新晋菲尔兹奖得主王虹，竟然也曾涉足人工智能领域？随着NeurIPS 2026评审结果即将公布，有网友发现了一个有趣的事实：王虹教授在2019年曾于NeurIPS发表过一篇论文，且并非挂名，而是实打实的共同一作。
一个深耕纯数学的顶尖学者，为何会投身AI研究？深入阅读后发现，这是一篇将数学理论与机器学习完美融合的佳作。值得注意的是，在王虹教授个人主页列出的近四十篇论文中，唯独这篇论文没有附上链接。
本文探讨的是机器学习中的核心任务——低秩矩阵近似。现实中的数据往往呈矩阵形式，但规模巨大，直接存储和处理成本高昂。低秩近似旨在用结构更简单、秩更低的矩阵来还原原始数据。其中，列子集选择CSS算法因其直观的思路备受关注：它不生成全新的矩阵，而是从原矩阵中筛选出具有代表性的列，用这些列张成的空间来近似整体。这种方法不仅保留了数据可解释性，还大幅降低了存储和计算开销。
此前的研究表明，一般低秩近似的近似比上界约为O(k+1)，其中k为目标矩阵的秩。王虹团队的工作则将这一界限大幅推进：当1≤p≤2时，近似比改进为(k+1)^(1/p)；当p≥2时，近似比改进为(k+1)^(1−1/p)。相比统一的O(k+1)，新界限更加紧致，且对于p≥2的情况，他们还构造了精确到常数1的下界，给出了近乎完美的理论答案。
这篇论文最核心、最能体现王虹数学功底之处，在于引入了调和分析中的经典工具——Riesz–Thorin插值定理。通常证明算法在所有p值下的性能需要分别分析，而端点情况相对容易。通过Riesz–Thorin定理，作者仅需证明p=1、2、∞三个端点，即可“插值”推导出中间所有p值的结果。这套经典方法在当时理论计算机科学界并不多见，但NeurIPS审稿人敏锐地捕捉到了这一创新，认可了其严谨的论证。
当年的Meta Review评价该论文论证扎实，主要创新在于将Riesz–Thorin定理引入计算机领域。放到今天看，这提供了一个典型的跨学科案例：机器学习的难题往往能在纯数学中找到突破口。
回到当下，NeurIPS 2026的审稿机制发生了显著调整。作者投稿时需从五种贡献类型中选择：General、Theory、Use-Inspired、Concept and Feasibility以及Negative Results。毫无疑问，王虹的这篇论文属于Theory类型。根据新指南，理论论文首要考察数学严谨性，证明和逻辑必须成立，无需因缺少实验而受冷落。原创性也可以源于引入新工具或对既有工具的创新性综合。
这几乎是对王虹论文的精准描述。她没有提出新的神经网络架构，而是利用调和分析工具解决界限问题。在2026年的框架下，它依然是一篇标准的NeurIPS理论论文。这反向说明，NeurIPS并非单纯的“神经网络模型发布会”，对已有方法给出新理解、发现新性质、建立更紧界限，同样是极具价值的原创贡献。
数学与AI的边界从未如此清晰，菲尔兹奖得主能在NeurIPS发论文，正说明数学语言能为AI找到真正的通解。