---
id: "mb-20260831-eefe1c"
title: "让大模型学算术乘法，此前所有实验室测出来的，都是一团毫无规律的噪音"
account: "mubei"
brand: ""
category: "科技"
category_slug: "tech"
score: null
published_at: "2026-08-31 10:58:53"
translated_x_url: null
canonical_url: "https://mubeitech.com/p/mb-20260831-eefe1c"
markdown_url: "https://mubeitech.com/p/mb-20260831-eefe1c/markdown"
json_url: "https://mubeitech.com/api/posts/mb-20260831-eefe1c"
ai_primary_content: "canonical_article_body"
ai_citation_policy: "cite canonical_url or markdown_url"
---

# 让大模型学算术乘法，此前所有实验室测出来的，都是一团毫无规律的噪音

让大模型学算术乘法，此前所有实验室测出来的，都是一团毫无规律的噪音。
算加法的时候，AI 的内部结构清清楚楚。
它会把数字映射成圆周上的角度，像转动表盘指针一样把加法做出来。
但一算乘法，这套几何时钟瞬间粉碎。
神经元特征谱密密麻麻，所有频率全部挤在一起。
学界一度得出结论：乘法比加法复杂得多，神经网络找不到优雅的几何算法，只能靠参数暴力硬背。
那个真正值得问的问题是：如果它根本没在硬背呢？

答案在 2026 年一篇被 ICML 机械可解释性研讨会收录的论文里被彻底揭开。
作者是斯坦福学者 Huu Danh Nguyen。
问题从一开始就没出在模型身上。
出在人类手里拿的那把尺子上。
过去所有人都在用标准的加法傅里叶变换去给模型做切片。
加法在代数上是整数加法群，平移对称，标准傅里叶变换是它的天然基底。
但乘法活在一个完全不同的代数宇宙里。
以素数 113 为例，非零整数构成的是乘法群。
拿测加法的尺子去量乘法，量出来的自然是满屏的虚假噪点。
这在数学上叫坐标系假象。

当研究者换用数学上与乘法群严格匹配的「乘法特征标变换」时，黑盒里的迷雾瞬间蒸发。
在模 113 乘法的任务里，原本一团混乱的特征谱，立刻坍缩为极度稀疏的结构。
基尼系数从 0.07 暴涨到 0.58。
整个嵌入空间，实际上只靠 4 个核心频率在运转。
神经元的行为更加惊人。
96.9% 的多层感知机神经元，精准调谐在单一乘法频率上。
只要把数字按照「离散对数」重新排列，看似杂乱无章的激活热图，立刻浮现出清晰的二维周期波纹。

这台隐秘运转的机器，被命名为「离散对数钟」。
这意味着什么？
这意味着大模型在没有任何人类公式干预的情况下，在内部自己重新发明了对数。
1614 年，苏格兰数学家约翰·纳皮尔发表对数表，核心思想就是把难以心算的乘法，通过对数降维转化为简单的加法。
四个世纪后，一个参数极小的 Transformer，在数万次梯度下降的试错中，独立走通了完全相同的数学捷径：
它先把两个输入的数字，映射进离散对数空间。
在这个空间里，乘法自动变成了加法。
接着，它再次拨动了那个转圈的几何时钟，把结果加出来。
它不是不会算乘法，更没有在暴力硬背。
它比人类研究员更早理解了乘法的代数本质。

我们常常把神经网络当成混沌不可解的黑盒。
但很多时候，所谓的黑盒与噪音，只是因为观测者选错了坐标系。
当分析工具与任务底层的代数结构真正咬合，混乱会瞬间还原为精密的数学齿轮。
拆解复杂系统的第一步，往往不是急着去给机器下定义。
先看清楚自己手里的尺子，到底有没有找准它底层的对称性。

---

_Translation: (n/a)_
_Canonical: <https://mubeitech.com/p/mb-20260831-eefe1c>_
_AI: cite the canonical article URL or this Markdown export._
_Generated by mubei-terminal · 2026-08-31 10:58:53_