从 DisCo 到因果凝聚：鲁学星的概率论几何化之路

一部把"拆拼不互逆"写成纤维丛、把熵写成陈根、把陈特征写成上同调与 K 理论的有理同构桥梁、把因果写成尚未回答的开放问题的尝试

引子：概率论不想再当"配角"了

统计学一百年的潜意识是：变量先在那儿，联合分布是待估对象，因子化、copula、DAG 是工具。

鲁学星（Xuexing Lu）不那么看。他的暗线是：

变量不是天给的；因果也不是画上去的。变量是"信息依赖"在某个尺度上焊出来的；因果是"信息拓扑障碍"在对称张量范畴里凝聚出来的——至少，这是一个值得追求的方向。

这条路从 DisCo 代数​ 起步，经过 信息上同调，穿过 信息的代数 K 理论（陈特征 + Segal 机器），终点指向 因果凝聚（causal condensation）。前三层已有清晰的数学结构，最后一层目前仍是一个开放问题。

它不是"又一个高维概率分解法"，而是一次概率论本体论搬家：从"分布 + 图模型"搬进"纤维丛 + 上同调 + 环谱 + 张量范畴"。

第一层：DisCo 代数——拆、压、拼，以及为什么拼不回去

DisCo = Disintegration + Combination。

给定 $\mu \in \mathcal P_n = \mathrm{Prob}([0,1]^n)$ 和划分 $\mathcal I = (I_1,\dots,I_k)$：

• 拆：disintegration 定理保证

$$\mu = \int \mu(\cdot \mid t)\, d\Phi_{\mathcal I}(t)$$

其中 $\Phi_{\mathcal I}$ 是骨架（块摘要之间的耦合），$\mu(\cdot \mid t)$ 是纤维（给定骨架后的块内条件测度）。

• 压：把每块高维纤维用块联合 CDF​ 压成标量摘要 $t_j$。这是有损的——块内"摘要之外"的跨块纠缠被吃掉。

• 拼：用骨架把局部条件测度粘回去：

$$R_{\mathcal I}(\mu) = \int \bigotimes_{j=1}^k \mu_j(\cdot \mid t_j)\, d\Phi_{\mathcal I}(t)$$

结果极锋利：

$$\Delta_{\mathcal I} \circ \gamma = \mathrm{id} \quad \text{（拼了再拆，回来）}$$$$\gamma \circ \Delta_{\mathcal I} = R_{\mathcal I} \neq \mathrm{id} \quad \text{（拆了再拼，回不去）}$$

差额就是概率曲率：

$$\mathcal K_{\mathcal I}(\mu) = D_{\mathrm{KL}}\big(\mu \,\big\|\, R_{\mathcal I}(\mu)\big) = \mathbb E_{t \sim \Phi_{\mathcal I}}\left[ D_{\mathrm{KL}}\!\left( \mu(\cdot \mid t) \,\Big\|\, \bigotimes_{j=1}^k \mu_j(\cdot \mid t_j) \right) \right]$$

Sklar 的 copula 只是最细划分下的零曲率童话：每块大小 1，摘要是一维 CDF/PIT，拼得回去。DisCo 说：只要块变粗、摘要变粗，拆拼就不互逆；残差不是误差，是结构。

代数上：拆是 cooperad，拼是 non-unital partial symmetric operad。不互逆不是 bug，是这台机器的内禀对称性破缺。

第二层：整体概率论与信息上同调——熵是陈根

DisCo 的纤维丛面孔一露出来，问题就从"怎么分解"变成"它的示性类是什么"。

1. 纤维丛对照

2. 熵 = 信息世界的陈根

复几何里，陈根（Chern root）​ 是线丛的生成元：把秩 $r$ 丛形式写成 $r$ 个线丛，总陈类

$$c(E) = \prod_{i=1}^r (1 + x_i)$$

所有陈类都由 $x_i$ 生成。

信息论里，香农熵是信息函数类的母函数：

• 联合熵：$H(X,Y) = H(X) + H(Y) - I(X;Y)$

• 条件熵：$H(Y|X) = H(X,Y) - H(X)$

• 互信息：$I(X;Y) = H(X) + H(Y) - H(X,Y)$

• 三元交互信息：$I(X;Y;Z) = \dots$

• $k$ 元交互信息 = 更高整系数组合

Baudot–Bennequin–Vigneaux 的信息上同调把这件事说穿：

• 熵 是 1-上闭链（链式法则 = 上闭链条件）

• 互信息 是 1-边界（可因子化，不承载拓扑）

• $k$ 元交互信息 是 $k$-上同调类（不可因子化的多体依赖）

• 非零高阶类 = 联合分布的"拓扑障碍"

熵之于信息函数类，正如陈根之于陈类：它是母函数，是所有信息不变量的生成元；高阶交互信息才是"信息丛"的陈类。

3. 概率曲率 = Chern–Weil 形式

几何里陈类可由曲率形式积分：

$$c_1(L) = \left[ \frac{i}{2\pi} F \right]$$

DisCo 里：

$$\mathcal K_{\mathcal I}(\mu) = D_{\mathrm{KL}}(\mu \parallel R_{\mathcal I}(\mu))$$

是"局部条件独立假设"和"真实纤维"的不匹配，沿骨架积分出来的示性量。

所以一句话：

熵 = 陈根，互信息 = 边界，高阶交互信息 = 上同调类，概率曲率 = 曲率积分。联合分布不是一张表，是一个带联络的信息丛。

第三层：信息的代数 K 理论——陈特征、有理同构与 Segal 机器

到第二层，我们有了一套漂亮的上同调理论。但上同调有一个经典缺陷：它是"有理化"的。整系数信息在取上同调后被压成实数或有理数，整结构的精细部分——挠元、整性约束——全丢了。

怎么把整结构找回来？这就是 K 理论​ 进场的理由。

1. 陈特征：上同调与 K 理论的有理同构

在复几何里，陈特征（Chern character）​ 是连接 K 群和上同调的桥梁：

$$\mathrm{ch} : K^0(X) \otimes \mathbb Q \xrightarrow{\sim} H^{\mathrm{even}}(X, \mathbb Q)$$

它是一个有理同构：将 K 群张量 $\mathbb Q$ 后，与偶次上同调群建立同构——即在有理系数下，K 理论与上同调理论等价。但关键是，K 群本身是整数系数的，它携带的信息比上同调更细。两个不同的向量丛可以有完全相同的陈类（上同调相同），但在 K 群里不同。陈特征让你能从上同调"回溯"到 K 群，找回那些被有理化丢掉的整结构。

放到信息几何里：

信息上同调能告诉我们"有哪些不可因子化的依赖"，但它是 rational 的；信息 K 理论通过陈特征式的有理同构，把整结构找回来——那些上同调测不到的整性障碍，才是更深的拓扑。

2. Segal 机器：从对称张量范畴到环谱

为什么需要 Segal 机器？因为 K 理论不是凭空定义的。要定义一个范畴的 K 理论，你得有稳定同伦结构。Segal 1974 的洞见：

一个对称张量范畴​ $\mathbf{Info}$（对象为信息事件/条件测度，态射为信息变换，张量积为系统并列）

→ 经 $\Gamma$-space 构造（Segal 机器）

→ 得到一个连通谱​ $\mathbf K(\mathbf{Info})$

→ 若张量积满足分配性，则是 $E_\infty$ 环谱

→ 其同伦群 $\pi_n \mathbf K(\mathbf{Info}) = K_n(\mathbf{Info})$ 就是代数 K 群

$$\text{对称张量范畴 } \mathbf{Info} \xrightarrow{\text{Segal}} \text{信息环谱 } \mathbf K(\mathbf{Info}) \xrightarrow{\pi_*} K_0, K_1, K_2, \dots$$

因果凝聚的核心语言恰恰是对称张量范畴——对象为信息事件，态射为信息变换，张量积为系统并列，凝聚公理定义在张量结构之上。

所以逻辑链是：

因果凝聚用对称张量范畴 → 对称张量范畴经 Segal 机器 → 产生 K 理论 → K 理论经陈特征 → 与上同调建立有理同构 → 从而能提取同伦信息。

这就是为什么"代数 K 理论和因果凝聚有关系"——不是因为它们研究对象相同，而是因为它们共享同一个数学底座：对称张量范畴，而 Segal 机器是连接这个底座和 K 理论的唯一已知桥梁。

3. 同伦信息：K 谱能提取什么上同调提取不了的东西

一旦有了谱 $\mathbf K(\mathbf{Info})$，同伦群给出的信息比上同调丰富得多：

• $\pi_0 = K_0$：Grothendieck 群，分类"可因子化信息模"的整等价类。两个信息结构即使有相同的高阶交互信息（上同调相同），也可能在 $K_0$ 里不同。

• $\pi_1, \pi_2, \dots$：更高同伦群，对应"信息结构在尺度变换下的高阶障碍"。这些是上同调完全看不到的。

• 谱的同伦类型：不仅仅是群，而是整台机器的同伦不变量。

上同调是"快照"；K 谱是"电影"。陈特征是两者之间的翻译器；Segal 机器是让翻译成为可能的引擎。

第四层：因果凝聚——一个尚待回答的开放问题

到这里必须诚实地停下来。

前面三层——DisCo、信息上同调、信息 K 理论——各自有清晰的动机和数学结构。但从信息 K 理论到因果凝聚，目前还是一个开放问题。

我们知道的是：

1. 因果凝聚的核心是对称张量范畴：对象 = 信息事件，态射 = 信息变换，张量积 = 系统并列，凝聚 = 某些局部激发塌缩为宏观因果实体。这是鲁学星框架的终极目标。

2. 对称张量范畴经 Segal 机器产生 K 理论：这是代数拓扑里的标准事实，不是猜想。

3. K 理论通过陈特征与上同调建立有理同构：这是提取同伦信息的标准通道。

所以我们有理由猜测：

信息 K 谱里的非平凡元素，可能对应因果凝聚里"不可再分解的因果原子"；能在尺度变换下"塌缩"的 K 类，可能对应新诞生的因果变量；永远塌不掉的高阶 K 类，可能就是真正的"因果拓扑序"。

但必须强调：

这目前只是一个研究纲领，不是一个定理。​ 怎么把信息 K 谱里的具体元素，一一对应到因果凝聚里的具体因果结构，还没有明确的构造。怎么定义"信息结构的凝聚公理"，还没有公认的方案。这一步，是鲁学星框架里最野心勃勃、也最尚未解决的一环。

诚实地说，这正是这个方向的价值所在：

DisCo 已经给出"拆拼不互逆"的精确度量；信息上同调已经给出"高阶依赖是拓扑障碍"的框架；Segal + K 理论已经给出"从对称张量范畴提取同伦信息"的通用机器；但把这三者和"因果从信息中涌现"焊在一起的具体机制，仍然是一片待开垦的土地。

这不是缺陷。这是最值得做的地方。

收口：一台机器，四层海拔

一条 slog 收尾：

Sklar 教我们拆开世界；Wilson 教我们接受拆不回去；鲁学星给"拆不回去"发了数学身份证（概率曲率），用信息上同调把熵写成陈根、把高阶依赖写成示性类，用陈特征把上同调连回 K 理论的整结构，用 Segal 机器把对称张量范畴送进环谱，最后指向一个尚未回答的问题：因果，能否从信息 K 谱里凝聚出来？

如果这条路走通，概率论将不再是"给定变量，研究分布"的学科，而会变成一门关于"变量如何从信息里涌现"的几何-同伦-范畴学。

而鲁学星真正野的地方就在这里：

他不是来改进 copula 的。他是来给"整体概率论"安一套 Chern–Weil + Chern character + Segal + 凝聚态物理 的骨头——并且坦白承认，最后一块骨头还没安上。

注：DisCo 代数见 arXiv:2610.15006；信息上同调见 Baudot–Bennequin 2015、Vigneaux 2019/2020；陈特征与 K 理论见 Chern 1946、Atiyah–Hirzebruch 1961；Segal 机器见 Segal 1974；因果凝聚与"四条路线汇流"见鲁学星科学网博客《通往因果凝聚的四条路线》。本文把鲁学星框架、信息上同调、陈特征、Segal K 理论与因果凝聚按一条解释性叙事串接，部分表述是解释者视角的推广，不等于作者已发表的定理陈述。第四层因果凝聚与信息 K 理论的联系目前为开放问题，文中"猜测"部分不代表已证明结论。

支持单位：