数学这门学科到底凭什么能在自然科学里横冲直撞、屡试不爽？这个问题我想了很久。如果你也做过几年科研或者工程实践，一定有过类似的瞬间：明明只是出于纯粹的抽象好奇推导出来的某种结构，过了几十年甚至上百年，突然被物理学家捡起来，严丝合缝地贴在了自然现象上，精度高到小数点后好几位。这就是物理学家尤金·维格纳所说的“数学在自然科学中不可思议的有效性”，他甚至用一个更重的词来形容——非合理有效性。所谓“非合理”，意思是这件事从理性上说不过去，不该这么顺，可它偏偏就这么顺。
这篇文章不是要给出一个标准答案，因为这个问题至今没有统一解答。但我会沿着几条真实存在的思路去拆：数学为什么看起来像是被“设计”好用来描述世界的？物理学家在使用数学时到底在做什么？那些“有效性失灵”的边界又在哪里？最后我会聊聊这个问题对当下人工智能驱动科学研究的现实启发。适合对数学哲学、物理学基础问题感兴趣的朋友，以及所有在科研一线被“数学居然正好够用”震惊过的从业者。
1. “非合理有效性”这个问题到底在问什么
1.1 维格纳的原意与常见误解
先回到维格纳1960年那篇经典文章《数学在自然科学中不合理的有效性》。他开篇讲了个小故事：一群学生在讨论“为什么人是五英尺高”，有人提出可能是“因为某种数字的平均值是五英尺”，其实这只是把问题换了个说法，根本没解释。维格纳想说的是，当数学概念在自然科学中发挥作用时，我们往往误以为“数学本来就在那里”“自然本来就符合数学”，但仔细想想，这两者之间并没有必然的逻辑通道。
他的核心论断有两层：第一，数学概念以远超预期的广度和精度出现在物理规律中；第二，这种出现的频率和深度“不是我们所能理解的”，是一种“恩赐”。注意，维格纳没有说“数学有效是因为世界本身是数学的”，他承认这是个尚未解释的奇迹。
常见误解是把这个命题理解成“数学有用，所以要好好学习”。这种理解太浅了。维格纳真正惊讶的是一种不对称性：人类出于自由想象构造出来的数学对象，居然不是脱离现实的幻想，反而比我们基于经验归纳出来的规律更牢固、更深刻、更普遍。
1.2 为什么这个问题至今没有标准答案
你说这问题能不能用一句话回答？能，但都会失败。比如“因为数学是我们描述世界的语言”，这是约定论，可是它解释不了为什么偏偏是这个语法而不是那个语法好用；比如“因为自然界本身是数学的”，这是毕达哥拉斯主义，可它要面对一个质疑——你凭什么知道？又比如“因为数学是人类心智的结构，而心智是自然演化的产物”，这听着合理，却没法解释为什么量子力学里的希尔伯特空间结构能精确到超出任何演化压力能编码的程度。
这个问题难就难在它横跨数学哲学、物理学哲学、认知科学和演化论，任何单一学科的答案都只是拿手电筒照一大房间，照亮一角，其余仍漆黑。学术圈至今没有共识，恰恰说明这不是一个可以靠“再想深一点”就能解决的技术性问题，而是一个关于我们如何理解理解本身的元问题。
1.3 一个工程视角的类比
我在实际做计算和建模时有个体会。你写一套有限元程序解偏微分方程，先是离散化，再选基函数，再迭代求解。整个过程你会感觉数学像一台精密运转的机器，你只是给机器喂入物理参数，机器就会吐出正确的结果。但这台机器之所以能存在，离不开一个更底层的信念：物理规律可以被数学结构承载。
这就好比你拿到一把钥匙，发现它能打开一扇你从没见过也没量过尺寸的门。你当然可以说“因为锁匠和我想到一块去了”，但次数多了、跨的领域远了，你总会在某个时刻停下来想：这真的合理吗？工程中我们常常不深究这件事，因为要赶进度、要出结果。但正因为实用主义者不深究，“非合理有效性”反而成为一件被熟视无睹的怪事。
2. 数学的“自由创造”与物理的“被动发现”为何总是撞车
2.1 两条例子：非欧几何与群论
要真正体会“非合理”三个字，得看几个经典例子。第一个是非欧几何。19世纪数学家们搞出非欧几何的时候，纯粹是为了解决平行公设这个古典难题——他们从逻辑上证明：如果不承认平行公设，也能建出一套自洽的几何体系。这在当时被视为纯粹智力游戏，甚至被嘲讽为“几何学家的幻想”。几十年后，爱因斯坦的广义相对论需要的正是非欧几何——时空在大质量物体附近弯曲，光沿测地线走，这正是黎曼曲面上的数学结构。谁能想到一套从“平行线到底相不相交”这个无聊问题长出来的理论，能精确描述引力？
第二个例子是群论。伽罗瓦在解决五次方程可解性问题时发明了群的概念，这个抽象结构描述的是对称性。此后近一个世纪，群论在主流数学里都显得过于抽象，被称为“数学的象牙塔”。然而20世纪初量子力学兴起，物理学家发现粒子物理的守恒律和分类完全由群论刻画——SU(3)描述强相互作用，杨-米尔斯理论的规范对称性本身就是群论对象。物理学家不是先发现现象再发明数学，而是从数学工具箱里找到了已经备好的结构。这个“备好的结构”比物理发现提前了半个世纪到一百年。
2.2 三角测量：是数学在预言，不是物理解释
我把这类例子统称为“数学的三角测量”。你看一个三角形，已知两条边和夹角，可以算出第三条边。物理发现和数学结构之间也像这样：物理现象是其中一条边，数学结构是另一条边，那条还没量出来的边就是“这种数学结构居然能对自然做预言”。广义相对论的爱因斯坦场方程、狄拉克方程预言正电子、杨振宁和米尔斯用规范场论统一弱相互作用——每一次都是先有一个数学上优美的结构，再被实验证实。这不是“事后拟合”，而是“事前命中”。科学家不是站在自然对面用数学去描述，而是站在数学内部向外眺望，发现风景恰好匹配。
这种匹配的精度更是恐怖。量子电动力学的理论预言与实验结果在精细结构常数上一致到约10的负12次方量级。你要说这只是“我们发明了数学所以当然好用”，就像说你随便扔一把飞镖上了靶，那是不合理的——一次叫运气，十次一百次就叫规律。
2.3 反向案例：为什么有些“太超前”的数学至今没被用上
当然，也有一部分数学结构至今没找到物理应用。比如某些数论中的深洞猜想，比如高维拓扑学里的部分分类定理，比如集合论中独立性问题的某些推论。这引出一个有意思的事实：数学的有效性不是均匀分布的。有些分支被物理学疯狂“征用”，有些分支则长期“失业”。
这个现象本身其实缓解了一部分“非合理性”的压力。如果所有数学都一样有效，那确实无法解释；但既然只有一小部分数学结构与物理规律“配对成功”，就不排除另一种解释框架——人类发明了大量数学结构，其中恰好有一部分与自然同构，于是这些被看到、被使用，其余被忽略。这好比自然选择：变异是随机的，选择是有方向的。数学家的自由创造提供变异，物理学的需要做选择。这么一类比，“非合理”的神秘感就降低了一层。
3. 物理规律为什么偏爱“可计算的数学”，以及“有效但不可证明”的中间地带
3.1 最小作用量原理：一个数学上“多余”却在物理中无处不在的原则
你去看经典力学、电磁学、广义相对论，甚至量子场论，会发现它们的核心都可以写成最小作用量原理。一个系统从A点到B点，走到那条使某个被称为“作用量”的量最小化的路径。这个原理在数学上极度简洁，在物理上极度普适。
有意思的是，从纯粹的动力学角度讲，你完全可以不引入最小作用量原理，直接用牛顿第二定律或麦克斯韦方程组就能算出轨迹。那为什么物理规律如此偏爱变分法？我个人的理解是：最小作用量原理相当于给物理规律加了一层“目的论”的语法，而自然恰恰似乎服从这种语法。至于为什么服从，物理学不回答，数学也不回答，它就这么被写在了自然法则的底层。
这种“数学上多余但在物理中必要”的现象，是非合理有效性的一个极佳切口。它说明数学在物理中不只是计算工具，还是一种组织原理——物理学家靠它来“猜”新方程，而不是靠纯逻辑推导。爱因斯坦写场方程时，靠的正是曲率张量满足某些恒等式这种纯数学的美学；而非从实验数据机械归纳。
3.2 可计算性与物理可解性的微妙关系
另一个值得深挖的点是“可计算性”。不少物理上的严格解，比如单粒子量子系统的能谱，正好是可解析求解的；而多体问题大多只能数值近似。这个区分本身在数学上有一套完整的谱系：线性、对称、可积系统，正好对应物理中少数能被封闭解描述的案例。而混沌系统，尽管完全确定，却对初值极端敏感，长期预测不可能。
这暗示数学有效性有一个隐藏前提：自然中很多重要现象，恰好落在数学“可处理”的那部分。湍流是物理学百年难题，为什么难？因为纳维-斯托克斯方程的非线性项在数学上极难拿捏，解的存在性和光滑性至今是千禧年大奖问题。可流体本身天天在你眼前流动，它可不管数学家是否搞懂了它的存在性。这就出现了“物理现象先于数学可理解”的悖论——有效性不是无条件的，而是和数学的能力边界紧密相关。
3.3 “有效但不可证明”的实证经验
物理学家在实操中早就习惯了这样一件事：一个公式在实验上精确验证到很高精度，但数学家还欠着一个严格的证明。最典型的例子是统计力学里的某些临界指数和重整化群流。物理学家用微扰展开和蒙特卡洛模拟算出约化临界指数，和实验吻合得极好，但严格数学证明还差得远。
我曾经参与过一个材料模拟项目，要用密度泛函理论算一种合金的带隙。理论上，密度泛函的交换关联泛函精确形式是未知的，物理学家用的全是近似。结果呢？逼近出来的能带结构和实验光电子谱对上得相当好。这让我深深感受到：物理学家使用数学的方式，不是“严格地使用”，而是“信任地使用”。这种信任建立在经验有效性的基础上，而不是逻辑确证的基础上。这正是“非合理有效性”在日常科研中的化身——你用了一个你解释不了为什么有效的公式，但它就是有效。
4. 各路解释的成败得失：约定论、实在论与结构主义
4.1 约定论：为什么“语言”解释站不住脚
约定论者会说：数学是描述自然的语言，像英语描述社会一样，用惯了当然觉得顺。这个解释在逻辑上有个致命弱点：一种语言如果不贴切，使用者会在实践中遇到阻碍从而换一种；但“描述自然”不是双向选择，自然沉默不语，它不会反对你用某种数学。所以约定论最多只能解释“我们为什么习惯用某套数学”，解释不了“为什么这套数学以如此高的精度描述自然”。
换句话说，如果数学只是约定俗成的语言，我们完全可以约定出十种不同数学，但物理学家在实际操作中却发现——可供自由约定的空间非常小。你可以改变坐标系，改不了顿悟层面上的李导数结构；你可以换一种记号，换不掉代数结构。自然界的数学结构似乎并不是等价的约定，而是有“刚性”的，你绕不开它。
4.2 柏拉图实在论：数学世界独立存在的高还原度建模
柏拉图主义认为数学对象存在于一个独立于人类心智的抽象世界中，物理学家所做的只是“发现”这些结构。这个解释能很好说明为什么数学如此精确有效——因为它本来就是真实世界的一部分，物理只是这个数学世界在物质层面的投影。但它的困难在于：你无法区分“陈述：数学世界真实存在”和“隐喻：把数学当真实存在很有用”。正统科学方法论是不接受“用有效的解释证明存在”的，因为那循环论证——为什么有效？因为它存在；为什么存在？因为它可以有效解释一切。
但我想替柏拉图主义辩解一句：物理学从一开始就在使用这种循环。我们看不见电子，但假设电子存在能解释云雾室径迹和能级跃迁，于是我们就说电子存在。那么，如果假设“数学世界存在”能解释数学与物理的精密配合，为什么不能同样被接受？这不是放水，而是在问：我们的本体论承诺的尺度到底该划在哪？物理学实践其实相当“柏拉图主义”地对待数学对象——你把希尔伯特空间当真实存在的对象去操作，而不是当一种计算游戏。
4.3 结构主义与康德式进路的当代翻新
结构主义试图调和两者：数学和物理分享的不是内容，而是结构。比如“空间是弯曲的”“自旋是旋量”这种命题，物理关心的其实是结构关系，而不是具体的点或数。这很强大，也符合现代物理学的口味——物理学家越来越认为，所谓基本定律就是结构关系，而不是实体列表。
但结构主义同样有一个危机：结构从哪来？如果结构是世界固有的，你就是变相柏拉图主义；如果结构是心智强加的，你退回了约定论。为了逃避这个两难，冒出了演化论解释：人类大脑在自然选择中发展出能捕捉世界结构的模式识别能力，数学是这种能力极度放大的结果。这个解释有一定道理，但它回答不了“为什么数学结构不仅足够好，而且完美到超越所有实际生存需求的应用场景”。演化只需要你算得清猎物和天敌的距离，不需要你发明黎曼几何。
4.4 实践多元论：与其追问原因，不如看它如何被使用
我比较欣赏的是第三类路径，可以称其为“实践多元论”。不追求一个终极原因，而是观察“数学有效性”在科学研究中如何实际运作。你会发现，数学有效性不是一个神秘属性，而是一个交互过程：数学家造结构，物理学家筛结构，实验数据修正结构，理论结构再指导新的实验。在这个循环中，有效性的“非合理感”被分布式淡化了：每时每刻都有大量数学结构被淘汰，只有少数活下来。幸存者看起来“非合理”，但也许只是统计偏差——我们只看见活下来的那一个奇迹，没看见九十九个死掉的无用结构。
这种思路不能让你获得形而上学上的宁静，但它更有生产性：它把注意力从“为什么数学有效”转移到“什么条件下数学有效”“如何更系统地利用数学来做发现”。这个转向，恰好是当下人工智能与科学发现结合时的关键方法论。
5. 数学有效性的边界：什么时候数学不灵了
5.1 混沌与长期预测：数学有效性的天花板
数学确实不是万能的。你给一个确定性混沌系统（比如三体问题）初始条件，即使方程完全确定，长期演化轨道也无法预测，因为误差指数增长。这不是工程精度不够，而是数学结构本质上的不可预测性。这件事对“数学的有效性”提出了第一条边界：数学善于描述“规律”，但不善于描述“规律的长期后果”。就好比你完全知道交通规则，也无法预测一个月后某个路口的每辆车位置。确定性不等于可预测性，可预测性也不等于可计算性。
我做数值模拟时就吃过混沌的亏。曾经尝试复现某个双稳态系统的长时间演化，两种势阱之间的转换频率极难算准。明明控制方程是教科书级的，模拟结果却和另一篇论文差了不少，后来才发现，我们落在一个鞍点附近的稳定流形上，混沌分离线把吸引域两侧的轨道彻底分开了。数学告诉我系统是确定性的，但数学也告诉我这个确定性的内容无法计算。这两种说法都出自同一套数学，真是一体两面。
5.2 不可判定性与不完备性：为什么有些真命题没有证明路线
哥德尔不完备定理对数学有效性是一个更深的打击。它表明，任何足够强的一致公理系统中，总存在既不能被证明也不能被否证的命题。在物理学里，虽然我们遇到的绝大多数命题都属于可判定范围，但数学的翅膀里始终带着这个缺口。如果一个物理学理论建立在某种公理化系统之上，理论上也继承了不完备性的影子。当然，实践中这对当下物理问题没有直接阻碍——物理学家需要的是有限的、局域的数学工具，不是一切命题的完备证明。但它提醒我们：数学与物理的配合是有代价的，这个代价就是“在有限区域内有效”。
5.3 理论对现象的“过度拟合”：数学让人误入歧途的时候
数学有效性还有一个不那么常见的反面：数学过于强大，以至于物理学家会为一个现象发明出过度精致的理论。这就是“数学美丽性诱导的理论漂移”。历史上有过的例子：某些弦理论模型极其数学优美，却长期缺乏实验验证；某些多体问题的唯象模型复杂精妙，但对新数据的预测一塌糊涂。这说明数学的有效性不是自动的，它依赖于物理学家在数学的美和经验的约束之间保持平衡。
一旦你脱离实验数据，纯凭数学的美感去外推，有效性就会迅速衰减。这就像一把好锤子，它能精确地把钉子敲进木头，但如果你决定用它敲进玻璃，它的精良反而让破碎更彻底。数学工具当然好用，但你得选对钉子。
5.4 实操中的“数学降级”：从解析到数值再到启发式
在我的实际经验中，数学有效性还有一个“降级路径”。最开始，你希望用解析解、闭式方程，那是数学最漂亮的状态；接着，解析解无望，转用数值模拟；再往下，数值模拟计算成本太高或精度不稳，就只好退化成启发式近似、量纲分析、标度律。你会发现，这个降级过程里，每一层级都仍然依赖数学，但“有效性”的形式已经变了。量纲分析看起来只是凑单位，但它背后是物理规律对尺度变换的某种不变性，这依然是数学结构。
所以更准确的说法是：数学的有效性不是要么全部有效要么全部无效，而是有不同的“有效性层次”——严格解对应强有效，数值解对应弱有效，启发式规则对应最弱有效，但它们都在同一条由数学语言编制的光谱上。
6. “非合理有效性”对AI与数据驱动科学的现实启示
6.1 深度学习居然也展现出“类似的有效性”，这本身就是新谜题
这些年深度学习在科学发现里用得越来越多——蛋白质结构预测、材料性质预测、偏微分方程求解、分子动力学加速。有意思的是，神经网络这种完全由数据驱动、不具备显式物理先验的模型，在预测未知数据时居然也具有很强的泛化能力。研究者之间常开玩笑说：这算不算“机器学习的不合理有效性”？
严格讲，深度学习的泛化和数学有效性有本质区别——神经网络是从大量样本中归纳，数学结构不是从样本归纳出来的。但两者有个共同点：从有限数据或有限公理出发，能得到在未见样本或未推演结构中仍然成立的结论。为什么能成立？这是个开放问题。很多机器学习理论的研究者尝试用“简单性偏置”“函数空间的平滑性”来解释这种泛化，但这些解释都远没有达到物理定律那种确定性水平。数据驱动科学正在重复维格纳的困惑——只不过这次的“奇迹载体”换成了参数化的模型，而不是数学公式。
6.2 数学家与AI协同：把“有效性谜题”转变成“有效发现工程”
与其纠结于为什么有效，更值得做的是把这种有效性变成一种可设计的方法论。我见过不少团队在尝试用AI辅助数学发现——让模型在高维空间里搜索反例、猜测新定理、提出新结构。有的工作很有启发性：模型能在大量公式序列中发现人类没注意到的恒等式，或者给数学家提示“这是一个对称破缺”。这里的哲学基础就是实用多元论——把数学当作一种可操作的结构资源，而不是一个待解释的神迹。
同样，在物理模拟中，越来越多的做法是“混合建模”：先用量纲分析和物理对称性锁定数学表达式的骨架，再用神经网络去拟合剩下的自由函数。这是一种对“数学有效性”的工程化利用：你相信数学结构大体有效，只是不确定其中的具体系数或低阶偏差，于是让AI来填补这个不确定性。这个思路不仅好用，而且还有意无意绕开了哲学争论——你不需要承认数学是世界的本质，你只需要承认数学为建模提供了一个非常优质的先验空间。
6.3 给科研实践者的三条建议
如果你也在着手做AI+基础科学或者需要大量数学建模的研究，我有三条具体建议。
第一条：尊重“无量纲化”和“对称性分析”。几乎我见过的所有糟糕建模，根源都在于丢失了物理量纲或对称性；而几乎所有成功的数学模型，都在第一步就做了正确的无量纲化和对称性分析。这比调任何超参数都重要。
第二条：把“数学预测成功”当作一种可证伪的假设来对待。不要理所当然认为一个数学结构一定适用于新场景。引入一个新数学工具后，至少要设置一个“负对照”：造一个结构上类似、但物理上不合理的数学对象，看模型会不会给它显著的正响应。这个操作能帮你识别哪些“有效性”是真结构反射，哪些只是形式上的巧合。
第三条：重视“中间地带理论”的堆积。科学结论很少是直接从现象跳到终极方程的。中间需要大量有效的半唯象理论。这些理论在严格数学上不够完美，但在实验上足够精确。AI模型正是半唯象理论的理想载体。如果你可以在不追求解析推导的情况下，构建一个精度可控的近似模型，我建议优先做，不要等到完美数学推导才起步。
6.4 数据规律能不能反过来定义“什么是自然律”
最后一个稍微深一点的启示：AI时代，我们也许正在重新定义“什么是自然律”。传统上，自然律总是以简洁的数学方程呈现。但真实世界的绝大多数现象，恐怕并没有那种简洁形式。蛋白质折叠、气候系统、金融市场，可能根本不存在一个短的、可写的封闭公式。这时候，“数学有效性”问题就变成了“何种数学表示能最经济地压缩自然数据”的问题。
神经网络其实就是在做这种压缩：它在高维空间中找一种参数化的表示，使得从输入到输出的映射有最大的预测力，同时参数尽可能少。这与物理学家寻找优美方程的过程有同构关系。区别是，传统数学方程是人类可读的优美符号，而神经网络权重是人类不可直接阅读的“隐式数学”。问题是：如果一种不可读的数学表示非常有效，它还算“数学合理性”吗？
我个人觉得，这是维格纳问题的当代形态。一百年后的人回看今天，也许会像我们回看19世纪的非欧几何一样：那个时代最前沿的数学有效性问题，正以我们无法预见的形式在AI系统中再次出现。而“为什么有效”的提问，或许会被“如何更高效地发现新模式”的提问所取代。但我还是相信，追问本身不会过时——因为每当我们掌握了新的发现工具，我们只不过是把不解之谜从已知边界推得更远了一点。
我对数学的非合理有效性的长期态度，可以总结成一个词：有敬无畏。敬的是，它确实以一种超乎想象的方式贯穿于从最小粒子到最大宇宙尺度的所有自然规律；无畏的是，我们完全不需要等一个终极解释才去使用它。科研本身就是带着这种奇异的安心感往前走的——你用着数学，你被数学用着，你和自然共享一套谁也没彻底理解的语言，但你们合作得还不错。这大概就是数学给实践者最奇妙的礼物：一个无需全知全能也能精确运转的思维方式。