这篇文章不是又一篇"概率模型新技巧"的科普，而是一次把几股暗流拧在一起的尝试：鲁学星提出的 DisCo 代数（Disintegration + Combination），Baudot–Bennequin–Vigneaux 一脉的"信息上同调"，以及微分几何里纤维丛 / 联络 / 示性类的老故事。

我想说的一句狠话是：信息论不是概率论的下游，信息论是概率论的同调论。​ 正如同调代数不是代数学的装饰，而是代数学的内在结构理论；概率上同调（也可叫分布上同调）也不是信息论的玩具，而是联合分布"拆得开、拼不回"的拓扑诊断。

文中把"信息上同调"改称为"概率上同调"，是有意的重新命名：Shannon 熵、互信息、多元互信息，只是概率上同调在特定系数下的不变量；障碍本身属于概率结构。对错交给读者和时间，但范式已经露头。

再次见证历史，高斯-博内-陈定理的证明标志着整体微分几何的诞生，拆拼(DisCo)代数的出现预示了概率论开始走向整体时代。

概率论的新范式：当 DisCo 代数遇到信息上同调

——从"拆拼积木"到"信息拓扑"，概率论正在走向整体

引子：一个反复出现的模式

19 世纪，高斯在哥廷根测量大地，发现曲率是内蕴的——不依赖你把曲面嵌进三维空间的方式。后来黎曼把它变成几何学的内核。再后来，陈省身把纤维丛和示性类带进微分几何，人们终于明白：几何不只是算距离和角度，几何的本质是拓扑不变量。

20 世纪，代数从群和环走向同调代数。Grothendieck 把层和上同调带进代数几何，人们终于明白：代数不只是解方程，代数的本质是局部到整体的障碍。

这是数学史上反复出现的模式：

先有"局部操作"的语法，然后发现"局部拼不起来的障碍"本身携带深刻信息，于是发展出"上同调"来刻画这些障碍。局部 → 整体，操作 → 不变量，语法 → 物理。

现在，这个模式正在渗透进概率论。

一、概率论以前是什么样

经典概率论的语言是测度论、积分、不等式。联合分布是一个高维测度，条件概率是 Radon–Nikodym 导数，贝叶斯公式是一个积分恒等式。链式法则把联合分布拆成条件概率的乘积，全概率公式把它拼回去。一切看起来很自洽。

但有一个问题，以前的工具回答不了：

拆开之后，再拼回去，丢掉了什么？

链式法则按变量顺序拆：

$$P(x_1,\dots,x_n)=P(x_1)P(x_2|x_1)\cdots P(x_n|x_1,\dots,x_{n-1})$$

这隐含一个假设：每个变量只依赖它前面的变量。可真实世界的依赖结构不是按教科书顺序长的。你换一个顺序拆，得到的条件概率不一样，拼回去的近似也不一样。哪个顺序是对的？丢掉的残余信息是什么？

经典概率论没有系统性语言来问这些问题。它把联合分布当作"给好的"，把条件独立当作"假设"，把高阶依赖当作"麻烦"。

但机器学习、因果推断、高维统计、量子信息逼着人面对这些麻烦：高维分布怎么分解？哪些依赖是本质的？粗粒化的最优准则是什么？纠缠为什么拆不开？

这些问题不是"算积分"能回答的。它们本质上是组合和拓扑问题。

二、DisCo 代数：概率论的"组合语法"

鲁学星提出的 DisCo 代数，全称 Disintegration + Combination（拆解 + 拼合），试图给上述问题一个统一操作框架。

核心思想：任何高维联合分布，都可以——也应该——被看作沿某种划分拆开、压缩、再拼回去的结果。

拆（Disintegrate）。​ 给定联合测度 $\mu$ 和一个划分，disintegration theorem 保证：

$$\mu = \int \mu_t \, d\Phi(t)$$

其中 $\Phi$ 是"骨架"——块与块之间如何耦合；$\mu_t$ 是"纤维"——给定骨架后每块内部的条件分布。这就像把一块布拆成经线和纬线：骨架是经线怎么走，纤维是每条经线上纬线的编织方式。

压（Compress）。​ 每块内部仍是高维的，需要粗粒化。传统方法（均值、PCA、聚类）是人工选择；DisCo 的野心是把压缩定义为测度本身决定的对象——块内联合 CDF、条件分位数、块内熵——使"压"不是随便压，而是有数学依据的操作。

拼（Combine）。​ 用骨架把压缩后的块重新组装。这对应 operad 侧的"拼"：小零件按接口组合成大结构。cooperad 管"拆"，operad 管"拼"，二者对偶。

链式法则只是 DisCo 最呆板的特例——按坐标顺序投影。DisCo 把它推广为：任意划分都可以拆，不一定要按变量顺序。

但核心张力在这里：

拆和拼不是完美互逆的。

先拼再拆，若保留全部条件依赖，可以无损；先拆再拼，若只保留"各块边缘 + 块间骨架"，再乘起来拼，通常默认块间条件独立，这时必丢信息。丢掉的，是给定各块摘要后，块与块之间还残存的高阶依赖。

这个"丢掉的残余"，正是后面要说的概率上同调类。

三、概率上同调：概率论的"拓扑诊断"

Baudot、Bennequin、Vigneaux 等人发展的 information cohomology，从另一方向逼近同一个问题。但我认为名字要改：

它不是"信息"的上同调，它是概率的上同调。

就像同调代数是代数的同调，概率上同调（或分布上同调）是概率论的同调。Shannon 熵、KL 散度，只是这套上同调在某些系数模下的具体不变量。Vigneaux 把信息结构写成范畴 / site，Shannon 熵和微分熵都作为 1-上循环出现；链规则不是经验公式，而是上闭链方程。

具体说：

• 把随机变量或划分组织成信息结构（observable 的精化关系）；

• 在其上定义上链复形 $C^n$；

• 上边缘算子 $\delta$ 对应条件化 / 联合化的递归关系；

• Shannon 熵是某个系数模下的 1-上循环；

• 二元互信息是 1-上边界；

• 三元及以上多元互信息 $I(X;Y;Z)$ 是 2-上边界。

于是：

熵的链规则不是"信息论公理"，而是上闭链条件。

多元互信息不是"奇怪的剩余量"，而是高阶上同调类。

若 $I(X;Y;Z)=0$，系统依赖可被两两因子化，上同调类平凡；若非零，就存在"超过两两依赖"的结构，经典 DisCo 拆法无法无损还原。

概率上同调回答的是：为什么有些依赖拆不掉？

答案：它们对应非平凡上同调类，是拓扑障碍。

信息只是这个障碍的一种度量方式。障碍本身属于概率结构，不属于信息论。

四、统一：信息论就是概率论的同调论

把两条线合在一起，关系就清楚了：

概率论和信息论的关系，现在完全清晰：

信息论不是概率论的应用分支，不是度量工具，不是下游。信息论是概率论的同调论。

Shannon 熵、互信息、多元互信息，不是"关于信息的直觉"的产物，它们是概率上同调在不同系数下的上同调类表示。就像 Ext / Tor 不是群论的附属品，而是模结构的显影；概率上同调也不是概率论的附属品，它揭示联合分布本身。

三者关系：

纯文本DisCo 代数（拆 / 压 / 拼）     ↓ 操作产生结构 多元信息链（信息流向）     ↓ 上边缘算子检测障碍 概率上同调（不可因子化类）

正如微分几何里：

纯文本切丛 / 联络（局部结构）     ↓ 曲率 陈类 / 示性类（全局不变量）

五、纤维丛：模式变得最清晰的地方

在 DisCo 框架中，一个深刻结构出现了：纤维化。

条件概率就是联络。

纤维丛里，联络告诉你：底空间从 $b$ 走到 $b'$，纤维里的元素怎么平行移动。DisCo 里，条件变量 $x$ 变到 $x+dx$，条件分布 $\mu_x$ 怎么变？条件概率的更新规则，就是纤维间的平行移动规则。

所以贝叶斯推断不是"算个后验"那么朴素——它是沿着概率纤维丛做平行移动。

曲率就是拆拼残余。

微分几何中，绕一圈回来平行移动结果依赖于路径，这是曲率。DisCo 中，按划分 A 拆拼、和按划分 B 拆拼，残余依赖不一样——"残余依赖于拆法"，这就是曲率。而概率上同调类，就是这些曲率的积分不变量。

这个对应不是修辞，是结构性同构。

六、物理也在说同一件事

拓扑序（topological order）出现后，凝聚态物理变了：物质相不再只由局域对称性破缺分类，而由全局拓扑不变量分类。非局域纠缠信息决定物态本质。

量子信息里，拓扑纠缠熵、张量网络、量子纠错码——底层是局域张量拼起来的，但整体编码了非局域逻辑信息。这正是 operad 的"拼" + 同调的"残余"。

AdS/CFT 中 Ryu–Takayanagi 公式说：面积 = 熵，几何 = 信息。这几乎是字面意义上的"信息拓扑"。

物理在告诉概率论：

整体信息不是残余误差，它是物理本质。

而概率上同调，正好提供"整体"的数学语言。

尾声：整体概率的信息同调怎么提取？

微分几何花了百年才从高斯走到陈省身。概率论的信息拓扑，也许正在它的高斯时刻。

DisCo 给出了"拆 / 压 / 拼"的操作语言，概率上同调给出了"不可因子化"的诊断工具，纤维丛类比给出了"条件概率 = 联络"的几何直觉。但一个核心问题仍然开放：

给定一个高维联合分布，它的非平凡概率上同调类——即"整体概率的信息同调"——如何显式计算、表征、和利用？

可拆成几个攻关方向：

1. 检测：给定数据，如何判断某个概率上同调类非零？即存在不可因子化高阶依赖。

2. 提取：如果非零，这个"整体信息"长什么样？能否给几何 / 范畴表示？

3. 压缩：粗粒化（信息瓶颈、率失真）中，如何保证整体信息不被压掉？

4. 利用：在 ML、因果推断、量子信息中，能否把整体信息当特征用，而不是当噪声丢？

这些方向目前远未被系统研究。DisCo 和概率上同调提供了语言，但算法、估计量、计算复杂度和大规模数据实现仍是空白。

概率论正在从"计算积分的学问"，变成"研究概率拓扑与信息同调的学问"。

这不是又一种概率模型。

这是概率论的底层重排。

注记与线索

• DisCo 代数：鲁学星，《拆·压·拼：从概率拆解定理到 DisCo 代数的第一性原理》《粗粒化与拆解定理》等科学网博文。

• 信息上同调 / 概率上同调：Baudot & Bennequin (2015)；J. P. Vigneaux, Information structures and their cohomology, TAC 35(38), 2020; Information cohomology of classical vector-valued observables, arXiv:2107.04377。

• 概率 operad / Giry monad：T. Leinster《Entropy and diversity》相关材料；DisCo 可看作其连续 / 测度论推广。

• 纤维丛—条件概率—贝叶斯更新这一类比，是本文的统合性主张，并非既有文献的原话；欢迎反对、细化、举反例。 

支持单位：