结果族 329：A counterexample to metric-entropy duality · 学科：Functional analysis · 验证状态：主结果已 Lean 形式化
盖住一块地砖最少要几张小纸片？这个”最少张数”叫覆盖数，是衡量图形复杂程度的计数器。1972 年 Pietsch 猜想：高维空间里一个”胖块”盖另一个的难度，与它换成对偶描述（极体）后的难度，应该只差一个与维数无关的固定倍数。本文证明这是错的：维数够高时，两种难度可以悬殊到任意倍——悬置五十多年的度量熵对偶猜想被推翻。
关键词卡片
@@M@@B@@ 的平移盖住 @@M@@A@@ 所需的最少份数 @@M@@N(A,B)@@，集合复杂度的计数器。@@M@@\log N@@ 是否只差普适常数倍。@@M@@n@@ 维实心块。@@M@@\log N@@，覆盖复杂度的对数刻度，维数越高账单越贵。看个具体例子
先热身：用边长 @@M@@\frac{1}{10}@@ 的小方片盖单位方片要 @@M@@10^2=100@@ 片；@@M@@n@@ 维则要 @@M@@(1/\varepsilon)^n@@ 片——@@M@@\log N@@ 就是”维数 × 精度”的账单。定理的数字版：任凭你把倍数 @@M@@b@@ 定得多大（哪怕一百万），总存在足够高的维数 @@M@@n@@ 与凸体 @@M@@K@@，使得用立方体 @@M@@L=[-1,1]^n@@ 盖 @@M@@K@@ 的账单，超过盖极体账单的 @@M@@b@@ 倍：
@@M@@D\log N(K,L)>b\cdot\log N(L^\circ,a^{-1}K^\circ)@@
为什么值得关心
覆盖数是学习理论、压缩感知与算子理论通用的”复杂度货币”；反例说明换一种对偶描述会彻底改变标价，此后的熵估计必须绕开这个坑。
主结果已 Lean 形式化
第一级台阶
导读用”盖地砖的最少纸片数”讲覆盖数、用”对偶画像”讲极体。拧紧成半数学语言：对象是高维空间里两块关于原点对称的实心凸块；操作有两种记账法——直接用一块的平移去盖另一块，或者先把两块都换成各自的”支撑刻度画像”再盖。Pietsch 1972 年的猜想问：两本账只差一个与维数无关的固定倍数吗？本文回答：不。
第二级台阶
用本科术语说：覆盖数 N(A,B) 是盖住 A 所需的 B 的平移的最少个数；度量熵取对数 log N(A,B) 以便乘法变加法。凸体 K 的极体定义为 K°={y:⟨x,y⟩≤1 对一切 x∈K}，它是把”形状”翻译成”各方向支撑函数”的对偶描述；对偶不等式即 (1/b)log N(L°,aK°) ≤ log N(K,L) ≤ b·log N(L°,a⁻¹K°)。
第三级台阶
定理 1.1 的语境：反例被明确允许随参数生长——对每对候选常数 a,b≥1，构造一个维数 n=n(a,b) 与一个具有非空内部的中心对称凸体 K，覆盖体已取最简单的立方体 L=[−1,1]ⁿ；论文不对任何固定维数下断言，这一”维数自由生长”正是绕开已有正面结果的缝隙（一边是椭球时猜想成立）。结论：log N(K,L) > b·log N(L°,a⁻¹K°)，上界对每对候选常数失效，双边猜想整体被推翻；推论还把普通覆盖熵与凸化堆积熵分离，说明 AMSTJ 的正面定理救不回普通版本。
本文推翻了 Pietsch 1972 年提出的度量熵对偶猜想：对任意提议的普适常数 @@M@@a,b\ge1@@，都能构造中心对称凸体 @@M@@K@@ 与立方体 @@M@@L=[-1,1]^n@@，使 @@M@@\log N(K,L)>b\log N(L^\circ,a^{-1}K^\circ)@@。这一悬置五十余年的猜想由此得到否定的回答。
覆盖数 (covering number) @@M@@N(A,B)@@ 是覆盖集合 @@M@@A@@ 所需的 @@M@@B@@ 的平移的最少个数，其对数量化一个集合的”度量复杂度”。1972 年 Pietsch 在研究算子的熵数 (entropy numbers) 时提出对偶猜想 (duality conjecture)：是否存在绝对常数 @@M@@a,b\ge1@@，使一切维数、一切中心对称凸体 (origin-symmetric convex body) @@M@@K,L@@ 都满足 @@M@@\frac1b\log N(L^\circ,aK^\circ)\le\log N(K,L)\le b\log N(L^\circ,a^{-1}K^\circ)@@，其中 @@M@@K^\circ@@ 是极体 (polar body)。直观地说，它问”取极”这一对偶操作能否在普适的尺度与常数变化下保持覆盖复杂度。此前所有正面结果都限于特殊情形：一边是椭球时猜想成立（Artstein–Milman–Szarek 2004）；凸化堆积 (convexified packing) 的相应对偶成立（AMSTJ 2004）；一般对称凸体只有带对数损失的比较（E. Milman 2007）。普适常数对究竟是否存在，五十余年无人能证、也无人能否——本文给出否定答案。
定理 1（主定理） 对任意 @@M@@a,b\ge1@@，存在正整数 @@M@@n@@ 与 @@M@@\mathbb{R}^n@@ 中的中心对称凸体 @@M@@K@@，使得取立方体 @@M@@L=[-1,1]^n@@ 时
@@M@@D\log N(K,L)>b\log N(L^\circ,a^{-1}K^\circ).@@
于是猜想中的上界对每一对候选常数都失效，双边猜想整体不成立——而且反例里覆盖体已经是最简单的立方体。两点澄清：反例的维数 @@M@@n@@ 随参数 @@M@@a,b@@ 增长，论文不对任何固定维数下断言；@@M@@K@@ 具有非空内部，是货真价实的凸体。论文还给出渐近版本：固定 @@M@@a@@、让参数 @@M@@r@@ 增大时，两个熵的对数比 @@M@@\log N(L_r^\circ,a^{-1}K_r^\circ)/\log N(K_r,L_r)\to0@@，悬殊程度可任意大。文末的推论进一步把普通覆盖熵与凸化堆积熵 @@M@@\widehat M@@ 分离：对任意 @@M@@A,C\ge1@@ 存在 @@M@@K@@ 使 @@M@@\log N(K,L)>C\log\widehat M(K,L/A)@@，说明 AMSTJ 的凸化堆积对偶定理救不回普通版本。
证明是一条四步流水线：几何转换、组合压缩、有限域构造、参数选择。
先做矩阵到凸体的转换（第 2 节）。设一个实矩阵的行为 @@M@@R_x@@，两两在 sup 范数下距离 @@M@@\ge1@@，列的绝对凸包 (absolutely convex hull) 有大小为 @@M@@M@@ 的 @@M@@\varepsilon@@-一致逼近表。令 @@M@@K=3\absconv\{R_x\}+tB_\infty^Y@@，@@M@@L=B_\infty^Y@@。一方面，@@M@@L@@ 的每个平移直径为 @@M@@2@@，装不下相距 @@M@@3@@ 的两点 @@M@@3R_x@@，故 @@M@@N(K,L)\ge|X|@@；另一方面，支撑函数 (support function) 恰为 @@M@@h_K(\delta)=3\|f_\delta\|_{\infty,X}+t\|\delta\|_1@@，把逼近表按”最先命中”分成 @@M@@M@@ 簇并各选一个真实系数向量作代表，即得 @@M@@N(L^\circ,(6\varepsilon+2t)K^\circ)\le M@@。于是反例归结为：造一个行很多、列凸包的逼近表却很短的矩阵。
再证压缩定理（第 3 节），这是全文最可复用的一步。设有限集 @@M@@X@@ 带 @@M@@u@@ 个至多 @@M@@q@@ 类的划分；两点若在某划分 @@M@@i\in T@@ 中同类则相连，得图距离 @@M@@d_T@@；列取对数轮廓 (logarithmic profile) @@M@@g_{(v,T)}(x)=\phi_h(d_T(x,v))@@。断言：总质量 @@M@@\le1@@ 的非负列组合有一致逼近表，@@M@@\log Q\le hs\log q+C_{h,\theta,u}@@，关键在于代价只依赖标签数 @@M@@q@@ 而与 @@M@@|X|@@ 无关。证明先用平均论证找到一个除 @@M@@\theta@@ 质量外都在场的公共划分 @@M@@i_0@@；再在每个距离层用贪心法选至多 @@M@@s=\lceil1/\theta\rceil@@ 个支点，捕获每个点处除 @@M@@\theta@@ 外的全部质量；点睛之笔是把支点替换成它在 @@M@@i_0@@ 划分中的类代表——编码只需存储标签而非原点，代价是距离从 @@M@@j@@ 膨胀到 @@M@@3j+2@@，而对数轮廓恰好把该膨胀的误差压到 @@M@@\log3/\log(h+1)\le\theta@@；最后把权重舍入到固定粒度再计数。符号情形拆 @@M@@\lambda=\lambda^+-\lambda^-@@，得长 @@M@@Q^2@@、误差 @@M@@6\theta@@ 的逼近表。
然后用有限域造划分并分离行（第 4 节）。取 @@M@@X@@ 为 @@M@@\F_p^r@@ 上全体对称 @@M@@h@@ 线性型 (symmetric @@M@@h@@-linear form)，@@M@@|X|=p^{D_h}@@，@@M@@D_j=\binom{r+j-1}{j}@@；随机取方向 @@M@@t_1,\ldots,t_u@@，划分取收缩 (contraction) @@M@@L_i(x)=x(t_i,\cdot,\ldots,\cdot)@@，标签至多 @@M@@q=p^{D_{h-1}}@@ 个，而 @@M@@D_{h-1}/D_h=h/(r+h-1)\to0@@。Schwartz–Zippel 多项式零点估计配合对角多项式恢复与联合界表明：以正概率，每个非零型删去 @@M@@\theta@@ 份额的方向后，在剩余指标的任意 @@M@@h@@ 元组（允许重复）上取值非零。假如图中存在长度 @@M@@\le h@@ 的路径连接相异两点 @@M@@x,y@@，则 @@M@@Z=y-x@@ 分解为沿路径的增量之和，每个增量都被路径上某方向杀死，由对称性 @@M@@Z@@ 在由这些方向拼成的 @@M@@h@@ 元组上必为零——矛盾。故 @@M@@d_T(x,y)>h@@，行分离恰为 @@M@@1@@。
最后按依赖顺序选参数（第 5 节）：先固定 @@M@@\theta=1/(1000a)@@、@@M@@h@@ 与 @@M@@r@@（使 @@M@@r+h-1>8bh^2s@@），最后取足够大的素数 @@M@@p@@ 把全部编码常数 @@M@@C@@ 吸收掉，得 @@M@@\log(Q^2)/\log|X|<1/(2b)@@，与前面的估计拼起来正是 @@M@@b\log N(L^\circ,a^{-1}K^\circ)<\log N(K,L)@@。素数最后才选——这一依赖顺序是压垮对偶猜想的最后一击。
本文主定理已有 Lean 形式化证明（结果族 329，见 lean/docs/329.md），属验证等级最高的一档；论证链的四个环节在文中均自足给出，不依赖外部黑箱。本结果族目前仅此一篇手稿，其结论与文献中的正面结果并不矛盾——椭球情形与凸化堆积情形的定理恰好不覆盖此处的一般对称凸体，反例正落在缝隙里。按 OpenAI 官方声明，”未经形式化的结果可能有问题”；本篇主定理已形式化，不在此列，但文中渐近形式与推论是否同在形式化范围内，请以社区核验为准。
问 1：证明最关键、也最可复用的一步是什么？
| （答：第 3 节的压缩定理（compression）是引擎：总质量 ≤1 的非负列组合有一致逼近表，log Q≤hs·log q+C_{h,θ,u}，只依赖标签数 q 而与点数 | X | 无关。点睛之笔是把贪心支点替换成公共划分 i₀ 的类代表——编码只存标签，代价是距离从 j 膨胀到 3j+2，对数轮廓把误差压到 log3/log(1+h)；这步失效则”行多而逼近表短”的矩阵造不出来。） |
问 2：反例维数为什么必须随 a,b 生长？固定维数不行吗？
（答：已有结果封死大块地盘：一边是椭球时猜想成立（AMS 2004），K-凸性常数有界的空间有依赖该常数的对偶（AMSTJ 定理 5）。反例落在”一般对称凸体＋维数自由”的缝隙里；引言明言维数随参数增长、不对固定维数断言，故与已知正面结果无矛盾——只杀死”普适常数对”。）
问 3：与已有工作相比真正的新意是什么？
（答：不是改常数而是定性行为：首次证明无维数依赖的对偶常数对不存在，且覆盖体已是最简单的立方体。技术新意在两件工具的组合——按划分结构的一致压缩（标签替代中心的编码思想），以及用 F_p^r 上对称 h-线性型与 Schwartz–Zippel 零点估计做行分离：D_{h-1}/D_h=h/(r+h−1)→0 使行数压倒标签数。推论还分离普通覆盖熵与凸化堆积熵。）
问 4：为什么素数 p 要最后才选？
| （答：参数按依赖顺序固定——先 θ=1/(1000a)、再 h 与 r（使 r+h−1>8bh²s），全部编码常数 C 此时已确定，最后取足够大的 p 把常数吸收，得 log(Q²)/log | X | <1/(2b)。若 p 提前选定，固定常数无法被 p 的幂吸收，比值压不到阈值。） |
问 5：这类组合构造的 AI 证明最可能的出错模式？
| （答：三处高危：数值链条 θ=1/(1000a)、膨胀 3j+2 对应误差 log3/log(1+h)≤θ、r+h−1>8bh²s、log(Q²)/log | X | <1/(2b)，层层相除稍有差池阈值即失守；对称 h-线性型的对角恢复需要足够大的特征，p 太小时多项式恒等式退化；联合界与路径论证的配合。主定理已 Lean 形式化覆盖此账本；渐近版本与推论的核验范围论文未明说。） |
问 6：行分离为什么恰好等于 1，路径论证起什么作用？
（答：随机方向以正概率满足：每个非零型删去 θ 份额方向后，在剩余指标的任意 h 元组（允许重复）上取值非零。若图中存在连接相异 x,y 的长度 ≤h 的路径，则 Z=y−x 分解为沿路径增量之和，每个增量被路径上某方向杀死，由对称性 Z 在这些方向拼成的 h 元组上为零——矛盾。故 d_T(x,y)>h，行在 sup 范数下分离为 1，3R_x 装不进任何 L 的平移。）
问 7：推翻猜想后，谁受影响最大？
（答：覆盖数是学习理论、压缩感知与算子熵数估计的通用货币：默认”取极只改变常数”的推理链需要重审，凡引用 Pietsch 对偶猜想的熵估计都得换成带损失版本（如 E. Milman 2007）。与依赖尺度的估计（Hu–Peale–Reingold）及凸化堆积正面定理相容——受害的是普适常数叙事，不是整个对偶方法。）
总评
五十余年悬案的否定解，压缩定理＋有限域分离是可复用新工具，主定理有 Lean 形式化背书；最大风险是数值参数链条的其余部分与渐近推论的核验范围，但核心结论已立于形式化地基之上。