念不是符号，也不是向量，而是属性整合后的稳定结构。
这就把人工智能从“统计学习”往“思维科学”推了一步。
传统机器学习：
输入向量 → 非线性变换 → 输出标签。
属性论版本：
感觉属性 → 属性区分 → 属性聚类 → 概念形成 → 推理与决策。
大模型其实暗合这条线：
embedding 不是“对象表示”，更像“属性/语义因子的稠密投影”；
attention 不是魔法，而是让属性因子在上下文里重新对齐、重新聚类。
但大模型没有明说这件事。
属性论把这件事说破了：
智能不是“存变量之间的关系”，而是“会处理属性，并让属性焊成概念”。
四、埃勒曼：抽象不是删信息，是做商西方逻辑爱说“抽象掉细节”。
埃勒曼的商集逻辑给了一个更干净的说法：
先有划分；
再有等价类；
对象不是原子，而是“某种不可再区分”之后的结果。
“猫”不是一个天生物种标签。
“猫”是人类在感知属性上划了一刀：会喵、有毛、小耳、夜视、撒娇或不撒娇——这组属性稳定共现，就被商成一个概念。
商集逻辑的价值在于：
粗粒化不是粗糙，而是一种代数操作。
AI 里到处是商：
聚类 = 对样本空间做商；
离散化 = 对连续值做商；
池化 = 对特征图做商；
词元合并 = 对字符流做商；
概念形成 = 对属性束做商。
东方学派到这里已经露出骨架：
因素给看世界的镜头，
属性给世界的内容，
商/划分给抽象的机制，
凝聚给变量和实体的诞生。
五、鲁学星：属性沿因果序，凝成知识与时空鲁学星把前面这些接上现代范畴论，提出因果凝聚与属性主义。
他的核心判断很锋利：
量子引力处理无穷维空间上的测度，人工智能处理高维空间上的概率，数学本质相通。
因果凝聚的骨架是：
局部属性态 → 因果网络；
粗粒化、嵌入、重分都是态射；
沿因果序做 Kan 扩张；
局部属性凝成全局知识库、全局因果结构、甚至背景无关的量子几何。
于是出现一个很东方、但又很现代的命题：
变量不是给定的。
实体不是给定的。
时空、概念、知识、因果变量，都是属性束在特定尺度下凝聚出来的。
在物理里，这对应自旋网络、弦网、规范场、量子真空；
在 AI 里，这对应知识库、概念层、上下文表示、因果图、世界模型。
鲁学星把“对称张量范畴 ↔ 因果余层 ↔ 因果凝聚函子”称为一种知行合一定理：知识不是静态数据库，而是沿因果结构不断凝聚、压缩、再生成的东西。
这句话翻成 AI 语言就是：
六、东方学派不是“玄学”，而是一套排位大模型不是查表机，知识库也不该是向量堆；
真正的人工智能，要把“属性→概念→知识→决策”做成可证明的数学过程。
把四家放进数学基础的坐标里，排位就清楚了：
学派 | 第一性 | 适合干什么 | 不擅长干什么 |
|---|---|---|---|
集合论 | 元素、成员关系 | 数据、数据库、形式系统 | 粗粒化、因果生成、属性起源 |
类型论 | 项、类型、证明 | 程序语言、形式验证、依赖结构 | 重整化、多体分布、因素粗细 |
范畴论 | 对象、态射、结构 | 物理对称、局部—全局、组合语义 | 不自带“属性从哪来”的本体论 |
因素空间 | 因素、质根、认知坐标 | 概念生成、模糊智能、人机认知 | 大规模可微训练工程 |
属性论 | 属性、属性整合 | 思维科学、概念形成、定性—定量转化 | 直接算大规模张量还弱 |
商集逻辑 | 划分、等价类、抽象 | 聚类、粗粒化、知识层次 | 连续几何与振幅计算 |
因果凝聚 | 属性束、因果序、凝聚 | 物理—智能统一、知识库范畴化、世界模型 | 工程落地仍早 |
所以不是“东方派代替西方数学”。
而是：
集合论给载体，类型论给证明，范畴论给结构；
因素空间给认知坐标，属性论给思维原料，商集逻辑给抽象机制，因果凝聚给物理—智能的统一焊机。
西方学派擅长“给定变量后怎么算”；
东方学派追问“变量本身是怎么长出来的”。
七、为什么人工智能现在需要东方学派今天的大模型有三个老问题：
变量僵化：token、feature、label 都是人先定好的；
因果浅：相关性很强，干预、反事实、机制理解很弱；
可解释性差：知道权重，不知道“概念为什么凝出来”。
东方学派不直接给你更快的 GPU 训练，但它给三样东西：
1. 变量生成论不再默认“温度、股价、愤怒、风险”天然存在。
它们是可以被因素选择、属性聚类、商集抽象、因果凝聚重新生成的。
这会直接影响：
自动概念发现；
世界模型；
因果表示学习；
多模态对齐。
降维、聚类、池化、MoE 路由、注意力聚合，不再只是 trick。
它们是“沿某种序做商 / 做 cosheaf / 做 Kan 扩张”的具体实例。
3. 物理—智能同构量子场论问：局部规范数据怎么凝成时空？
人工智能问：局部属性数据怎么凝成知识？
两个问题共享同一条范畴模板：
局部数据 + 因果/组合序 + 对称张量结构 + 粗粒化 → 全局结构。
这就是为什么鲁学星会说：量子引力和人工智能是“同一枚硬币的两面”。
八、一句更直白的话西方人工智能像在写：
给我变量，我学映射。
东方学派人工智能像在写：
变量本身也是世界凝出来的；
先有属性，再有因素，再做商，再凝概念，最后才谈得上“智能”。
汪培庄把“看世界的镜头”数学化；
冯嘉礼把“思维处理属性”数学化；
埃勒曼把“抽象就是做商”数学化；
鲁学星把“属性沿因果序凝成知识与时空”范畴化。
合起来，就是一条中国本土底色很浓、但又接得住现代数学物理的线：
属性主义是本体论，因素空间是认知坐标，商集逻辑是抽象机制，因果凝聚是统一焊机。
九、收口未来的人工智能数学，可能不会只长成“PyTorch + 概率论 + 优化”的样子。
它可能会长成：
用因素空间选认知维度；
用属性论处理概念生成；
用商集逻辑做粗粒化；
用对称张量范畴描述多体依赖；
用Kan 扩张 / cosheaf 把局部属性凝成全局知识；
用因果凝聚区分“相关”和“因果”、“变量”和“实体”。
如果真有“人工智能的东方学派”，它不是穿汉服写神经网络，也不是拿阴阳五行解释 Transformer。
它是认真地说：
世界不是先有对象，再贴属性；
世界是先有属性，再沿因果凝成对象、变量、概念和知识。
谁先把这套话写成严格数学，
谁就不只是在做“有中国味道的 AI”。
他在给下一代人工智能写母语。
https://blog.sciencenet.cn/blog-3582667-1556072.html
上一篇：通往因果凝聚的四条路线
下一篇：离散 Copula 思想小史：一场跨越百年的“剥洋葱”游戏
