我的学术起点在控制科学与信息科学，那里讲究的是严密的逻辑和硬核的数据。后来因为对复杂网络的热爱，我转到了计算传播学任教。虽然环境变了，但博士期间养成的那种对数学严谨性的执念，我从未丢掉。

在一个人文社科主导的圈子里，这种对“计算精度”的较真，有时候显得挺格格不入。甚至，可能很多人不理解我，也有人无法想通：一个教计算传播学方法的老师，为什么要一头扎进这种纯工程的硬骨头里？目前看来对我没有帮助，因为跟我所在的学科不符。

我也曾问过自己。但心底的答案其实很简单：当你面对一个让自己激动不已、且确信有能力解决的重要科研课题时，你是无法袖手旁观的。 哪怕这意味着要招致非议，哪怕这意味着要在这个“不务正业”的路上孤独前行一会。

故事的开始，发生在我开设的一门《网络新科学》选修课上。这门课不仅探讨复杂网络，也深入涉及了部分人工智能算法的应用，还有我对外宣称这门课也跟应用数学相关。

课后，一位非常喜欢选修各种课程的地理专业的硕士生带着问题找到了我。他工程动手能力很强，却卡在了一个关键瓶颈：如何在不依赖昂贵专业设备的情况下，实现对低空物体的精准三维定位？他们课题组以工程为主，他想带着这个问题寻找一些至少看起来符合SCI发表逻辑的信息。

这个听着就很熟悉的挑战瞬间点燃了我。我们达成共识：解决之道不在于堆砌硬件，而在于算法的优雅。最终，我们仅用了三台普通的手机作为采集终端（选择3台是基于基本的坐标转换原理）。

这并非简单的应用数学和AI算法的拼凑。核心在于我多年在启发式算法和非线性时间序列分析上的积累。我们没有直接套用现成的模型，而是对最新的YOLOv12进行了深度改造，使其适配这种低成本、高动态的场景。更关键的是，我们将奇异值分解（SVD）作为核心代数工具，构建了一套严密的数学框架。通过它，我们成功从手机拍摄的简单二维图像中，通过AI算法和代数推导重构出了高精度的三维坐标。

这条路走得并不轻松。身在社科中心，没有硬科学实验的经费支持，学生也没有预算。整整三四个寒暑假（并没有一定要发表，就是想挑战一下或者证明一下自己：即使没有跨学科，科研能力也不虚的），我们靠着借来的简陋设备，凭着对线性代数的熟练掌握和对科研的直觉，硬是把这套低成本框架验证了出来。

特别要感谢我的导师，澳大利亚应用数学家 Michael Small 教授。在我最缺乏资源的时候，是他不仅提供了关键的学术指引，帮我们将粗糙的想法打磨成严谨的叙述，更慷慨地提供了项目经费，让这项研究得以落地。

其实最开始是想找一个应用数学刊物发表的，因为我对这个研究的贡献全部在于算法设计、仿真设计和数理逻辑的引导，我一开始就认定这是一篇理论文章，工程实践只是最后对理论框架的一个小小测验，这个低空物体可以是任何可在低空移动的物体（鸟类啊，飘在空中的气球啊，包括无人机之类的科技产品，都可以的）。但事情的发展往往出乎意料，至少从发表刊物的名字上来看，会让人误以为这是篇工程论文（其实真不是，这就是篇以应用数学为主的数理框架推导论文）。不管怎么说，这篇刚刚发表在Nature旗下首本工程学子刊《Communications Engineering》上的论文，对我而言意义非凡。它不仅是对我们技术路线的认可，更证明了逻辑的力量：科学的价值，源于深刻的洞察力，而非资源的堆砌。

追求纯科学往往是一场孤独的攀登。它需要资金，需要像Michael那样有远见的引路人，更需要一种勇气——去追随那个让你激动的念头，哪怕全世界都觉得你“跑偏了”。

最后的最后，有机会会继续跟麦克合作，多发表一篇出来。如果没机会的话，就算了，毕竟不能靠这个去评所在单位的教授。

欢迎引用：Yi, J., Shang, Kk. & Small, M. Bridging mathematical modeling and AI for 3D coordinate recognition of moving objects without external reference and attitude measurement. Commun Eng (2026). https://doi.org/10.1038/s44172-026-00648-x