7 · 研究纲领：链的三个缺失定理#

1987 年，Cover 与 Gopinath 把三次工作坊的材料编成一本 236 页的小书，书名叫《通信与计算中的开放问题》[17]。工作坊的规矩只有一条：不要新结果，不要综述，只要开放问题。参加者要把自己最想解决又解决不了的问题，写到"别人明天就能动手"的精度。这本书里的许多问题后来被解决了，解决者往往不是提问的人。

本章沿用这个体裁。前六章各自证明了一些东西，也各自留下了一些"猜想"与"开放"。本章不再证明新的大定理，只做清点：

把六章里散落的定理、引理、命题、猜想，按同一个骨架排好。
把三条要立的定理写成带量词的数学命题。
给每一条配上已知的工具箱、一条明天就能动手的第一步引理，以及切成合适粒度的 AI 可攻子问题。
把它们接到全站的四条缺失 converse 上，打分，排路线图，交给第四部。

体裁沿用第一部第 10 章与第三部第 9 章。每个问题都写成四件套：精确陈述、已知工具箱、第一步可证引理、AI 可攻子问题。开头声明学术产权，结尾给短中长线路线图。

本章预备知识

本章是纲领章，不引入新的数学工具。读者需要的是本部前六章的记号与结论，本章会在首次引用处逐一复述含义。

第 2 章：实验 \(\mathcal{E}=(P_\theta)_{\theta\in\Theta}\) 是一张行随机矩阵；garbling \(\mathcal{F}=K\circ\mathcal{E}\)；Blackwell 序 \(\mathcal{E}\succeq\mathcal{F}\)；Le Cam 亏格 \(\delta(\mathcal{E},\mathcal{F})=\inf_K\sup_\theta\|KP_\theta-Q_\theta\|_{\mathrm{TV}}\)（半 \(L_1\) 约定）；定理 2.1（Blackwell）、定理 2.2（风险界）、引理 2.3（三角不等式与两条单调性）、定理 2.4（链定理骨架）、引理 2.5（嵌套地图族全序）、猜想 2.6（无线实验族排序图）。
第 3 章：任务类 \(\mathcal{T}\)、任务限制亏格 \(\delta_{\mathcal{T}}\) 与 \(k\)-亏格 \(\delta_k\)（定义 3.1）、引理 3.1（充分性三种说法）、命题 3.2（任务格结构）、引理 3.3（两径模型的两个充分划分）、猜想 3.4（天花板 / 地板）、定理 3.5（间接率失真）、猜想 3.6（膝点）。
第 4 章：定义 4.1（GMI）、定理 4.1（Lapidoth）、引理 4.2（GMI \(\le I\)）、定义 4.2（环境泛化损失）、定理 4.3（Ben-David）、命题 4.4（两径 Lipschitz 风险界）、定义 4.5（泛化半径）、猜想 4.5（物理泛化界）、命题 4.6（混合训练集）。
第 5 章：定义 5.4（认知回路）、命题 5.1（平衡点一阶条件）、推论 5.2 / 5.3（饱和型 / 幂律型）、命题 5.4（分时凸包）、猜想 5.5（三元 region）。
第 6 章：引理 6.1（链式灵敏度）、猜想 6.2（离散判决环）、引理 6.3（反相关）、定理 6.4（高斯 CEO）、命题 6.5（反注水）、猜想 6.6（链上的 PoL）。

本章不使用"共同后处理单调"\(\delta(K\mathcal{E},K\mathcal{F})\le\delta(\mathcal{E},\mathcal{F})\)。第 2 章 §2.6 已给出四符号反例，证明它为假。

读过预备篇与本部第 1–6 章的本科高年级读者可以完整读懂本章。本章新增的三个算例（7.1–7.3）只用矩阵乘法、初等不等式与一元函数极值。

7.1 回到流水线：前六章把哪根箭头变成了什么#

7.1.1 资产清单#

第 1 章 §1.1 的故事是一条 AI 空口 CSI 压缩流水线：终端测量（NMSE）→ 终端压缩（SGCS）→ 反馈传输（比特数）→ 基站解码与决策（UPT）。每一环都有人做到当前最好，整条链却算不出账。定义 1.1 把它写成算子复合

\[ T=\pi\circ\mathcal{D}\circ\mathcal{C}\circ\Phi(\mathcal{E}), \]

这里有四根箭头：\(\Phi\)（环境 → 信道）、\(\mathcal{C}\)（信道 → 观测）、\(\mathcal{D}\)（观测 → 重建）、\(\pi\)（重建 → 动作）。第 5 章补上了第五根：动作会反过来改变下一轮的观测（对偶效应）。

下表是本部的资产清单，列出每根箭头由哪一章处理、得到了什么对象、状态如何。

箭头	章	得到的对象（原编号）	状态
序章：整条链	第 1 章	定理 1.1（DPI 只给方向）；命题 1.2（Howard：价值不是熵的函数）；定义 1.2（两种退化）；算例 1.3（三环链 \(0.10+0.16=0.26\) 取等）；猜想 1.3（退化二分的完备性与可加性）	前三项【已解决（经典）·本站搬运】；组织表【本站提法】；猜想 1.3【开放】
\(\mathcal{C}\)：信道 → 观测（garbling 的语言）	第 2 章	定理 2.1（Blackwell 三等价）；定义 2.3 与 LP；定理 2.2（风险界）；引理 2.3（三角不等式、两条单调性）；定理 2.4（链定理骨架）；引理 2.5（嵌套地图族全序）；算例 2.3 的两个亏格 \((0.08,\,0.10)\)；猜想 2.6（无线实验族排序图，只有五个节点确定）	定理与骨架【已解决（经典）】；引理 2.5【标准事实·本站应用】；猜想 2.6【开放·本站提法】
\(\mathcal{D}\)：观测 → 重建（任务要什么）	第 3 章	定义 3.1（任务类、\(\delta_{\mathcal{T}}\)、\(\delta_k\)）；引理 3.1（充分性三种说法）；定义 3.3 与命题 3.2（任务格）；引理 3.3（两径模型：波束类要主导 AoD 与强弱符号，LoS 类要首径能量比）；猜想 3.4（天花板 \(1.3\times10^{6}\) 比特 \(\approx160\) kB / 地板 \(H(\mathcal{S}_T)\)）；定理 3.5（间接率失真）；算例 3.6 的曲线 \(R(D)=1-h((D-q)/(1-2q))\)；猜想 3.6（膝点 \(=H(\mathcal{S}_{\mathcal{T}})\)）	引理 3.1 / 定理 3.5【经典·本站给有限情形证明或搬运】；命题 3.2、引理 3.3【本站演算】；两个猜想【开放·本站原创】
\(\Phi\)：环境 → 信道（misspecification 的物理）	第 4 章	定理 4.1（Lapidoth，失配代价 \(0.104\) bit）；引理 4.2；定义 4.2（环境泛化损失）；定理 4.3（Ben-David 界在无线里空洞）；§4.4 灵敏度表；命题 4.4（\(W_1\) 风险界 \(\mathrm{Lip}(g)\cdot2\lvert a_1\rvert\lvert\sin(2\pi\delta\cos\theta/\lambda)\rvert\)）；定义 4.5 与算例 4.7（四个泛化半径：相位 \(\lambda/4=21.4\) mm / \(2.68\) mm，时延 \(1.5\) m，到达角 \(0.28\) m，幅度 \(1.22\) m）；猜想 4.5（物理泛化界）；命题 4.6	定理 4.1 / 4.3【已解决】；命题 4.4 / 4.6【本站演算】；相位 / 结构二分【本站提法】；猜想 4.5【开放·本站原创】
回路：动作 → 再观测（动力学）	第 5 章	定义 5.3（ISAC 版对偶效应）；定义 5.4（认知回路）；命题 5.1（等边际一阶条件）；推论 5.2（饱和型：阈值 \(\Lambda_c=C_0/\Delta C_{\max}=2\)，\(\alpha^\star\sim\ln\Lambda/\Lambda\)）；推论 5.3（幂律型：\(\alpha^\star\to\beta/(1+\beta)\)）；\(\Lambda=100\) 处 \(3.5\%\) 对 \(26.5\%\)；算例 5.6（阈值型精确退化为 \(M/T\)）；命题 5.4（分时凸包）；猜想 5.5（三元 region）	判据【已解决（经典）·Bar-Shalom–Tse】；回路与两个推论【本站模型·本站演算】；猜想 5.5【开放·本站提法】
\(\pi\)：重建 → 动作（账本）	第 6 章	引理 6.1（链式灵敏度）；猜想 6.2（离散判决环）；引理 6.3（错格概率与损失反相关，\(\sigma=4.5\) dB 时期望损失 \(0.49\) dB 而非 \(1.35\) dB）；定理 6.4（高斯 CEO）；命题 6.5（反注水，AM/GM 比 \(3.700\) 与 \(2.057\)）；算例 6.7（最优采样间距 \(9.04\) m）；猜想 6.6（链上的 PoL）	引理 6.1 / 定理 6.4 / 命题 6.5【已解决（经典）·本站搬运与解读】；引理 6.3 与相邻 DFT 波束增益差闭式【本站小结果】；两个猜想【开放·本站提法】

这张表是本章的目录。每一格的编号都是各章成稿中的真实编号，本章后面所有引用都指向它们，不另起记号。

7.1.2 学术产权声明（按前六章成稿的最终口径）#

纲领章最容易犯的错，是把搬运来的东西说成自己的。按六章成稿，逐条钉死：

链定理骨架（风险界、三角不等式、沿链线性累积）来自已有文献：Le Cam 1964 [2] 的近似充分性，Raginsky 2011 [4] 的 \(\|L\|_\infty\) 形式，Torgersen 1991 [3] 的标准性质。同类的链式合成不等式，Akdemir 2025 的预印本 [20] 定理 4.2 中也独立出现过【预印本·未评审】。本站只主张无线链各段亏格的具体构造与数值，不主张骨架。
任务格与 Blackwell 序的对齐（定义 3.3、命题 3.2）：Shannon 1953 [5] 已有信息格，Raginsky 2011 [4] 已比较过 Shannon 序与 Blackwell 序。但把"任务类 \(\mapsto\) 划分"这个单调映射与实验序对齐，据本站检索未见合并版。这是本站原创，只在有限情形、无平局假设 (H) 下证明，一般情形需要构造证明。
以物理几何参数为自变量的泛化界（命题 4.4、猜想 4.5）：最接近的既有结果，是 Akdemir 2025 [20] 定理 4.3 的高斯扰动亏格下界，以及 Ben-David 2010 [13] 的对称 \(\mathcal{H}\Delta\mathcal{H}\) 上界。以散射体位移、波长、结构尺度为自变量的版本未见。这是本站最实的原创空位。
认知平衡点：概念上是 Feldbaum 1960–61 与 Bar-Shalom–Tse 1974 [14] 的对偶控制老问题。本站只在两处原创：度量选择（用第一部 Q3 汇率曲线做回路增益），以及对汇率形状的敏感性（\(3.5\%\) 对 \(26.5\%\)）。
反注水是 Huang–Schultheiss 1963（第 6 章参考文献 7）的结果。本站只贡献 \(G_i=g_ic_i\) 的物理读法与 AM/GM 推论。
本站的小结果：引理 6.3 的反相关；相邻 DFT 波束增益差闭式 \(\Delta(s)=20\log_{10}[\sin(\pi(1-s)/N)/\sin(\pi s/N)]\)；引理 3.3 的两个显式充分划分；引理 2.5 的地图口径；命题 4.6 的混合比例缩放。
本章新增：引理 7.3（确定性码本对的亏格闭式）、引理 7.7（\(K\) 反射面正交情形的精确范数）、猜想 7.8（Q3 形状的三条可证伪预言）、算例 7.1(c) 的 \(\delta_2\) 数值。这些全部标【本站演算】或【本站数值】。

到此为止我们得到了什么

一张资产清单和一份产权声明。六章交出的对象已经按五根箭头归位。其中经典的、本站演算的、本站原创的、仍开放的，各自贴了标签。纲领的第一件事，是不把别人的东西当自己的，也不把自己的猜想当定理。

7.2 组装逻辑与总纲#

7.2.1 五章各司一职#

这五章不是并列的，它们各司一职：

语言（知识排序，第 2 章）：没有 Blackwell 序与亏格，"更有信息"这句话没有数学含义，后面一切都说不出口。
对象（任务格，第 3 章）：语言有了，要比较的东西是什么？是"任务类需要的那部分知识"，它是格里的一个元素。
保证（物理泛化界，第 4 章）：对象搬到另一个环境还能不能用，由 Maxwell 给出的灵敏度决定。
动力学（认知回路，第 5 章）：对象会折旧，获取要花钱，平衡点由汇率形状决定。
账本（误差预算，第 6 章）：把上面四样东西的数字写进同一本账，按反注水分配。

flowchart LR
    L["语言 · 第 2 章<br/>Blackwell 序<br/>$$\succeq$$、亏格 $$\delta$$、<br/>定理 2.4 骨架"]
    O["对象 · 第 3 章<br/>任务格 $$\Lambda(\mathcal{E})$$、<br/>任务类充分划分<br/>$$\mathcal{S}_{\mathcal{T}}$$、$$\delta_{\mathcal{T}}$$"]
    G["保证 · 第 4 章<br/>命题 4.4<br/>$$W_1$$ 界、<br/>泛化半径<br/>$$\lambda/4$$ 对 $$L$$、<br/>猜想 4.5"]
    D["动力学 · 第 5 章<br/>认知回路、<br/>命题 5.1<br/>平衡点、<br/>Q3 形状敏感"]
    A["账本 · 第 6 章<br/>引理 6.1<br/>灵敏度乘积、<br/>引理 6.3、<br/>命题 6.5 反注水"]
    T1["定理一<br/>知识排序定理<br/>无线实验族的<br/>Hasse 图<br/>+ 亏格表"]
    T2["定理二<br/>任务格与<br/>任务充分统计量<br/>$$\mathcal{S}_{\mathcal{T}}$$ 的存在、<br/>最小性、<br/>率失真价签"]
    T3["定理三<br/>物理泛化界<br/>特征级<br/>Lipschitz 常数<br/>由几何可算"]
    T4["暗线<br/>认知平衡点<br/>$$\alpha^\star$$ 由 Q3<br/>曲线形状决定"]
    Z["总纲 7.1<br/>任务后悔 $$\le\|L_T\|\cdot[$$<br/>$$\textstyle\sum_k\delta_{\mathcal{T}}(\mathcal{E}_k,\mathcal{E}_{k-1})+\rho]$$"]
    C4["四条缺失<br/>converse<br/>$$\Delta C(R_{\mathrm{env}})$$ · $$V(I)$$<br/>$$C(\varepsilon)$$ · PoL"]
    T1 --> Z
    T2 --> Z
    T3 --> Z
    T4 -.-> Z
    Z --> C4
    L --> T1
    O --> T2
    G --> T3
    D --> T4
    A ---> Z

怎么读这张图

左列五章按"语言 → 对象 → 保证 → 动力学 → 账本"排列。前四章各自喂给右侧的一条定理或暗线，账本直接接总纲。
三条定理与一条暗线汇入总纲 7.1。总纲就是第 2 章定理 2.4 的任务限制版，加上第 1 章猜想 1.3 的误配项。
总纲再接到全站的四条 converse。
虚线表示暗线只以"外层预算 \(\alpha^\star\)"的方式进入总纲（第 6 章 §6.8 的两级预算），不直接贡献不等式的一项。

7.2.2 总纲：链的 converse 形态#

下面把总纲写成一个式子。它不是新定理，只是把已证和未证的部分拼在同一行里，并逐项标出状态。

纲领 7.1（总纲：链的 converse 形态）【骨架已解决（经典）·紧化与误配项开放】

设链 \(\mathcal{E}_0\succeq\mathcal{E}_1\succeq\mathcal{E}_2\succeq\mathcal{E}_3\)（环境全知 / 信道 / 观测 / 译码输出），任务类 \(\mathcal{T}\) 的损失取值于 \([0,1]\)，决策者实际使用的条件概率表与真实表的"误配半径"为 \(\rho\)。本部追求的最终形态是：对一切 \(T\in\mathcal{T}\)，

\[ r_T^{\mathrm{act}}-r_T(\mathcal{E}_0)\ \le\ \|L_T\|\Bigl[\sum_{k=1}^{3}\delta_{\mathcal{T}}(\mathcal{E}_k,\mathcal{E}_{k-1})\ +\ \rho\Bigr]. \]

逐项状态如下。

**（甲）**把 \(\delta_{\mathcal{T}}\) 换成任务无关的 \(\delta\)、令 \(\rho=0\)，就是定理 2.4，【已解决（经典）】。算例 1.3 与算例 2.3(a) 各给一个取等实例。
（乙）\(\delta_{\mathcal{T}}\le\delta\) 由定义 3.1(c) 立得，因为任务类越窄，要应付的任务越少。\(\delta_{\mathcal{T}}\) 沿链仍满足三角不等式，成立【本站演算·平凡】，证明见下。\(\delta_{\mathcal{T}}/\delta\) 能小多少【部分结果】：算例 7.1(c) 给出第一个数值，对 BEC/BSC 对 \(\delta_2=\delta\)，一点也没紧。
（丙）\(\rho\) 的正确定义与可加性【开放】（猜想 1.3；第 4 章给出 TV 型、GMI 型、\(W_1\) 型三个候选，Q4.6）。
**（丁）**每一环的 \(\delta_{\mathcal{T}}(\mathcal{E}_k,\mathcal{E}_{k-1})\) 在无线实验族上算成数【开放】（猜想 2.6 与 Q6.6）。

（乙）中三角不等式的证明

第一步： 设 \(\mathcal{E}_2\) 在 \(\mathcal{T}\) 上模拟 \(\mathcal{E}_1\) 差 \(\epsilon_1\)，\(\mathcal{E}_3\) 模拟 \(\mathcal{E}_2\) 差 \(\epsilon_2\)。任取 \(T\in\mathcal{T}\) 与 \(\mathcal{E}_1\) 上的决策规则 \(\sigma_1\)，先得到 \(\mathcal{E}_2\) 上的 \(\sigma_2\)，使

\[ R_{\mathcal{E}_2}(\theta,\sigma_2)\le R_{\mathcal{E}_1}(\theta,\sigma_1)+\epsilon_1 \]

对每个 \(\theta\) 成立。这里不沿用定理 2.2 的规则记号 \(\rho\)，以免与本框的误配半径 \(\rho\) 混淆。

第二步： \(\sigma_2\) 仍是同一任务 \(T\) 的规则，于是再得到 \(\mathcal{E}_3\) 上的 \(\sigma_3\)，使

\[ R_{\mathcal{E}_3}(\theta,\sigma_3)\le R_{\mathcal{E}_2}(\theta,\sigma_2)+\epsilon_2\le R_{\mathcal{E}_1}(\theta,\sigma_1)+\epsilon_1+\epsilon_2 \]

第三步： 对 \(\epsilon_1,\epsilon_2\) 取下确界，得 \(\delta_{\mathcal{T}}(\mathcal{E}_3,\mathcal{E}_1)\le\delta_{\mathcal{T}}(\mathcal{E}_3,\mathcal{E}_2)+\delta_{\mathcal{T}}(\mathcal{E}_2,\mathcal{E}_1)\)。

先把这一行读成白话

左端 \(r_T^{\mathrm{act}}\) 是决策者在链末端、带着误配的模型实际拿到的风险（按先验平均）。\(r_T(\mathcal{E}_0)\) 是直接看到环境时最好的风险。两者之差，就是整条链让任务 \(T\) 多付的代价。
\(\|L_T\|=\sup L_T-\inf L_T\) 是损失的振幅（第 2 章定理 2.2 的记号），负责把无量纲的亏格折算成损失。
方括号里每一项 \(\delta_{\mathcal{T}}(\mathcal{E}_k,\mathcal{E}_{k-1})\)，方向是"用退化后的 \(\mathcal{E}_k\) 去模拟退化前的 \(\mathcal{E}_{k-1}\) 差多少"，也就是第 \(k\) 环的价签。三项能相加，靠的是亏格的三角不等式，与定理 2.4 第二个不等号同理。
\(\rho\) 单列一项，因为它记的是另一种错误：链没有丢信息，但决策者用错了条件概率表。

整行是本部想要的形态，各项目前走到哪一步，见框内（甲）–（丁）的逐项状态。

物理意义

这一行式子把本部的全部工作压缩成三类空格：

方括号里第一项的每个加数：定理一负责"能不能算"，定理二负责"任务限制版能紧多少"。
第二项 \(\rho\)：定理三负责"由什么物理量控制"。
总预算怎么来：暗线负责"该花多少去认识环境"。

第 6 章的账本是同一行式子在一阶区的细分辨率版本：把 \(\|L_T\|\delta\) 换成灵敏度乘积 \(\prod_k s_k\)，代价是失去对一切任务的普适性。

行为分析

式子右端对链长线性。这是骨架最工程化的性质，也是它最松的地方：各环的最坏任务往往不是同一个（第 2 章 §2.7 的行为分析），所以 (乙) 的紧化不能只靠缩小 \(\mathcal{T}\)，还要处理"各环最坏情形不共线"。
\(\rho\) 与 \(\delta\) 相加而非相乘，是猜想 1.3 的一个可证伪断言：若在某条链上误配与 garbling 的联合损失超过两者之和，猜想 1.3 就错了。Q4.6 给出了一条可以数值检验的三环链加一面会挪的墙。
暗线不进入不等式，但决定 \(\mathcal{E}_1,\mathcal{E}_2\) 的位置。感知份额 \(\alpha^\star\) 越大，\(\delta(\mathcal{E}_2,\mathcal{E}_1)\) 越小，这就是"两级预算"（第 6 章 §6.8）的接口。

到此为止我们得到了什么

一张总图和一行总纲。五章各司一职：语言、对象、保证、动力学、账本。总纲是定理 2.4 的任务限制版加误配项，其中的三类空格由三条定理与一条暗线分头去填。下面逐条交四件套。

7.3 定理一 · 知识排序定理：无线实验族的 Blackwell / Le Cam 结构#

7.3.1 精确陈述#

候选定理 7.2（知识排序定理）【开放·本站提法；单实验版即 Blackwell 1953 + Le Cam 1964】

设 \(\mathfrak{W}\) 为无线实验族。它的元素是同一环境参数集 \(\Theta\)（第一部第 8 章的等价类 \(\Theta_\varepsilon=\{[E]_\varepsilon\}\)，离散化后有限）上的有限实验，按物理参数索引：

\(\mathcal{M}_r\)：分辨率 \(r\) 的信道知识地图。
\(\mathcal{Q}_{B,\mathbf{c}}\)：\(B\) 比特、码本 \(\mathbf{c}\) 的量化 CSI。
\(\mathcal{S}_{\mathrm{mod}}\)：感知模态（雷达 / 摄像头 / CSI 指纹）。
\(\mathcal{A}_{\eta}\)：压缩率 \(\eta\) 的两侧模型输出。

求证：

(a) 同族全序。 对每个族，存在单一退化参数 \(u\)（\(r\)、\(B\)、噪声方差 \(\sigma^2\)、\(\eta\)）使 \(u<u'\Rightarrow\mathcal{E}_u\succeq\mathcal{E}_{u'}\)。

对 \(r\)、\(B\) 这类把状态切成胞腔的确定性量化族，这种全序当且仅当该族嵌套（粗的胞腔是细的胞腔之并）。
噪声方差 \(\sigma^2\) 这类加噪族没有胞腔结构。它的全序直接来自"大噪声等于小噪声再独立加一次噪声"这个 garbling（第 2 章 §2.3）。

(b) 跨族亏格可算且连续。 对任意 \(\mathcal{E},\mathcal{F}\in\mathfrak{W}\)，\(\delta(\mathcal{E},\mathcal{F})\) 等于定义 2.3 的有限 LP 之值，并且作为物理参数的函数在每个族内连续。

(c) 有限 Hasse 图。 存在有限图 \(H(\mathfrak{W})\)：节点为 \(\mathfrak{W}\) 的元素，边为 Blackwell 序，缺边处标两向亏格 \((\delta(\mathcal{E},\mathcal{F}),\delta(\mathcal{F},\mathcal{E}))\)。桥接只在两处出现：less noisy 意义下（第 2 章 §2.5 四段式），或 \(k\)-亏格意义下（定义 3.1(c)）。

这就是猜想 2.6 的带量词版本。

已知：(a) 的两个实例（引理 2.5 的嵌套地图族、第 2 章 §2.3 的高斯噪声族）；(b) 的"可算"是定义 2.3 与 LP 的直接推论；算例 2.3 的 \((0.08,0.10)\) 是图上第一对标了数的缺边。
未知：(a) 的"当且仅当"反向（非嵌套 \(\Rightarrow\) 不可比）在一般族上是否成立；(b) 的连续性；(c) 的桥接刻画与图的规模。

记号解释

\(\mathfrak{W}\) 里每个元素都是定义 2.1 意义下的一张行随机矩阵。行是环境等价类，列是该知识形态的读数：地图的列是"格索引"，码本的列是"码字"，感知模态的列是"检测输出"。它们之间的 Blackwell 序问的是，一种知识形态能否只靠后处理造出另一种。

(c) 里有两个词：

Hasse 图是画偏序的标准方式。节点是元素，只在"直接上下级"之间连边（\(\mathcal{E}\succeq\mathcal{F}\) 且两者之间没有第三个元素），能由传递性推出的边一律省略。
桥接指 Blackwell 序下不可比的跨族对。换成更弱的比较（less noisy，或只看动作数 \(\le k\) 的任务）后变得可比，用法同第 2 章猜想 2.6(c)。

7.3.2 已知工具箱#

工具	出处	能做什么	做不了什么
Blackwell–Sherman–Stein 定理	Blackwell 1953 [1]；第 2 章定理 2.1	结构 / 决策 / 几何三等价，有限情形初等证明	只答"是 / 否"，多数对不可比
Le Cam 亏格与风险界	Le Cam 1964 [2]；Torgersen 1991 [3]；定理 2.2	把"否"变成一个数，且对一切有界损失给风险界	对一切任务取最坏，常松（算例 2.3(d)：MMSE 任务上松 8 倍）
有限实验的 LP 判定与亏格 LP	标准事实（folklore，本站不编造出处）；第 2 章 §2.6	变量数 \(nk+mk+1\)，弱多项式可判定与可算	字母表一大就爆炸（下文算例 7.1 给数）
Raginsky 的 Shannon 序	Raginsky 2011 [4]	允许输入端前处理、输出端后处理并共享随机性（改导频 / 改波形）的更弱序	输入字母表相同时 Blackwell 序蕴含 Shannon 序、反之不然；Shannon 亏格不超过 Le Cam 亏格（[4] 第 III-B 节）
\(k\)-亏格	Torgersen 1991 [3]；定义 3.1(c)	动作数 \(\le k\) 的任务上更紧	显式计算与 \(\delta_k\)–\(\delta\) 的量化桥未见
less noisy / more capable	第 2 章 [11][12][13] 一脉	信道侧更常成立的偏序，BEC/BSC 有四段式闭式	只对信道不对"知识"
Le Cam 失真层级	Akdemir 2025 [20]【预印本·未评审】	Le Cam \(\supset\) 似然 \(\supset\) 似然比 \(\supset\) 充分性的严格包含链；方向性反例（invariance trap）	不给计算亏格的多项式算法

7.3.3 第一步可证引理#

第 2 章引理 2.5 已做地图族。下一步是两种 CSI 码本族的可比性判定与亏格，这一步可以在本章就走出去。

四栏	内容
模型	有限状态集 \(\Theta\)（离散化的信道 / 环境等价类）。两个确定性量化器 \(q_A,q_B:\Theta\to\{1,\dots,k\}\)（码本 \(A,B\) 的胞腔划分）。实验 \(\mathcal{Q}_A\) 的矩阵是 one-hot：\(\mathbf{P}_A[\theta,l]=\mathbf{1}[q_A(\theta)=l]\)；\(\mathcal{Q}_B\) 同理。
已知	定义 2.2、定义 2.3、定理 2.2；引理 2.5 的证明手法（合并索引是 0/1 行随机矩阵）。
求证	\(\delta(\mathcal{Q}_A,\mathcal{Q}_B)\) 的闭式；\(\delta=0\iff\) \(A\) 的每个胞腔落在 \(B\) 的某个胞腔内；非嵌套时亏格的精确值。
工具	对每个 \(A\)-胞腔单独优化 \(K\) 的一行；TV 的半 \(L_1\) 约定；\(\max\)–\(\min\) 的初等不等式。

引理 7.3（确定性码本对的亏格闭式）【本站演算】

对上述模型，记 \(C\) 遍历 \(A\) 的胞腔，\(r_B(C):=\bigl|\{q_B(\theta):\theta\in C\}\bigr|\) 为该胞腔内出现的 \(B\)-码字个数。则

\[ \delta(\mathcal{Q}_A,\mathcal{Q}_B)\;=\;\max_{C}\Bigl(1-\frac{1}{r_B(C)}\Bigr). \]

特别地，\(\delta(\mathcal{Q}_A,\mathcal{Q}_B)=0\iff\) 每个 \(A\)-胞腔内 \(q_B\) 取常值（\(A\) 细于 \(B\)，即嵌套）。只要有一个 \(A\)-胞腔跨了两个 \(B\)-码字，亏格就至少是 \(1/2\)。

证明（三步）

第一步：\(K\) 按 \(A\)-胞腔分块。 \(K\) 是 \(k\times k\) 行随机矩阵，第 \(l\) 行是"看到 \(A\)-码字 \(l\) 时报出各 \(B\)-码字的概率"。\(\theta\) 的 \(A\)-输出是确定的 \(q_A(\theta)\)，故 \((K^{\!\top}P_{A,\theta})\) 就是 \(K\) 的第 \(q_A(\theta)\) 行，记为 \(\mathbf{k}_{C}\)（\(\theta\in C\)）。目标分布 \(Q_{B,\theta}\) 是落在 \(q_B(\theta)\) 上的单位质量。

这一步说明：每个 \(A\)-胞腔只用 \(K\) 的一行，各行互不干涉，所以 \(\inf_K\) 可以逐胞腔做。

第二步：一个胞腔内的 TV。 设 \(C\) 内出现的 \(B\)-码字为 \(l_1,\dots,l_r\)（\(r=r_B(C)\)），\(\mathbf{k}_C\) 在它们上的质量为 \(\kappa_1,\dots,\kappa_r\)，\(\sum_i\kappa_i\le1\)。对 \(\theta\in C\) 且 \(q_B(\theta)=l_i\)：

\[ \|\mathbf{k}_C-\mathbf{e}_{l_i}\|_{\mathrm{TV}}=\tfrac12\Bigl[(1-\kappa_i)+\sum_{j\ne i}\kappa_j+\bigl(1-\textstyle\sum_j\kappa_j\bigr)\Bigr]=1-\kappa_i . \]

第二个等号的理由：括号里三项分别是"目标处少了多少"、"其他 \(B\)-码字上多了多少"、"\(C\) 里根本不出现的码字上多了多少"，合计 \(2(1-\kappa_i)\)，再乘 \(\tfrac12\)。于是该胞腔对 \(\sup_\theta\) 的贡献是 \(\max_i(1-\kappa_i)\)。

第三步：逐胞腔最小化。 先看一个胞腔内部，这里用到两个不等号。第一个是"最大值不小于平均值"：

\[ \max_i(1-\kappa_i)\ge\frac1r\sum_{i=1}^{r}(1-\kappa_i)=1-\frac1r\sum_i\kappa_i \]

第二个用 \(\sum_i\kappa_i\le1\)。合起来 \(\max_i(1-\kappa_i)\ge1-\frac1r\)，等号当 \(\kappa_i=1/r\) 对一切 \(i\) 时成立，也就是均匀分给出现过的码字、不给没出现的。

再把各胞腔拼回去。\(\sup_\theta\) 等于先在每个胞腔内取最大、再对胞腔取最大。第一步说明每个胞腔的项只依赖自己那一行 \(\mathbf{k}_C\)，所以各行分别取到最优时，整体的最大值也同时最小，即 \(\inf_K\max_C=\max_C\inf_{\mathbf{k}_C}\)，得闭式 \(\max_C(1-1/r_B(C))\)。\(\delta=0\) 当且仅当每个 \(r_B(C)=1\)。

例：某个 \(A\)-胞腔跨了 3 个 \(B\)-码字时，最好的做法是三者各报 \(1/3\)，该胞腔内每个 \(\theta\) 的 TV 都是 \(2/3\)。\(\blacksquare\)

物理意义

两个码本互相模拟的代价只由一个整数决定：一个码本的胞腔最多横跨对方几个胞腔。跨两个就是 \(1/2\)，跨四个就是 \(3/4\)，与胞腔的形状、大小、先验都无关。这解释了第 2 章 §2.8 的观察"两个 \(B\) 比特码本除非嵌套否则一般不可比"，并把"一般不可比"量化成"至少 \(1/2\)"。

行为分析

亏格取 \(\sup_\theta\)，所以只要有一个跨界胞腔就吃满 \(1/2\)，哪怕它只占 \(1\%\) 的先验质量。这是任务无关最坏界偏"松"的根源。对固定先验的 Bayes 风险差，同样的跨界只贡献该胞腔的质量乘以 \(1/2\)。
它给出了 \(k\)-亏格的一个直接读数：对 \(k=2\) 的任务"\(\theta\) 在不在 \(A\) 的第 \(l\) 胞腔"，用 \(B\) 的读数去答，风险差恰好可以吃到 \(1/2\)（算例 7.1 校验 (b) 演示），所以此时 \(\delta_2=\delta\)。
从"有限 LP"到"闭式"节省的是指数级：算例 7.1 会给变量数。

算例 7.1（两个非嵌套 1 比特码本的亏格、LP 的规模、以及 BEC/BSC 对的 \(\delta_2\)）【本站演算·本站数值】

(a) 两个 1 比特码本。 四个扇区 \(\theta\in\{1,2,3,4\}\)。码本 \(A\) 把 \(\{1,2\}\) 记为码字 \(a\)、\(\{3,4\}\) 记为 \(b\)；码本 \(B\) 错开一格：\(\{2,3\}\to a\)、\(\{4,1\}\to b\)。\(A\) 的两个胞腔各含两个 \(B\)-码字，\(r_B=2\)，引理 7.3 给

\[ \delta(\mathcal{Q}_A,\mathcal{Q}_B)=1-\tfrac12=\mathbf{0.5},\qquad\delta(\mathcal{Q}_B,\mathcal{Q}_A)=\mathbf{0.5}\ \text{（对称）}. \]

它们的公共细化是 4 扇区码本 \(\mathcal{Q}_4\)（矩阵 \(\mathbf{I}_4\)）。与它比较：\(\delta(\mathcal{Q}_4,\mathcal{Q}_A)=0\)（细模拟粗免费），\(\delta(\mathcal{Q}_A,\mathcal{Q}_4)=0.5\)（粗模拟细要猜）。两个 1 比特码本互相最坏，而它们的并（2 比特）统治两者，这就是第 3 章任务格里"并"的样子。

(b) LP 的规模。 定义 2.3 的 LP 有 \(nk+mk+1\) 个变量：

\(m=|\Theta|\) 是状态数，\(n\)、\(k\) 分别是模拟方与被模拟方的读数个数。
\(\mathbf{K}\) 有 \(nk\) 个元素，辅助变量 \(u_{i,l}\) 有 \(mk\) 个，再加一个标量 \(t\)。

这里的 \(k\) 是码字个数，与 \(k\)-亏格 \(\delta_k\) 里的动作数 \(k\) 不是一回事。三种规模如下：

上例 \(m=4,n=k=2\)：\(4+8+1=13\) 个。
一个中等离散化：\(m=10^{3}\) 个环境状态、两个 64 波束码本 \(n=k=64\)，有 \(64^2+10^{3}\times64+1=\mathbf{68\,097}\) 个变量，单机秒解。
换成 3GPP 两侧模型的 26 比特码字（\(k=2^{26}\)），有 \(64\times2^{26}+10^{3}\times2^{26}+1\approx\mathbf{7.1\times10^{10}}\) 个变量，不可解。

所以引理 7.3 这类结构闭式有存在的理由：一旦知道实验是确定性量化器，LP 塌成数胞腔。

(c) BEC(0.6)/BSC(0.2) 对的 \(\delta_2\)。 第 2 章 Q2.3 猜 \(\delta_2(\mathcal{E}_{\mathrm{BEC}},\mathcal{E}_{\mathrm{BSC}})=0.10\)。

第一步：写出两动作任务的规则。 对二点参数集，两动作任务的每个规则由一对"报动作 1 的概率" \((\alpha,\beta)=(\Pr\{a=1\mid\theta=+1\},\Pr\{a=1\mid\theta=-1\})\) 刻画。以概率 \(\alpha_\theta\) 报 1、其余报 0 的规则，风险是 \(L(\theta,0)+\alpha_\theta d_\theta\)，其中 \(d_\theta:=L(\theta,1)-L(\theta,0)\in[-1,1]\)。所以模拟规则 \(\alpha'\) 相对被模拟规则 \(\alpha\) 的风险差为 \(d_\theta(\alpha'_\theta-\alpha_\theta)\)，记 \(\alpha_{+1}=\alpha\)、\(\alpha_{-1}=\beta\)。这里的 \(\alpha,\beta\) 只是"报 1 的概率"。

第二步：写出 \(\delta_2\) 的含义。 \(\delta_2\) 就是：任务 \((d_+,d_-)\) 与被模拟规则都取最坏、模拟规则取最好之后，\(\max_\theta d_\theta(\alpha'_\theta-\alpha_\theta)\) 剩下的值。下面两个见证都取 \(d_+=-1\)、\(d_-=+1\)（0-1 损失：\(\theta=+1\) 时报 1 才对），此时两个分量正是 \(\alpha-\alpha'\) 与 \(\beta'-\beta\)。

第三步：数值结果。 本站在 \((d_+,d_-)\) 的 \(41\times41\) 网格与被模拟实验可达区域的 \(81\times81\) 网格上穷举内层极小化，得

\[ \delta_2(\mathcal{E}_{\mathrm{BSC}},\mathcal{E}_{\mathrm{BEC}})=\mathbf{0.08},\qquad \delta_2(\mathcal{E}_{\mathrm{BEC}},\mathcal{E}_{\mathrm{BSC}})=\mathbf{0.10}, \]

这与算例 2.3 的两个（全任务）亏格逐位相同。这两个数不是仅有网格精度的近似，因为上界与下界都能手算。上界 \(\delta_2\le\delta\) 是定义 3.1(c) 的直接推论。下界由两个显式见证给出。

见证一：用 BEC 模拟 BSC。

被模拟的 BSC 规则是"照读数报"，\((\alpha,\beta)=(0.8,0.2)\)，风险向量 \((0.2,0.2)\)。
BEC 的规则 \((t_{+},t_{\mathrm{e}},t_{-})\) 给 \(\alpha'=0.4t_++0.6t_{\mathrm{e}}\)、\(\beta'=0.6t_{\mathrm{e}}+0.4t_-\)，要压低 \(\max\{0.8-\alpha',\ \beta'-0.2\}\)。
取 \(t_+=1,t_-=0\)，两项 \(0.4-0.6t_{\mathrm{e}}\) 与 \(0.6t_{\mathrm{e}}-0.2\) 在 \(t_{\mathrm{e}}=1/2\) 处相等，值 \(\mathbf{0.10}\)。任何其他 \((t_+,t_-)\) 只会抬高其中一项。

见证二：用 BSC 模拟 BEC。

被模拟的 BEC 规则是"看到 \(-1\) 才报 \(-1\)，否则报 \(+1\)"，\((\alpha,\beta)=(1,0.6)\)，风险向量 \((0,0.6)\)。
BSC 的规则 \((s_+,s_-)\) 给 \(\alpha'=0.8s_++0.2s_-\)、\(\beta'=0.2s_++0.8s_-\)，要压低 \(\max\{1-\alpha',\ \beta'-0.6\}\)。
两项相等要求 \(s_++s_-=1.6\)，此时第一项 \(=0.68-0.6s_+\)，在 \(s_+=1\)、\(s_-=0.6\) 处最小，值 \(\mathbf{0.08}\)。

结论

对这一对实验，把任务限制到两动作一点也不紧：\(\delta_2=\delta\) 在两个方向都成立。

第二个见证从等先验 0-1 判决的 Bayes 风险比较里读不出来。那种比较只给一个方向：

BEC 的等先验错误率 \(0.30\) 比 BSC 的 \(0.20\) 高 \(0.10\)，正是第一个见证的方向。
反过来，BSC 的 Bayes 风险本来就更低，比不出代价。

第二个见证逐个 \(\theta\) 比风险，被模拟的是一个 Neyman–Pearson 型的不对称检验：先把一类错误压到零（\(\theta=+1\) 时从不报错，\(\alpha=1\)），再容忍另一类错误（\(\theta=-1\) 时错 \(60\%\)，\(\beta=0.6\)）。任务限制亏格的"最坏任务"往往不是 Bayes 等先验的那个。

校验

(a) 对 (a) 中的四个亏格，用第 2 章 §2.6 的 LP（scipy.optimize.linprog，HiGHS）独立求解，返回 \(0.5/0.5/0/0.5\)，与引理 7.3 的闭式逐位一致 ✓。
(b) 风险界取等：任务"\(\theta\in\{1,2\}\) 吗"（\(k=2\)，0-1 损失，均匀先验）在 \(\mathcal{Q}_A\) 上风险 0，在 \(\mathcal{Q}_B\) 上无论看到哪个码字后验都是 \((1/2,1/2)\)，风险 \(1/2\)。差 \(0.5=\delta\)，定理 2.2 在此取等 ✓。
(c) 8 扇区、错开一格：两个 1 比特码本的跨界胞腔仍 \(r_B=2\)，闭式与 LP 同给 \(0.5\)。亏格对错开多少不敏感，只对"有没有跨界"敏感 ✓。
(d) (c) 的两个 \(\delta_2\) 满足 \(\delta_2\le\delta\)（\(0.08\le0.08\)、\(0.10\le0.10\)），且 \(\delta_2(\mathcal{E}_{\mathrm{BEC}},\mathcal{E}_{\mathrm{BSC}})\) 的见证正是算例 2.3(a) 那个取等的 0-1 任务 ✓。
(e) 变量数复算：\(64^2=4096\)，\(4096+64000+1=68097\) ✓；\(2^{26}=6.71\times10^{7}\)，\((64+1000)\times6.71\times10^{7}=7.14\times10^{10}\) ✓。

7.3.4 AI 可攻子问题#

（A1）批量亏格表。 对一个公开 CSI 数据集做 \(m\sim10^{3}\) 的向量量化离散，对若干码本对（Rel-16 eType II 各档、若干自编码器的隐向量再量化）跑 LP，输出一张 \(\delta\) 矩阵与它的 Hasse 图。粒度：每对一个 LP，\(7\times10^{4}\) 变量。难点是离散化的稳定性。
（A2）\(\delta_k\) 阶梯。 把算例 7.1(c) 的方法推广到 \(k=3,4,\dots\)（\(k\) 动作任务的风险向量集合是可达"功率区域"的线性像），对 BEC/BSC 对与算例 2.4 的地图对逐 \(k\) 求解，画 \(\delta_k\) 随 \(k\) 的阶梯。
- 本站的结构猜测：对二点参数集 \(\delta_2=\delta\) 恒成立（算例 7.1(c) 的证据）。
- 能确认的是它的精确序版本：Blackwell 1953 [1] 的摘要说，对二点参数集（dichotomy），包括 \(k\)-决策比较在内的各种比较方式全都等价。
- 允许 \(\varepsilon>0\) 的亏格版本是否同样成立，要看 Torgersen 关于有限参数集 \(\varepsilon\)-亏格的定理（[3] 与 Torgersen 1970 [21]），本站未取得这两份原文【表述待核】。
- 对 \(|\Theta|=m\)，\(\delta_k=\delta\) 当 \(k\ge m\)【猜想·表述待核：Torgersen 1970 [21] 专论有限参数集上的实验比较，是核对这条猜想的首选原文，本站未取得全文】。
（A3）引理 7.3 的随机化推广。 把确定性量化器换成"带 \(\epsilon\) 概率误分的量化器"（量化前先加噪），求 \(\delta\) 对 \(\epsilon\) 的闭式或紧界。这是猜想 7.2(b)"连续性"的最小实例。

第一个用户：3GPP 两侧模型互操作判据

第 2 章 §2.8 的提法是：正确的判据是亏格，不是中间 KPI。问题是"厂商 A 的编码器输出能否被厂商 B 的解码器模拟到 \(\epsilon\) 以内"，即 \(\delta(\mathcal{E}_A,\mathcal{E}_B)\le\epsilon\)。

引理 7.3 给出它在"两个码本都是确定性量化器"时的判据：看有没有跨界胞腔。它与第三部第 6 章的 \(C(\varepsilon)\)（两侧模型互操作 = 建立公共知识的通信复杂度）是一体两面：那里问要交换多少比特才能对齐，这里问不交换时差多少。

到此为止我们得到了什么

定理一的四件套，和一条真的引理。

候选定理 7.2 把猜想 2.6 写成带量词的三条，工具箱七件。
引理 7.3 给出确定性码本对的亏格闭式 \(\max_C(1-1/r_B(C))\)，并用 LP 与风险界取等两条路校验。
算例 7.1(c) 顺手回答了第 2 章 Q2.3：对 BEC/BSC 对，\(\delta_2=\delta\)，任务限制在这里一点也不紧。

7.4 定理二 · 任务格与任务充分统计量#

7.4.1 精确陈述#

候选定理 7.4（任务格与 Blackwell 序的对齐）【开放·本站原创；有限 + 无平局情形已由命题 3.2 证明】

设 \(\mathcal{E}\) 为 \(\Theta\) 上的实验，\(\mathfrak{T}\) 为所有满足无平局假设 (H)（定义 3.3）的任务类的集合。求证：

(a) 存在与最小。 对每个 \(\mathcal{T}\in\mathfrak{T}\)，存在最粗的 \(\mathcal{T}\)-充分划分 \(\mathcal{S}_{\mathcal{T}}\)，且 \(\mathcal{S}_{\mathcal{T}}=\bigvee_{T\in\mathcal{T}}\mathcal{S}_T\)（各任务最优动作划分的并）。

(b) 与实验序对齐。 映射 \(\mathcal{T}\mapsto\mathcal{S}_{\mathcal{T}}\circ\mathcal{E}\) 是从 \((\mathfrak{T},\subseteq)\) 到 \((\{\mathcal{E}\text{ 的 garbling}\},\succeq)\) 的单调映射。

单调性：\(\mathcal{T}\subseteq\mathcal{T}'\Rightarrow\mathcal{S}_{\mathcal{T}'}\circ\mathcal{E}\succeq\mathcal{S}_{\mathcal{T}}\circ\mathcal{E}\)。
先验封闭时 \(\delta_{\mathcal{T}}(\mathcal{S}_{\mathcal{T}}\circ\mathcal{E},\mathcal{E})=0\)。
像 \(\Lambda(\mathcal{E})\) 对 \(\vee\) 封闭、含 \(\bot\)，是一个格。其交一般严格粗于划分格的交。

(c) 价签。 对单任务 \(T\)，\(R_{\mathrm{ind}}(D_{\min})=H(\mathcal{S}_T)\)（定理 3.5(b)）。对任务类，猜想 \(R_{\mathcal{T}}(\mathbf{D}_{\min})=H(\mathcal{S}_{\mathcal{T}})\)（猜想 3.6 的核心、Q3.2）。

(d) 两端。

\(\bot\preceq\mathcal{S}_{\mathcal{T}}\preceq M_{\mathrm{all}}\preceq\top\)。
顶元素的比特坐标 \(R_{\mathrm{ceil}}=d_{\mathrm{eff}}\log_2(1/\varepsilon)\approx1.3\times10^{6}\) 比特 \(\approx160\) kB（会议室，算例 3.4）。
地板 \(H(\mathcal{S}_T)\le\log_2|A_T|\)（64 波束 \(\le6\) 比特、固定门限切换 \(\le1\) 比特）。
天花板是否紧（猜想 3.4(a)）开放。

已知与未知如下。

已知：(a)(b) 在有限 \(\mathcal{E}\)、(H) 下由命题 3.2 (a)–(f) 与引理 3.1 证明；(c) 的单任务部分是定理 3.5(b)；(d) 的不等式链是命题 3.2(e)。
未知：无平局假设之外（Q3.5）；任务类的率失真 converse（Q3.2）；天花板的紧性（Q3.3）；真实 DFT 波束下的充分划分（Q3.4）。

记号解释

\(\mathcal{S}_T\) 是"看到观测后最优动作是什么"的水平集划分（单任务地板）。
\(\mathcal{S}_{\mathcal{T}}\circ\mathcal{E}\) 是把实验过一道 0/1 矩阵、只留下划分块索引。
\(\Lambda(\mathcal{E})\) 是所有 \(\mathcal{S}_{\mathcal{T}}\) 组成的格（定义 3.3）。
\(M_{\mathrm{all}}\) 是似然划分，即经典最小充分统计量。

(b) 说的是：任务类越宽，需要的知识在 Blackwell 序下越靠上。任务格是实验序的一个截面。

陈述里有两个前提：

无平局假设 (H) 要求每个有正概率的观测下 Bayes 最优动作唯一（定义 3.3），否则"最粗充分划分"可能不存在。
先验封闭指任务类连同某个 \((A,L)\) 一起包含了所有先验（定义 3.1(a)）。这时"Bayes 风险不输"才能升级成"逐点风险可模拟"，从而 \(\delta_{\mathcal{T}}=0\)。

7.4.2 已知工具箱#

工具	出处	提供什么	缺什么
Shannon 信息格	Shannon 1953 [5]；定义 3.2	划分的完全格：并 = 最粗公共细化，交 = 最细公共粗化	只有格，没有任务
充分性的决策论正当性	Bahadur 1954 [6]；引理 3.1	"够用"的三种等价说法；最小充分 = 似然划分	只对"一切任务"
间接率失真	Dobrushin–Tsybakov 1962 [7]；Witsenhausen 1980 [8]；定理 3.5	任务导向压缩的编码定理：修正失真 \(d'(x,a)=\mathbb{E}[L(\theta,a)\mid x]\)	单任务；失真外生
\(k\)-亏格 / 任务限制亏格	Torgersen 1991 [3]；定义 3.1(c)	任务类上的模拟代价	显式计算（A2 正在做）
IB 极限 = 最小充分统计量	Gilad-Bachrach–Navot–Tishby 2003 [10]	把机器学习的表示学习接到充分性	只对一个 \(Y\)，一般损失下无编码定理
语义 / 任务导向通信总纲	Gündüz 等 2023 [18]	问题清单："失真度量从哪来"	无定理；本站答：从任务类的损失来（第 3 章 §3.7）

7.4.3 第一步可证引理#

四栏	内容
模型	算例 3.3 的四格房间：\(\theta\in\{1,2,3,4\}\) 均匀，两个 0-1 任务 \(B\)（选波束，\(\mathcal{S}_B=\{\{1,2,3\},\{4\}\}\)）与 \(M\)（能否上高阶 MCS，\(\mathcal{S}_M=\{\{1,2,4\},\{3\}\}\)）；观测 \(X=\theta\) 经一个对称的四元噪声信道（每个格以概率 \(q\) 被均匀误报为另三格之一）。
已知	定理 3.5(a) 的化归：任务类 \(\{B,M\}\) 对应修正失真族 \(\{d'_B,d'_M\}\)，\(R_{\{B,M\}}(D_B,D_M)=\min\{I(X;Z):\mathbb{E}d'_B\le D_B,\ \mathbb{E}d'_M\le D_M\}\) 是一个有限维凸规划；命题 3.2(c)：\(\mathcal{S}_{\{B,M\}}=\mathcal{S}_B\vee\mathcal{S}_M=\{\{1,2\},\{3\},\{4\}\}\)，熵 \(1.5\) 比特（算例 3.3）。
求证	\(R_{\{B,M\}}(\mathbf{D})\) 在 \(\mathbf{D}=\mathbf{D}_{\min}\) 处等于 \(H(\mathcal{S}_{\{B,M\}})=1.5\) 比特（\(q=0\) 时），并写出 \(q>0\) 时 \(\mathbf{D}_{\min}\) 与曲面在角点附近的斜率；进一步证明多失真版本的 converse——这是猜想 3.6 在两任务上的最小实例。
工具	率失真定理的标准 converse（有限字母表）；Lagrange 对偶把双约束变成单约束的加权和 \(d'_B+\mu d'_M\)，然后逐 \(\mu\) 求解单失真问题（可用 Blahut–Arimoto 算法数值求解：它在条件分布 \(p(z\mid x)\) 与输出边缘分布 \(p(z)\) 之间交替做闭式更新，是计算有限字母表率失真函数的标准迭代）；对 \(\mathbf{D}_{\min}\) 处的分析用定理 3.5 第五步的"约束迫使 \(\hat\theta\) 几乎必然落在 \(\arg\min\)"论证。

这条引理的证明预计只有几页。它是定理 3.5 的证明把"一个失真"换成"两个失真"再走一遍。真正的新内容只在 \(\mathbf{D}_{\min}\) 处：要证明速率恰好是并的熵，而不是两个熵之和。

直觉上，并的熵 \(1.5\) 小于 \(0.811+0.811=1.622\)，差的 \(0.122\) 比特就是两个任务"共享"的那部分描述。

7.4.4 AI 可攻子问题#

（B1）有限散射体模型的符号推导。 把引理 3.3 从两径推到 \(P\) 径、从理想扇区波束推到真实 DFT 波束（用第 6 章 §6.4 的阵因子闭式），符号化地写出 \(a^\star(\theta)\) 的水平集，标出最优索引开始依赖相位差的角距离阈值（Q3.4）。粒度：全是初等三角与不等式，但分支多。
（B2）任务限制亏格数值表。 A2 的延伸：对第 3 章 Hasse 图上的节点对（APS / 增益向量 / 索引 / 增益差 / 符号）计算 \(\delta_{\mathcal{T}}\)，\(\mathcal{T}\) 分别取波束选择类、切换类、LoS 类。
（B3）Q3.2 的数值先行。 对上面四栏的模型跑双约束 Blahut–Arimoto，画出 \(R_{\{B,M\}}(D_B,D_M)\) 曲面，验证角点值 \(1.5\)。

第一个用户：CKM 该存哪几层 / 目标导向通信的编码定理

CKM 该存哪几层，有三条依据：

第 3 章 §3.7 的答案是存 \(\bigvee_{T\in\mathcal{T}}\mathcal{S}_T\)。
引理 3.3 给了第一个实例：波束索引图一层，K 因子 / LoS 概率图一层，缺一不可，合一冗余。
第 5 章 §5.6 加上时间判据：只存 \(\Lambda_\ell>\Lambda_c\) 的层。

目标导向通信缺的是"失真度量从哪来"（Gündüz 等 [18] 点名的问题）。本站的答案是从任务类的损失来。编码定理是 1962 年现成的 [7][8]，真正开放的是任务类版本的多失真率失真的可计算性，上面的第一步引理就是它的最小实例。

到此为止我们得到了什么

定理二的四件套。

候选定理 7.4 把任务格与 Blackwell 序的对齐写成四条，其中有限 + 无平局的 (a)(b) 已证，(c)(d) 半开。
第一步引理是两个 0-1 任务的双失真率失真在 \(\mathbf{D}_{\min}\) 处等于并的熵 \(1.5\) 比特。
AI 可攻的三条全是有限字母表上的符号或数值工作。

7.5 定理三 · 物理泛化界：相位 / 结构二分#

7.5.1 精确陈述#

候选定理 7.6（物理泛化界）【开放·本站原创；单散射体单特征情形即命题 4.4，已证】

设环境类 \(\mathcal{E}\) 中每个环境 \(e\) 由 \(K\) 个散射体的几何参数（位置、取向、材质）刻画。样本 \(z=\mathbf{h}\) 由 Maxwell 算子 \(\Phi\) 生成。模型 \(f\)、损失 \(\ell\in[0,1]\)，\(g=\ell\circ f\) 对 \(\mathbf{h}\) 是 \(\mathrm{Lip}(g)\)-Lipschitz 的。对特征集 \(\mathfrak{F}=\{\text{相位},\text{时延},\text{到达角},\text{幅度}\}\)，记 \(L_{\mathrm{feat}}\) 为定义 4.5 的几何灵敏度，\(\rho_{\mathrm{feat}}=\Delta_{\mathrm{feat}}/L_{\mathrm{feat}}\) 为泛化半径。

求证：存在特征级环境距离 \(d_{\mathrm{feat}}(e,e')\)（由散射体位移经 \(L_{\mathrm{feat}}\) 折算），使得对一切 \(f\) 与一切 \(e,e'\in\mathcal{E}\)，

\[ R_{e'}(f)-R_e(f)\ \le\ \mathrm{Lip}(g)\sum_{\mathrm{feat}\in\mathfrak{F}}c_{\mathrm{feat}}\cdot\min\bigl\{d_{\mathrm{feat}}(e,e'),\ \rho_{\mathrm{feat}}\bigr\}, \]

其中 \(c_{\mathrm{feat}}\) 由散射体幅度 \(\{|a_p|\}\) 与阵列几何可算，且各项在 \(d_{\mathrm{feat}}\ge\rho_{\mathrm{feat}}\) 处饱和。

推论（若成立，即相位 / 结构二分的定理化）：

只经相位看环境的模型，泛化半径为 \(\lambda/4\)（3.5 GHz 为 \(21.4\) mm，28 GHz 为 \(2.68\) mm）。
只经时延 / 角度 / 幅度看环境的模型，泛化半径为 \(\sim L\)（\(0.3\)–\(1.5\) m，算例 4.7）。
两者相差 \(10\)–\(500\) 倍，前者随载频缩小，后者与载频无关。

这是猜想 4.5 的带量词版本。

已知：\(K=1\)、只有相位项时就是命题 4.4，其常数 \(c_{\text{相位}}=2|a_1|\)，\(\min\{\cdot\}\) 由 \(|\sin(2\pi\delta\cos\theta/\lambda)|\) 的饱和实现。四个 \(L_{\mathrm{feat}}\) 与 \(\rho_{\mathrm{feat}}\) 在两径模型上已算（§4.4 表与算例 4.7）。\(W_1\) 形式与 Kantorovich–Rubinstein 是标准的。
未知：多散射体的交叉项（Q4.1）；绕射（按 \(\sqrt{\lambda/L}\) 衰减）能否并入相位项；遮挡是非连续事件（一个行人 \(=21\)–\(30\) dB），不被任何 Lipschitz 界覆盖；\(\mathrm{Lip}(g)\) 对训练网络是否有限可估（Q4.3）；特征分解是否唯一。

记号解释

\(R_e(f)=\mathbb{E}_{z\sim P_e}g(z)\) 是模型在环境 \(e\) 下的风险。不等式左端是第 4 章的泛化差 \(\Gamma(e\to e';f)\)。右端的形状是"每种特征各出一项，每项在自己的泛化半径处封顶"，它是第一部第 10 章猜想形态 \(R_{e'}(f)\le R_e(f)+C\cdot d(e,e')\) 的分层版本。

本节有几个字母与前文重名，先分清：

\(\delta\)、\(\delta_p\) 单独出现时是散射体位移（mm）。只有工具箱里以两个实验为参数的 \(\delta(\mathcal{E}_S,\mathcal{E}_T)\) 仍是亏格。
\(\lambda\) 是波长。只有 \(\lambda_{\min}(\mathbf{G})\)、\(\lambda_{\max}(\mathbf{G})\) 里的 \(\lambda\) 是特征值。
\(K\) 是散射体（反射面）个数，不是 garbling 矩阵。
\(L\) 是结构尺度（m），\(L_{\mathrm{feat}}\) 是几何灵敏度，两者都不是损失（本节损失记作 \(\ell\)）。
\(\rho_{\mathrm{feat}}\) 是泛化半径，不是纲领 7.1 的误配半径 \(\rho\)。

7.5.2 已知工具箱#

工具	出处	提供什么	缺什么
失配译码与 GMI	Csiszár–Narayan 1995、Lapidoth 1996、Lapidoth–Shamai 2002 [11]；综述 Scarlett 等 2020 [12]；定义 4.1、定理 4.1、引理 4.2	"模型错了"的货币 \(I-\mathrm{GMI}=\) 真实后验与错误后验的平均 KL；高斯最坏噪声，拉普拉斯代价 \(0.104\) bit	只对固定译码器；一般失配容量开放 [12]
域适应界	Ben-David 等 2010 [13]；定理 4.3	可从无标签数据估计的界	对称、重叠型，可分域上空洞（\(d_{\mathcal{H}\Delta\mathcal{H}}\approx2\)）
Le Cam 失真的方向性	Akdemir 2025 [20]【预印本·未评审】定理 4.3	亏格是有方向的：源噪声 \(I\)、目标噪声 \(\Sigma\succeq I\) 时 \(\delta(\mathcal{E}_S,\mathcal{E}_T)=0\) 而 \(\delta(\mathcal{E}_T,\mathcal{E}_S)\ge\\|\Sigma-I\\|_F/(2\sqrt2)\)——"invariance trap"的反例弹药	扰动是高斯噪声矩阵，不是几何参数
Kantorovich–Rubinstein / \(W_1\)	标准；定义 4.4、命题 4.4	位移型距离；同位置耦合把 \(W_1\) 算成墙位移的函数	需要 \(\mathrm{Lip}(g)\)
两径像法与灵敏度表	教科书；§4.4	相位 \(4\pi\cos\theta/\lambda\)、时延 \(2\cos\theta/c\)、角度与幅度 \(\lesssim2/r_1\)	多散射体、绕射、遮挡
可微分射线追踪	Sionna RT（第 4 章参考文献 13）	梯度即灵敏度，任意场景自动给 \(\partial\mathbf{h}/\partial(\text{几何})\)	材质校准的可辨识性（Q6.5）

7.5.3 第一步可证引理#

命题 4.4 已做单反射面。下一步是 \(K\) 个反射面加一条绕射边缘。这一步刻意不引具体文献，只写模型与求证。

四栏	内容
模型	\(K\) 个平面反射体，第 \(p\) 个沿其法向位移 \(\delta_p\)，入射角 \(\theta_p\)，复幅度 \(a_p\)，阵列响应 \(\mathbf{a}(\varphi_p)\)（单位模长）；一条绕射边缘，幅度 \(a_{\mathrm{d}}\) 按第一部第 2 章的口径比同距离反射径低 \(\sqrt{\lambda/L}\) 量级，边缘位移 \(\delta_{\mathrm{d}}\)。\(\mathbf{h}_{\boldsymbol\delta}=\sum_{p=1}^{K}a_pe^{-j\phi_p(\delta_p)}\mathbf{a}(\varphi_p)+a_{\mathrm{d}}e^{-j\phi_{\mathrm{d}}(\delta_{\mathrm{d}})}\mathbf{a}(\varphi_{\mathrm{d}})\)；相位主导近似：\(\Delta\phi_p=4\pi\delta_p\cos\theta_p/\lambda\)，幅度与方向不随 \(\delta\) 变。
已知	命题 4.4(a)(b)(c)；复数恒等式 \(\lvert e^{-j\Delta\phi}-1\rvert=2\lvert\sin(\Delta\phi/2)\rvert\)；阵列响应的内积 \(\lvert\langle\mathbf{a}(\varphi),\mathbf{a}(\varphi')\rangle\rvert\) 是第 6 章 §6.4 的阵因子（Dirichlet 核），方向相距超过一个主瓣宽时近似为零。
求证	\(\\|\mathbf{h}_{\boldsymbol\delta}-\mathbf{h}_0\\|\) 的精确表达式及其对位移方向的最坏情形；证明或否证 \(W_1(P_0,P_{\boldsymbol\delta})\le\sum_p2\lvert a_p\rvert\lvert\sin(2\pi\delta_p\cos\theta_p/\lambda)\rvert+2\lvert a_{\mathrm{d}}\rvert\lvert\sin(\cdot)\rvert\)（逐径三角不等式）并刻画它松多少；绕射项的贡献是否被 \(\sqrt{\lambda/L}\) 压到可忽略。
工具	三角不等式；Cauchy–Schwarz；Gram 矩阵 \(\mathbf{G}=[\langle\mathbf{a}_p,\mathbf{a}_q\rangle]\) 的谱界；命题 4.4 第二步的同位置耦合。

正交情形可以当场证明，它给出这条引理的"骨架"。

引理 7.7（\(K\) 反射面、阵列响应正交时的精确范数）【本站演算】

在上述模型中，若 \(\{\mathbf{a}(\varphi_p)\}_{p=1}^{K}\cup\{\mathbf{a}(\varphi_{\mathrm{d}})\}\) 两两正交，则对每个终端位置，

\[ \|\mathbf{h}_{\boldsymbol\delta}-\mathbf{h}_0\|^{2}=\sum_{p=1}^{K}4\lvert a_p\rvert^{2}\sin^{2}\frac{\Delta\phi_p}{2}+4\lvert a_{\mathrm{d}}\rvert^{2}\sin^{2}\frac{\Delta\phi_{\mathrm{d}}}{2}, \]

从而有下面三条结论：

逐径三角不等式的界 \(\sum_p2\lvert a_p\rvert\lvert\sin(\Delta\phi_p/2)\rvert\)（含绕射项）与真值之比至多为 \(\sqrt{K+1}\)，等号当所有 \(\lvert a_p\rvert\) 相等且所有 \(\lvert\sin(\Delta\phi_p/2)\rvert\) 相等。
当各径的 \(\lvert\sin(\Delta\phi_p/2)\rvert\) 相等时（例如各面位移与入射角都相同），这个比恰为 \(\bigl(\sum_p\lvert a_p\rvert\bigr)/\bigl(\sum_p\lvert a_p\rvert^{2}\bigr)^{1/2}\le\sqrt{K+1}\)。
一般（非正交）情形，真值介于 \(\bigl[\lambda_{\min}(\mathbf{G})\bigr]^{1/2}\) 与 \(\bigl[\lambda_{\max}(\mathbf{G})\bigr]^{1/2}\) 倍的正交值之间。

证明（三步）

第一步：逐径写差。

\[ \mathbf{h}_{\boldsymbol\delta}-\mathbf{h}_0=\sum_pa_pe^{-j\phi_p(0)}\bigl(e^{-j\Delta\phi_p}-1\bigr)\mathbf{a}(\varphi_p)+(\text{绕射项同形}) \]

记系数 \(c_p:=a_pe^{-j\phi_p(0)}(e^{-j\Delta\phi_p}-1)\)。

第二步：正交展开。 范数平方是 \(\sum_{p,q}c_p\bar c_q\langle\mathbf{a}_p,\mathbf{a}_q\rangle\)。正交时只剩对角项 \(\sum_p|c_p|^2\)，因为阵列响应单位模长，\(\langle\mathbf{a}_p,\mathbf{a}_p\rangle=1\)。每个对角项是 \(|c_p|^2=|a_p|^2|e^{-j\Delta\phi_p}-1|^2=4|a_p|^2\sin^2(\Delta\phi_p/2)\)，其中 \(|e^{-j\phi_p(0)}|=1\) 不改变模长。最后一步用的是命题 4.4 第一步的恒等式 \(|e^{-jx}-1|^2=(\cos x-1)^2+\sin^2x=2-2\cos x=4\sin^2(x/2)\)。

这一步说明：各径的贡献按能量相加，没有交叉项。

第三步：与三角界之比。 记 \(x_p:=2|a_p||\sin(\Delta\phi_p/2)|\ge0\)，则真值 \(=(\sum_px_p^2)^{1/2}\)，三角界 \(=\sum_px_p\)。

把 Cauchy–Schwarz 用在向量 \((1,\dots,1)\) 与 \((x_p)\) 上（共 \(K+1\) 项，含绕射）：\(\sum_px_p=\sum_p1\cdot x_p\le\sqrt{K+1}\,(\sum_px_p^2)^{1/2}\)，所以比值 \(\le\sqrt{K+1}\)，等号当且仅当各 \(x_p\) 相等。

当各 \(\sin\) 因子都等于同一个 \(\sigma\) 时，\(x_p=2\sigma|a_p|\)，公因子 \(2\sigma\) 约掉，比值化为 \(\sum|a_p|/(\sum|a_p|^2)^{1/2}\)。

非正交时，\(\sum_{p,q}c_p\bar c_qG_{pq}\) 是系数向量 \(\mathbf{c}\) 的 Hermitian 二次型。\(\mathbf{G}\) 是 Gram 矩阵（各阵列响应两两内积排成的矩阵），Hermitian 且半正定。按内积约定，二次型的矩阵是 \(\mathbf{G}\) 或 \(\mathbf{G}^{\top}\)，两者特征值相同。把 \(\mathbf{c}\) 按它的正交特征向量展开，二次型变成 \(\sum_i\lambda_i|\tilde c_i|^2\)，且 \(\sum_i|\tilde c_i|^2=\sum_p|c_p|^2\)。所以它夹在 \(\lambda_{\min}(\mathbf{G})\sum|c_p|^2\) 与 \(\lambda_{\max}(\mathbf{G})\sum|c_p|^2\) 之间（Rayleigh 商），开方即得陈述中的倍数。\(\blacksquare\)

物理意义

多个散射体同时挪动时，信道的变化是各径变化的能量和，不是幅度和。所以逐径三角不等式（Q4.1 的粗版本）在正交情形下会偏松：各径相位变化相同时恰好松 \(\sum|a_p|/\sqrt{\sum|a_p|^2}\) 倍，一般情形最多 \(\sqrt{K+1}\) 倍。

绕射项的幅度按 \(\sqrt{\lambda/L}\) 衰减，在能量和里按 \(\lambda/L\) 衰减。它进相位项，但权重是反射项的 \(\lambda/L\sim0.09\)（3.5 GHz、\(L=1\) m）。

行为分析

这条引理只处理了"相位主导"，遮挡仍不在内。
非正交的 Gram 矩阵在两径角距离小于主瓣宽时 \(\lambda_{\min}(\mathbf{G})\to0\)。两条径反向移动可以互相抵消，这是 Q3.4"相位敏感区"的另一面。
它对 \(\mathrm{Lip}(g)\) 什么都没说，那是 Q4.3。

算例 7.2（三面墙加一条绕射边缘：三角界松多少）【本站演算】

3.5 GHz（\(\lambda=85.71\) mm），三面墙 \(|a_1|,|a_2|,|a_3|=0.5,0.3,0.2\)，全部沿法向挪 \(\delta=2\) mm、垂直入射。绕射边缘 \(L=1\) m，幅度取同距离反射项的 \(\sqrt{\lambda/L}=\sqrt{0.0857}=0.293\) 倍，即 \(|a_{\mathrm{d}}|=0.2\times0.293=0.0586\)，同样挪 \(2\) mm。

第一步：公共因子。 \(\Delta\phi/2=2\pi\delta/\lambda=2\pi\times0.002/0.08571=0.1466\) rad，\(\sin=0.1461\)。

第二步：正交真值。 \(\sum|a_p|^2=0.25+0.09+0.04=0.38\)，\(\sqrt{0.38}=0.6164\)，真值 \(=2\times0.6164\times0.1461=\mathbf{0.180}\)（不含绕射）。

第三步：逐径三角界。 \(\sum|a_p|=1.0\)，界 \(=2\times1.0\times0.1461=\mathbf{0.292}\)。比值 \(0.292/0.180=\mathbf{1.62}\)。

第四步：绕射项。

三角界里加 \(2\times0.0586\times0.1461=0.017\)（\(+5.9\%\)）。
正交真值的平方 \(0.180^2=0.0324\) 上加 \(4\times0.0586^2\times0.1461^2=2.9\times10^{-4}\)，即平方 \(+0.9\%\)，真值本身约 \(+0.45\%\)。与三角界的 \(+5.9\%\) 同口径比较时，看后者。

绕射按 \(\lambda/L\) 进能量和，几乎看不见。

第五步：28 GHz。 \(\lambda=10.71\) mm，\(\Delta\phi/2=1.173\) rad，\(\sin=0.922\)。真值 \(2\times0.6164\times0.922=\mathbf{1.137}\)，三角界 \(\mathbf{1.844}\)。

校验

(a) 退化到命题 4.4：只留 \(|a_1|=0.5\)，真值与三角界都是 \(2\times0.5\times0.1461=0.146\)，与算例 4.6 的 \(3.5\) GHz、\(\delta=2\) mm 一行（\(0.146\)，归一化后 \(0.292\)）一致 ✓。
(b) Cauchy–Schwarz 恒等式：\(\sum|a_p|/\sqrt{\sum|a_p|^2}=1.0/0.6164=1.622\)，与第三步的数值比 \(1.62\) 逐位一致 ✓。\(\le\sqrt{3}=1.732\) ✓。
(c) 两频段的比例：小角度下真值应按 \(1/\lambda\) 放大 \(8\) 倍：\(0.180\times8=1.44\)。实际是 \(1.137\)，差在 28 GHz 已进入正弦弯曲区（\(\sin1.173/1.173=0.786\)，\(1.44\times0.786=1.13\)）✓。
(d) 饱和：28 GHz 的 \(\delta=2\) mm 已接近 \(\lambda/4=2.68\) mm，真值 \(1.137\) 接近上限 \(2\times0.6164=1.233\)（\(92\%\)）✓。

7.5.4 AI 可攻子问题#

（C1）界的紧度数值验证。 在可微分射线追踪里对一个房间随机扰动散射体位置（\(\delta\in[0,30]\) mm），对有限样本算 \(W_1\)（运输 LP），并与引理 7.7 的能量和、Q4.1 的逐径三角界对照。同时分频段（3.5 / 28 GHz）检验：相位型模型的泛化差在 \(\lambda/4\) 处饱和，结构型模型在 \(\sim L\) 前平坦（Q4.7 的可证伪实验）。
（C2）3GPP 泛化测试配置的参数族形式化。 命题 4.6 已把 Case 1 / 2 / 4 放到混合比例 \(\alpha\) 这根轴上（三种偏移度量都按 \(\alpha\) 缩小）。下一步把 Case 3（目标域微调）形式化为第二根轴"目标域样本数 \(m'\)"，写出有限样本项 \(O(\sqrt{\mathrm{VC}\log m'/m'})\) 与 \(\alpha\) 项的联合界，并给出"多少目标域样本可以换多少混合比例"的等价曲线。
（C3）\(\mathrm{Lip}(\ell\circ f)\) 的两径玩具训练。 在引理 3.3 的两径族上训练一个小网络，直接测 \(\Gamma(\delta)\) 曲线，与算例 4.6 的界比松紧（Q4.3 第一步）。

第一个用户：AI 空口跨城市部署的可证保证

今天的保证是 Rel-19 的 LCM，按第一部第 10 章的口径，它"是保险丝，不是定理"。

候选定理 7.6 若成立，保证的形态是：给定部署环境相对训练环境的几何不确定度 \(\delta\) 与模型的特征类型，泛化差有一个物理常数的上界。相位型模型在 \(\delta\ge\lambda/4\) 处必须回退，结构型模型在 \(\delta\lesssim L\) 内不必。第 4 章 §4.1 那张跨厂商表（同类户外 \(\pm1\%\)、CATT 跨测 \(-5\%\)、室内外崩塌）是它的实证锚点。

到此为止我们得到了什么

定理三的四件套和第二条真的引理。

候选定理 7.6 把猜想 4.5 写成"每种特征一项、各在自己的泛化半径处封顶"的带量词形式。
引理 7.7 证明正交情形下多散射体的信道差是各径的能量和，逐径三角界最多松 \(\sqrt{K+1}\)，绕射按 \(\lambda/L\) 进能量和。
算例 7.2 给出三面墙的数字：\(0.180\) 对 \(0.292\)，松 \(1.62\) 倍。

7.6 暗线 · 认知平衡点与 Q3 形状的可证伪判据#

7.6.1 精确陈述（精简四件套）#

暗线陈述（认知平衡点在真实 Q3 曲线下的形态）【概念：Feldbaum / Bar-Shalom–Tse 旧问题；度量与形状敏感性：本站提法】

定义 5.4 的回路里有三个量：

稳态知识 \(q^\star=\kappa\alpha T_{\mathrm{env}}\)。
长期吞吐 \(J(\alpha)=(1-\alpha)[C_0+\Delta C(q^\star)]\)。
无量纲数 \(\Lambda=\kappa T_{\mathrm{env}}/q_{\mathrm{sat}}\)。

求证：

(a) 取真实的知识汇率曲线 \(\Delta C(\cdot)\)（第一部第 9 章的 \(\Delta C(R_{\mathrm{env}})\)）。命题 5.1 的一阶条件为

\[ \Delta C'(q^\star)\kappa T_{\mathrm{env}}(1-\alpha^\star)=C_0+\Delta C(q^\star) \]

它的解 \(\alpha^\star(\Lambda)\) 的标度指数 \(\nu:=\lim\,\mathrm{d}\ln\alpha^\star/\mathrm{d}\ln\Lambda\) 由 \(\Delta C\) 的中段形状唯一决定（猜想 7.8 给三条预言）。

(b) 多时间尺度。 知识分层折旧时（§5.6），各被投资层在最优点有相同的杠杆化边际汇率 \(\Delta C_m'(q_m^\star)\kappa_mT_{\mathrm{env},m}\)，\(\Lambda_\ell\le\Lambda_c\) 的层不投资。可加性假设成立与否（Q5.4），决定这一条是等式还是不等式。

(c) 严格版本。 定义 5.4 是玩具。其对偶控制的 POMDP 稳态极限（Q5.3）在 \(T_{\mathrm{env}}\to\infty\) 时是否收敛到命题 5.1 的平衡点，开放。

7.6.2 已知工具箱#

工具	出处	提供什么	注意
对偶控制	Feldbaum 1960–61 [14]	动作既调节又探测；最优解原则上由动态规划给出、计算上不可行	无稳态 / 摊销版本
对偶效应判据	Bar-Shalom–Tse 1974 [14]；定义 5.2	无对偶效应 \(\Rightarrow\) 反馈策略、LQG 下 CE 最优与分离	"CE \(\Rightarrow\) NDE"方向的原证明有已知瑕疵与反例（本站文献核对材料的原话如此），引用时只用"NDE \(\Rightarrow\) CE 最优"一侧
最优训练长度	Hassibi–Hochwald 2003 [15]	功率可分配时最优训练符号数 \(=M\)；容量下界 \((1-T_\tau/T)\log(1+\rho_{\mathrm{eff}})\)	算例 5.6：回路在阈值型汇率下精确退化为 \(\alpha^\star=M/T\)
Q3 汇率	第一部第 9 章	两端点已知、中段形状未知（凹增 / 阈值跳变 / 早饱和）	本节把三条候选各代入一次

7.6.3 第一步可证引理：三条候选形状，三条预言#

这一步的意义与前两条定理不同。它不证新的不等式，而是把第一部留下的"形状未知"翻译成一个可以拿数据去否证的判据，这是本部对第一部的反馈。

先做一个口径对应【本站约定】：第一部 Q3 的三条候选形状与第 5 章的两族模型对应如下。

早饱和 \(\leftrightarrow\) 推论 5.2 的指数饱和型 \(\Delta C=\Delta C_{\max}(1-e^{-q/q_{\mathrm{sat}}})\)。
凹增（一直在涨、无上界）\(\leftrightarrow\) 推论 5.3 的幂律型 \(\Delta C=c(q/q_{\mathrm{sat}})^{\beta}\)，\(0<\beta<1\)。
阈值跳变 \(\leftrightarrow\) 算例 5.6 的阈值型 \(\Delta C=\Delta C_{\max}\mathbf{1}[q\ge q_{\mathrm{sat}}]\)。

记号提醒：本节的 \(\alpha\) 是感知份额（资源中用来认识环境的比例），与算例 7.1(c) 的"报 1 的概率"、C2 的混合比例 \(\alpha\) 都不是同一个量。\(\Lambda\) 是无量纲数 \(\kappa T_{\mathrm{env}}/q_{\mathrm{sat}}\)，与 §7.4 的任务格 \(\Lambda(\mathcal{E})\) 无关。

猜想 7.8（Q3 形状的三条可证伪预言）【本站提法·目前无数据】

取 \(C_0=1\)、\(\Delta C_{\max}=0.5\)、\(c=0.5\)、\(\beta=1/2\)（与算例 5.4、5.5、5.6 相同）。则认知平衡点 \(\alpha^\star(\Lambda)\) 在三条候选形状下分别为：

（一）阈值跳变。 \(\alpha^\star=1/\Lambda\)（只要 \(\Delta C_{\max}>C_0/(\Lambda-1)\)），即 \(\alpha^\star\Lambda\equiv1\)，标度指数 \(\nu=-1\)，与 Hassibi–Hochwald 的 \(T_\tau/T=M/T\) 同形。

（二）早饱和。 \(\alpha^\star=\frac1\Lambda\ln\frac{\Lambda}{3}+O(\ln\Lambda/\Lambda^{2})\)（推论 5.2(d)），\(\nu=-1+1/\ln(\Lambda/3)\to-1^{+}\)，即"\(1/\Lambda\) 乘一个对数"。

（三）凹增。 \(\alpha^\star\to\beta/(1+\beta)=1/3\)（推论 5.3(c)），\(\nu\to0\)。

可证伪判据：在一个能人为改变 \(T_{\mathrm{env}}\)（从而改变 \(\Lambda\)）的试验台上，测"吞吐最优的感知占比"随 \(\Lambda\) 的对数斜率 \(\nu\)：

\(\nu\approx-1\) 且 \(\alpha^\star\Lambda\) 为常数 \(\Rightarrow\) 阈值型。
\(\nu\in(-1,-0.7)\) 且 \(\alpha^\star\Lambda\) 按 \(\ln\Lambda\) 缓增 \(\Rightarrow\) 早饱和。
\(\nu\approx0\) \(\Rightarrow\) 凹增。

证据现状（2026 年 9 月）：据本站检索，文献中没有任何直接给出 \(\Delta C\)（容量增益对环境信息量）的 CKM 数字，也没有随 \(T_{\mathrm{env}}\) 扫描最优感知占比的实验。三条预言全部未被数据检验。

三条式子从哪来

（一）阈值型。 知识 \(q^\star=\kappa\alpha T_{\mathrm{env}}\) 达到 \(q_{\mathrm{sat}}\)，当且仅当 \(\alpha\ge q_{\mathrm{sat}}/(\kappa T_{\mathrm{env}})=1/\Lambda\)。
- 不到门槛时 \(\Delta C=0\)，最好是 \(\alpha=0\)、\(J=C_0\)。
- 过了门槛 \(J=(1-\alpha)(C_0+\Delta C_{\max})\) 随 \(\alpha\) 递减，最好是恰好踩线 \(\alpha=1/\Lambda\)。
- 踩线胜过不投，当且仅当 \((1-1/\Lambda)(C_0+\Delta C_{\max})>C_0\)，两边乘 \(\Lambda\) 整理即 \(\Delta C_{\max}>C_0/(\Lambda-1)\)。
（二）早饱和。 推论 5.2(d) 的闭式 \(\alpha^\star\approx\frac1\Lambda\ln\frac{\Delta C_{\max}\Lambda}{C_0+\Delta C_{\max}}\) 代入本组参数，\((C_0+\Delta C_{\max})/\Delta C_{\max}=1.5/0.5=3\)，这就是 \(\ln(\Lambda/3)\) 里的 3。对 \(\ln\alpha^\star=\ln\ln(\Lambda/3)-\ln\Lambda\) 关于 \(\ln\Lambda\) 求导，得 \(\nu=1/\ln(\Lambda/3)-1\)。
（三）凹增。 直接取推论 5.3(c) 的极限，\(\alpha^\star\) 趋于常数，所以 \(\nu\to0\)。

算例 7.3（三条形状在同一组 \(\Lambda\) 上的 \(\alpha^\star\) 与标度指数）【本站演算】

数值。 对 \(\Lambda=10,100,1000,10^{4}\) 分别解三条一阶条件（阈值型闭式；饱和型解推论 5.2(c) 的不动点；幂律型解推论 5.3(b) 的不动点）：

\(\Lambda\)	阈值 \(\alpha^\star=1/\Lambda\)	早饱和 \(\alpha^\star\)	凹增 \(\alpha^\star\)	\(\alpha^\star\Lambda\)：阈值 / 早饱和 / 凹增
\(10\)	\(0.1000\)	\(0.1185\)	\(0.1631\)	\(1\) / \(1.19\) / \(1.63\)
\(100\)	\(\mathbf{0.0100}\)	\(\mathbf{0.0348}\)	\(\mathbf{0.2647}\)	\(1\) / \(3.48\) / \(26.5\)
\(1000\)	\(0.0010\)	\(0.0058\)	\(0.3099\)	\(1\) / \(5.80\) / \(310\)
\(10^{4}\)	\(0.0001\)	\(0.0008\)	\(0.3257\)	\(1\) / \(8.11\) / \(3257\)

标度指数（\(\Lambda\) 从 \(100\) 到 \(1000\) 的对数斜率）：

阈值：\(\nu=\log_{10}(0.001/0.01)=\mathbf{-1.00}\)。
早饱和：\(\nu=\log_{10}(0.0058/0.0348)=\mathbf{-0.78}\)。
凹增：\(\nu=\log_{10}(0.3099/0.2647)=\mathbf{+0.07}\)。

三条曲线在 \(\Lambda=100\) 处相差 \(1.0\%:3.5\%:26.5\%\)，在 \(\Lambda=10^{4}\) 处相差 \(0.01\%:0.08\%:32.6\%\)，跨了三个数量级。

校验

(a) 与第 5 章逐位对照：早饱和列的 \(0.1185/0.0348/0.0058\) 与算例 5.4 的数值最优一致 ✓；凹增列的 \(0.163/0.265/0.310\) 与算例 5.5 一致 ✓；阈值型在算例 5.6 的 \(\Lambda=25\) 处给 \(0.04=M/T\) ✓。
(b) 恒等式：阈值型 \(\alpha^\star\Lambda\equiv1\) 对四行都成立 ✓。阈值型的存在条件 \(\Delta C_{\max}=0.5>1/(\Lambda-1)\) 在 \(\Lambda\ge10\) 时成立（\(1/9=0.11\)）✓。
(c) 早饱和的解析斜率：\(\nu=-1+1/\ln(\Lambda/3)\) 在 \(\Lambda=100\) 处 \(-0.715\)、在 \(1000\) 处 \(-0.828\)，区间平均 \(-0.77\)，与数值 \(-0.78\) 一致 ✓。
(d) 极限：早饱和列的 \(\alpha^\star\Lambda\) 按 \(\ln(\Lambda/3)\) 增长（\(8.11=\ln(3333)\) ✓）；凹增列的 \(\alpha^\star\to1/3\)（\(0.3257/0.3333=0.98\)）✓。
(e) 一阶条件代回（凹增，\(\Lambda=100\)）：\(\beta(1-\alpha)/\alpha=0.5\times0.7353/0.2647=1.389\)；\(1+1/(c\sqrt{\Lambda\alpha})=1+1/(0.5\times5.145)=1.389\) ✓。
(f) 直接搜索：以 \(10^{-6}\) 步长最大化 \(J(\alpha)\)，饱和型得 \(0.03481\)、幂律型得 \(0.26473\)，与不动点解一致 ✓。

三条候选 Q3 形状给出的认知平衡点 α*（横轴 log10 Λ）

怎么读这张图

三条曲线自下而上依次是阈值跳变（\(1/\Lambda\)，纵轴也取了对数，所以是一条直线）、早饱和（比 \(1/\Lambda\) 慢一个对数因子，峰在 \(\Lambda\approx7\)，落在本图左边界之外）、凹增（单调上升、逼近 \(1/3\)）。
数据点由算例 7.3 的三条一阶条件逐点解出【本站演算】。它把第一部 Q3 的"中段形状未知"变成了一张可以拿实验数据往上叠的图：测到的 \(\alpha^\star(\Lambda)\) 落在哪条线附近，Q3 的形状就是哪一条。
截至 2026 年 9 月，图上没有任何一个实测点。

物理意义

三条预言分别对应三种工程直觉：

阈值型说"知识不到饱和值一文不值，到了就全有"（可辨识性，Hassibi–Hochwald 的世界）。
早饱和说"前几比特最值钱，之后迅速不值钱"（与第三部 \(V(I)\) 在小 \(I\) 处极陡同形）。
凹增说"越多越好、永不满足"。

同一个 \(\Lambda=100\)，三种直觉给出的"该花多少去认识环境"相差 \(1\%\)、\(3.5\%\)、\(26.5\%\)。

行为分析

三条预言在 \(\Lambda\) 小时靠近（\(\Lambda=10\) 处 \(0.10/0.12/0.16\)），在 \(\Lambda\) 大时分开。所以试验台必须扫 \(\Lambda\) 三个数量级才能判别形状，一个点不够。
\(\alpha^\star\Lambda\) 这个组合量是更好的判据：它在三条形状下分别是常数、对数、线性，肉眼可分。
真实曲线可能分段属于不同形状（第 5 章算例 5.5 已提醒幂律族在 \(q^\star>q_{\mathrm{sat}}\) 时物理上不再合理），此时 \(\nu\) 随 \(\Lambda\) 漂移，这本身就是有信息的读数。

7.6.4 AI 可攻子问题与第一个用户#

（D1）Q5.1 的数值先行。 在第一部第 10 章的单反射面玩具族上，对 \(R_{\mathrm{env}}\in\{1,\dots,20\}\) 比特的环境描述数值扫描 \(\Delta C(R_{\mathrm{env}})\)，判定它属于三条形状中的哪一条。这是猜想 7.8 的仿真侧检验，也是本部对第一部 Q3 最直接的反馈。
（D2）两状态 POMDP 显式解。 Q5.3 的第一步：环境"墙在 / 不在"两状态、二元感知信道、动作 = 感知份额，写出长期平均回报的最优策略，与命题 5.1 比较。

第一个用户：数字孪生的更新预算

算例 5.7 的量级账如下：

建筑层 \(\Lambda=10^{4}\)、\(\alpha^\star=0.08\%\)（"一次路测管一年"，约 7 小时 / 年）。
家具层 \(\Lambda=10^{3}\)、\(0.58\%\)（约 8 分钟 / 天）。
行人层 \(\Lambda=0.1<\Lambda_c=2\)、不建耐用知识。

这三个数全部依赖早饱和型假设。若真实形状是凹增，建筑层的 \(\alpha^\star\) 会从 \(0.08\%\) 跳到接近 \(1/3\)。数字孪生该多久同步一次，Q3 不解就没有定理，只有启发式。

到此为止我们得到了什么

暗线的精简四件套和一条可证伪判据。

认知平衡点的标度指数 \(\nu\) 由 Q3 曲线的形状决定：阈值型 \(-1\)、早饱和 \(-0.78\)（\(\Lambda\in[100,1000]\)）、凹增 \(\approx0\)。
\(\Lambda=100\) 处三种预言相差 \(1\%:3.5\%:26.5\%\)。
这是本部写回第一部的反馈：一张等着实测点的图。

7.7 接口、打分、路线图，与第四部的入口#

7.7.1 与四条缺失 converse 的接口表#

全站贯穿四条缺失的 converse：

\(\Delta C(R_{\mathrm{env}})\)（第一部）：关于环境的信息值多少容量。
\(V(I)\)（第三部第 5 章）：关于未来的信息值多少效用。
\(C(\varepsilon)\)（第三部第 6 章）：两小区最小 CSI 交换 \(\lesssim56\) 比特。
\(\mathrm{PoL}\)（第三部第 7 章）：分层的代价。

下表列出本部三定理与暗线各接哪一条、定量关系是什么。

本部对象	接 \(\Delta C(R_{\mathrm{env}})\)	接 \(V(I)\)	接 \(C(\varepsilon)\)	接 \(\mathrm{PoL}\)
定理一 · 亏格	亏格是任务无关的最坏价值损失，\(\Delta C\) 是特定任务（容量）的最优价值增益；Q2.5 猜想夹逼 \(\sup_T[r_T(\mathcal{F})-r_T(\mathcal{E})]\le\sup_T\\|L_T\\|\delta_{\mathcal{T}}(\mathcal{F},\mathcal{E})\)【开放】	对 \(I\) 比特的 garbling 族 \(\mathfrak{F}_I\)，由定理 2.2：\(U_T(\infty)-U_T(I)\le\\|L_T\\|\inf_{\mathcal{F}\in\mathfrak{F}_I}\delta(\mathcal{F},\mathcal{E}_0)\)——\(V\) 型曲线的饱和速度被"亏格随比特数的衰减率"从上面压住【本站演算·平凡推论】；\(V\) 本身是给定比特的最优价值，是从下面顶	两侧模型互操作判据 \(\delta(\mathcal{E}_A,\mathcal{E}_B)\le\epsilon\)（第 2 章 §2.8）与 \(C(\varepsilon)\) 一体两面：不交换时差多少 / 交换多少才对齐；引理 7.3 给确定性码本的判据	—
定理二 · 任务格	\(\Delta C\) 是任务汇率族 \(\{\Delta U_T(R)\}\) 的一员（定义 3.4）；膝点 \(R^{\mathrm{sat}}_T=H(\mathcal{S}_T)\)（猜想 3.6）；容量任务的膝点 \(\ll R_{\mathrm{ceil}}=1.3\times10^{6}\) 比特是否成立即 Q3 中段形状（Q3.3）	\(V(I)\) 在小 \(I\) 处极陡与算例 3.6 的 \(R(D)\) 在 \(D_{\min}\) 处斜率 \(-\infty\) 同形——"第一比特最值钱"	两个基站地图的"公共部分"是划分的交、其熵是 Gács–Körner 公共信息（第 3 章备注）；零率可同步的部分与 \(C(\varepsilon)\) 是同一问题的两端（Q3.6）	—
定理三 · 物理泛化界	跨环境时 \(\Delta C\) 的耐用品知识可能指错对象：泛化半径决定 CKM 的哪些层（结构型泛函 CGM / BIM / LoS 图）可迁移、哪些层（相位级）不可	—	环境泛化损失 \(\mathcal{L}(e\to e')=I-\mathrm{GMI}\)（定义 4.2）可作跨厂商互操作的第二判据，与 \(C(\varepsilon)\) 并列测量（Q4.2）	—
暗线 · 认知平衡点	直接依赖 \(\Delta C\) 的形状（猜想 7.8）；把 Q3 的形状问题翻译成标度指数 \(\nu\)	双信息回路（定义 5.6）：\(\Delta C'(q^\star)\kappa_{\mathrm{e}}T_{\mathrm{env}}=V'(I^\star)\kappa_{\mathrm{f}}T_{\mathrm{pred}}\)，两种信息的杠杆化边际价格相等【开放·可加性未证】	—	—
账本（第 6 章）	—	—	—	链上的 \(\mathrm{PoL}\)（猜想 6.6）：量化型链上恰等于 \(G_i\) 的 AM/GM 比（\(3.700\)、\(2.057\)，已证）；混合型链数值 \(1.53\)–\(1.57\)（未证）；与亏格账本的夹逼开放

表的读法

第一行第二列那条"平凡推论"值得多看一眼：它是本部与第三部之间第一条有证明的定量关系，尽管只是定理 2.2 的直接代入。
其余格子里要么是猜想，要么是"同一问题的两端"这类结构对应。
空格是诚实的：定理三与 \(V(I)\)、\(\mathrm{PoL}\) 之间，本站没有找到任何非平凡的接口。

那条平凡推论的推导

第一步： 任取一个只用 \(I\) 比特的 garbling \(\mathcal{F}\in\mathfrak{F}_I\)。把定理 2.2 用于 \((\mathcal{F},\mathcal{E}_0)\)，取 \(\mathcal{E}_0\) 上的 Bayes 最优规则作被模拟对象，再对先验取期望，得

\[ r_T(\mathcal{F})-r_T(\mathcal{E}_0)\le\|L_T\|\delta(\mathcal{F},\mathcal{E}_0) \]

第二步： 效用取负风险（差一个常数），\(U_T(\infty)\) 是看全 \(\mathcal{E}_0\) 时的效用。\(U_T(I)\) 是 \(I\) 比特下最好的效用，不低于只用这一个 \(\mathcal{F}\) 的效用。所以

\[ U_T(\infty)-U_T(I)\le r_T(\mathcal{F})-r_T(\mathcal{E}_0)\le\|L_T\|\delta(\mathcal{F},\mathcal{E}_0) \]

第三步： 对 \(\mathcal{F}\) 取下确界，即得表中那一格。

7.7.2 AI 适配性打分#

当前 AI 辅助证明的甜点区是陈述精确、工具经典、不需要新数学对象，但需要长链条估计。这一判断沿用第一部第 10 章与第三部第 9 章的两份标定材料：

一份是 2026 年 8 月的 MIMO 检测手稿【预印本·未评审】：多项式时间算法在 \(\mathrm{SNR}>2\log N\) 门限处达到 ML 恢复，复杂度 \(O(N^3)\)。据原文脚注，证明与起草由两个大模型完成，人类出题、核验并担责。本章不编号引用，见第一部第 10 章 Q4。
另一份是 Bubeck 等的科学加速实验 [19]【预印本·未评审】。

手稿作者的原话是，证明"未发明任何 2010 年后不存在的新数学"，难点在于把二十页标准步骤以正确粒度组织到一起。据此用四维打分（每维 0–5）：

形式化共识：陈述是否已被钉死。
工具经典。
可数值验证：有无可算的阈值 / 常数。
无需新对象。

子问题	形式化共识	工具经典	可数值验证	无需新对象	合计	判断
A1 码本族亏格表（定理一第一步）	5	5	5	5	20/20	首攻第一顺位；引理 7.3 已给闭式，剩下是数据
A2 \(\delta_k\) 阶梯与"二点参数集 \(\delta_2=\delta\)"	5	4	5	4	18/20	算例 7.1(c) 已走通 \(k=2\)
B3 / Q3.2 两任务率失真（定理二第一步）	4	5	4	4	17/20	定理 3.5 的证明再走一遍
C1 / Q4.1 \(K\) 反射面界（定理三第一步）	4	4	5	4	17/20	引理 7.7 已给正交骨架，非正交要 Gram 谱
D1 / Q5.1 \(\Delta C\) 的第一组数	4	4	5	4	17/20	仿真可做；"最优码"的 sup 要小心定义
猜想 7.8 的实测检验	4	5	1	5	15/20	数学上平凡，缺的是试验台与数据
Q5.3 认知回路的 POMDP 稳态极限	3	3	3	3	12/20	两状态实例可做，一般情形是对偶控制老难题
候选定理 7.4 全形（无平局之外、任务类 converse）	3	4	2	2	11/20	定义先由人钉死
候选定理 7.6 全形（绕射、遮挡、\(\mathrm{Lip}\)）	2	3	3	2	10/20	遮挡是非连续事件，需要新对象
猜想 1.3 的 \(\rho\) 与可加性	2	3	3	1	9/20	\(\rho\) 的定义本身未定

本部子问题的 AI 适配性：形式化共识 × 证明链长度

怎么读这张图

横轴是陈述被钉死的程度，纵轴是预计证明链的长度。
右上是 AI 辅助证明的甜点区（陈述精确但要几十页标准估计）。本部里落在这一区的是 C1，B3 压在分界线上（纵坐标 \(0.48\)）。
右下是"直接做"（A1、猜想 7.8 的检验：数学已完，缺数据）。
左上是"先由人钉死定义"（定理二、三的全形、猜想 1.3）。
左下几乎为空：本部没有"定义未定但证明很短"的问题。
坐标是本站按四维打分表做的定性定位【本站提法】，不是测量值。

7.7.3 方法 × 定理矩阵#

方法	定理一 · 排序	定理二 · 任务格	定理三 · 泛化界	暗线 · 平衡点
统计决策论（Blackwell [1]、Le Cam [2]、Torgersen [3]、Raginsky [4]）	母体：序、亏格、风险界、\(k\)-亏格	任务限制亏格 \(\delta_{\mathcal{T}}\)、引理 3.1	亏格的方向性（[20] 定理 4.3）提供"对称对齐有害"的反例	第 5 章 §5.2 关键结论 (b)：后悔 \(\le\\|L_T\\|\delta\)
信息格（Shannon [5]、Bahadur [6]）	—	母体：划分的完全格、最小充分	—	分层知识的"并 / 和"之辨（Q5.4）
间接率失真（Dobrushin–Tsybakov [7]、Witsenhausen [8]、Gilad-Bachrach 等 [10]）	—	价签：\(R_{\mathrm{ind}}(D_{\min})=H(\mathcal{S}_T)\)；任务类版本开放	—	\(\kappa\) 的编码论上界（Q5.1 工具）
GMI / 失配译码（[11][12]）	—	—	货币：\(I-\mathrm{GMI}\)、Lapidoth 最坏噪声、\(0.104\) bit	—
域适应理论（Ben-David [13]）	—	—	对照组：可分域上空洞（\(d_{\mathcal{H}\Delta\mathcal{H}}\approx2\)）；命题 4.6 的 \(\alpha\) 缩放	—
Kantorovich–Rubinstein / \(W_1\)	猜想 7.2(b) 的"连续性"需要它	—	保证：命题 4.4、引理 7.7	—
对偶控制（Feldbaum、Bar-Shalom–Tse [14]、Hassibi–Hochwald [15]）	—	—	"要不要重新探测"的判据是泛化半径	母体：判据、块内特例 \(M/T\)
CEO / 逐次精化（Equitz–Cover、Oohama [15]）	—	多测量点的天花板（定理 6.4）	—	分阶段建库"先粗后细"免费（高斯 + MSE）
信息结构比较（Gossner [16]、Lehrer 等 [16]、Witsenhausen 1968 [9]）	多决策者版的排序（第四部）	—	—	多决策者版的探测 / 利用（第四部）

矩阵的读法

加粗的词是该方法对那条定理扮演的主角。
定理一、定理二与暗线三列各有一个"母体"，定理二另有间接率失真给"价签"。定理三那一列没有单一母体，由 GMI 给"货币"、\(W_1\) 给"保证"拼成。
其余格子是该方法能为那条定理提供的零件，空格是该方法对那条定理无话可说。
最后一行是第四部的入口。

7.7.4 路线图#

下表是本部三定理与暗线的短中长线路线图（本站规划）。

阶段	内容
短线 · 2026–2027	码本族亏格表（A1，引理 7.3 + 数据）
	\(K\) 反射面 Lipschitz 界（C1，引理 7.7 推广到非正交）
	\(\delta_k\) 阶梯与"二点参数集 \(\delta_2=\delta\)"（A2）
	人机协作流程在本部完整跑通一次
中线 · 2028–2031	无线实验族排序图（猜想 2.6 → 候选定理 7.2）
	任务格第一张图：两径 → 有限散射体（B1、B3）
	物理泛化界第一族定理：\(K\) 反射面 + 绕射（候选定理 7.6 的相位部分）
	Q3 形状的可证伪检验（猜想 7.8，需试验台）
长线 · 2032–2036	链的 converse 表：一列环节 · 一列亏格 · 一列任务限制紧化 · 一列已知达到该界的构造
	猜想 1.3 的 \(\rho\) 与可加性
	与第三部 \(V(I)\)、\(C(\varepsilon)\)、PoL 的接口表填满

怎么读这张表

短线的四项都是"陈述已钉死、工具经典"的引理级工作，其中两项（引理 7.3、7.7）本章已经开了头。
中线是四条定理级目标，各自把短线的引理推到一族。
长线是一张表。形式上类比香农的容量表：一列链的环节、一列该环节的亏格、一列任务限制版能紧到多少、一列已知达到该界的构造。
判据从头到尾只有一条：一个个条目从【开放】改成【部分结果】，再改成【已解决】。

三线的内容如下：

短线（1–2 年）：两个第一步引理，即码本族亏格表（引理 7.3 已给闭式，剩下是在公开数据集上把 LP 跑成表）与 \(K\) 反射面 Lipschitz 界（引理 7.7 已给正交骨架，剩下是 Gram 矩阵的谱界与绕射项）。顺手完成 \(\delta_k\) 阶梯。方法论目标与第三部第 9 章相同：把"人提问 → AI 出引理 → 人指导简化 → 人逐行验证 → 人负全责"的流程在本部完整复制一次。
中线（3–5 年）：候选定理 7.2 的 (a)(b) 在真实码本族上、7.4 的 (c) 在有限散射体模型上、7.6 的相位部分在 \(K\) 反射面 + 绕射上，各成一族定理。同时用试验台检验猜想 7.8，这是本部对第一部 Q3 的反馈能否落地的关键。
长线（5–10 年）：链的 converse 表。

7.7.5 收尾：当决策者不止一个#

本部从头到尾只有一个决策者：他看到 \(\mathcal{E}_k\)，选动作 \(a\)，损失 \(L_T(\theta,a)\)。Blackwell 定理的"一切任务"量词、Le Cam 亏格的"一切损失"量词，都是对这一个人说的。

一旦决策者不止一个，"谁知道什么"本身成为变量。三件事立刻改变：

信息多不一定好。
- Blackwell 序在单决策者下是"更多信息永远不坏"（定理 2.1 (i)\(\Rightarrow\)(ii)）。在博弈里，一个玩家知道得更多，可能让所有人的均衡结果变差。
- Gossner 2000 [16] 给出了信息结构的统计式偏序，刻画从一个结构到另一个时 Bayes–Nash 均衡结果集何时收缩。
- Lehrer–Rosenberg–Shmaya 2010 [16] 处理共同利益博弈中的 signaling 与 mediation。
- 这是 Blackwell 序在团队 / 博弈里的推广，是第四部的语言。
分离失效，动作即信号。
- 第 5 章 §5.3 的对偶效应判据说，"动作进不进后验方差"决定要不要联合设计。多决策者下还有第二种耦合：一个人的动作是另一个人的观测（signaling）。
- Witsenhausen 1968 [9] 的反例：LQG 下非线性控制器严格优于线性，因为控制器在用动作"说话"，动作本身成了信号。
- 链上多点决策不能拆开。这是本部的分环记账（定理 2.4 的沿链累加与第 6 章的误差预算）在多决策者下必须先立的警示牌。
公共知识要花钱。 第三部第 6 章的 \(C(\varepsilon)\)（两小区 \(\lesssim56\) 比特）与本部第 3 章的格的交（Gács–Körner 公共信息），在多决策者下合成一个问题：为了让两个决策者的知识"对齐到能协同"，最少要交换多少。团队理论（Marschak–Radner 1972，书目见第四部第 2 章，本章不编号）是它的经典框架。

第四部从这里开始。当"谁知道什么"成为变量：

Blackwell 序变成信息结构的偏序。
亏格变成"对齐的代价"。
认知回路变成多智能体的探测 / 利用博弈。

本部交出去的是单决策者侧的全部零件。

到此为止我们得到了什么

四张表和一张图。

接口表指出本部与三部之间唯一一条有证明的定量关系（\(V\) 型曲线的饱和速度被亏格衰减率压住）和一堆结构对应。
打分表把十个子问题按四维排序，首攻是码本族亏格表。
方法矩阵给每条定理标出主角（定理三没有单一母体，由 GMI 与 \(W_1\) 拼成）。
路线图分短中长三线。
收尾给第四部三块警示牌：信息多不一定好、分离失效（动作即信号）、公共知识要花钱。

跨部连线

本章所在的线索：极限与基线、任务与价值。

第三部第 9 章「三个缺失定理」：第三部的三条缺失定理 \(V(I)\)、\(C(\varepsilon)\)、PoL，与本部定理的接口见本章 7.7 节的表。
第四部 9.8 节：四部合成表与全站闭环图。

开放问题#

把前六章的开放问题合并、去重、按三定理与暗线归类，每条标状态，并注明它来自哪一章的哪一问。合并规则：同一问题在多章出现的只留一条，注明所有来源。

定理一 · 知识排序

Q7.1（无线实验族的 Hasse 图）【开放·本站提法】←Q2.1、Q1.1、Q6.6。精确陈述见候选定理 7.2。第一步：引理 7.3 推广到带 \(\epsilon\) 误分的量化器（A3）；把第 6 章的三环链离散化后算出三个 \(\delta(\mathcal{E}_k,\mathcal{E}_{k-1})\)（Q6.6）。AI 可攻：A1。
Q7.2（\(k\)-亏格能紧多少）【部分结果】←Q1.4、Q2.3、Q3.1。本章算例 7.1(c) 给出第一个数：BEC(0.6)/BSC(0.2) 对的 \(\delta_2=\delta\) 在两个方向都成立（\(0.08\)、\(0.10\)）。猜测：二点参数集上 \(\delta_2=\delta\) 恒成立。精确序（亏格为零）的版本已由 Blackwell 1953 [1] 给出，亏格版本【表述待核：须核 Torgersen [3] 与 [21]】。AI 可攻：A2。
Q7.3（跨模态亏格的第一组数与亏格估计量）【开放·本站提法】←Q2.2。难点在 \(\sup_\theta\) 与有限数据。
Q7.4（亏格的张量化与 Shannon 序）【开放·文献共识】←Q2.4、Q2.6。多天线、多载波、多时隙的乘积结构下 \(\delta(\mathcal{E}^{\otimes n},\mathcal{F}^{\otimes n})\) 饱和还是线性增长；允许前后处理并共享随机性的 Shannon 序 [4] 与 ISAC 波形自由度的关系。

定理二 · 任务格

Q7.5（任务类的率失真定理）【开放·本站提法】←Q3.2、猜想 3.6。第一步见 §7.4 四栏；AI 可攻：B3。
Q7.6（天花板的紧性：任务在多低的比特处饱和）【开放·本站原创】←Q3.3、猜想 3.4(a)。等价于 Q3 中段形状。
Q7.7（真实波束下的充分划分与相位敏感区）【部分结果】←Q3.4。AI 可攻：B1。
Q7.8（无平局假设之外的任务格）【开放】←Q3.5。
Q7.9（格的交的可操作提取与 \(C(\varepsilon)\)）【开放·文献共识】←Q3.6。

定理三 · 物理泛化界

Q7.10（多散射体版本）【开放·本站原创】←Q4.1。本章引理 7.7 给出正交情形的精确范数与三角界的松紧比 \(\le\sqrt{K+1}\)；非正交情形待 Gram 谱界。AI 可攻：C1。
Q7.11（环境泛化损失的估计）【开放·本站提法】←Q4.2。
Q7.12（训练网络的 \(\mathrm{Lip}(\ell\circ f)\)）【开放·文献共识】←Q4.3。AI 可攻：C3。
Q7.13（一般失配容量）【开放·文献共识】←Q4.4；Scarlett 等 [12] 明列为开放。
Q7.14（Zhao 不可能性的无线形态）【部分结果】←Q4.5。
Q7.15（猜想 1.3 的 \(\rho\) 与可加性）【开放·本站提法】←Q1.3、Q4.6、纲领 7.1(丙)。三个候选：TV 型（无线里恒为 1）、GMI 型（只对固定译码器）、\(W_1\) 型（需 Lipschitz）。
Q7.16（二分的可证伪实验）【开放·本站原创】←Q4.7。AI 可攻：C1 的分频段部分。

暗线 · 认知平衡点

Q7.17（\(\Delta C\) 曲线的第一组数）【开放·本站提法】←Q5.1。这是暗线一切结论的前提。AI 可攻：D1。
Q7.18（Q3 形状的可证伪判据）【开放·本站提法·无数据】←Q5.2、猜想 7.8。三条预言：\(\nu=-1\) / \(-0.78\) / \(\approx0\)。
Q7.19（认知回路的严格版本）【开放】←Q5.3。AI 可攻：D2。
Q7.20（可加性与"并"）【开放·本站提法】←Q5.4、§5.6、定义 5.6。
Q7.21（三元 region 的外界）【开放·本站提法】←Q5.5、猜想 5.5。
Q7.22（\(T_{\mathrm{env}}\) 的可测定义）【开放·文献共识】←Q5.6。

账本与其他

Q7.23（离散判决环的误差传播一般界）【开放·本站提法】←Q6.1、猜想 6.2。
Q7.24（非一阶区的预算法则）【开放·本站提法】←Q6.2。
Q7.25（采样型环节的 \(\gamma\) 能否被模型改变）【开放·本站提法】←Q6.3。
Q7.26（多终端逐次精化）【开放·文献共识】←Q6.4。
Q7.27（射线追踪材质校准的可辨识性）【开放·实践共识】←Q6.5。
Q7.28（中间 KPI 与最终 KPI 的一致性判据）【开放·文献共识】←Q1.2。
Q7.29（离散判决环节上骨架为何失效："\(\Pi\)-亏格"）【开放】←Q1.6；第 2 章 §2.8 的"发原始 CSI 还是发波束建议"悖论。
Q7.30（三张价目表的接口）【开放·本站提法】←Q1.5、Q2.5；本章接口表第一行给出唯一一条已证的平凡关系。

三十条里，状态为【部分结果】的四条（Q7.2、Q7.7、Q7.14 与 Q7.10 的正交情形），【已解决】的零条。这就是本部的诚实状态：骨架是别人的，零件本站做了几个，定理还没有。

参考文献#

D. Blackwell, 《Equivalent comparisons of experiments》, Ann. Math. Statist., vol. 24, no. 2, pp. 265–272, 1953. https://projecteuclid.org/journals/annals-of-mathematical-statistics/volume-24/issue-2/Equivalent-Comparisons-of-Experiments/10.1214/aoms/1177729032.full
L. Le Cam, 《Sufficiency and approximate sufficiency》, Ann. Math. Statist., vol. 35, no. 4, pp. 1419–1455, 1964. https://doi.org/10.1214/aoms/1177700372
E. Torgersen, 《Comparison of Statistical Experiments》(Encyclopedia of Mathematics and its Applications, vol. 36), Cambridge Univ. Press, 675 pp., 1991. https://doi.org/10.1017/CBO9780511666353 【\(k\)-亏格的精确定理编号与不等式常数本站未取回·表述待核；有限参数集上的 \(\varepsilon\)-亏格另见 [21]】
M. Raginsky, 《Shannon meets Blackwell and Le Cam: Channels, codes, and statistical experiments》, Proc. IEEE ISIT 2011, pp. 1220–1224, 2011. https://maxim.ece.illinois.edu/pubs/raginsky_ISIT11.pdf
C. E. Shannon, 《The lattice theory of information》, Trans. IRE Prof. Group Inf. Theory, vol. 1, no. 1, pp. 105–107, 1953. https://doi.org/10.1109/TIT.1953.1188572
R. R. Bahadur, 《Sufficiency and statistical decision functions》, Ann. Math. Statist., vol. 25, no. 3, pp. 423–462, 1954.
R. L. Dobrushin, B. S. Tsybakov, 《Information transmission with additional noise》, IRE Trans. Inf. Theory, vol. 8, no. 5, pp. 293–304, 1962.
H. S. Witsenhausen, 《Indirect rate distortion problems》, IEEE Trans. Inf. Theory, vol. 26, no. 5, pp. 518–521, 1980.
H. S. Witsenhausen, 《A counterexample in stochastic optimum control》, SIAM J. Control, vol. 6, no. 1, pp. 131–147, 1968.
R. Gilad-Bachrach, A. Navot, N. Tishby, 《An information theoretic tradeoff between complexity and accuracy》, Proc. COLT 2003, pp. 595–609, 2003. https://doi.org/10.1007/978-3-540-45167-9_43
I. Csiszár, P. Narayan, 《Channel capacity for a given decoding metric》, IEEE Trans. Inf. Theory, vol. 41, no. 1, pp. 35–43, 1995；A. Lapidoth, 《Nearest neighbor decoding for additive non-Gaussian noise channels》, IEEE Trans. Inf. Theory, vol. 42, no. 5, pp. 1520–1529, 1996；A. Lapidoth, S. Shamai, 《Fading channels: How perfect need "perfect side information" be?》, IEEE Trans. Inf. Theory, vol. 48, no. 5, pp. 1118–1134, 2002.
J. Scarlett, A. Guillén i Fàbregas, A. Somekh-Baruch, A. Martinez, 《Information-theoretic foundations of mismatched decoding》, Found. Trends Commun. Inf. Theory, vol. 17, no. 2–3, pp. 149–401, 2020.
S. Ben-David, J. Blitzer, K. Crammer, A. Kulesza, F. Pereira, J. W. Vaughan, 《A theory of learning from different domains》, Machine Learning, vol. 79, pp. 151–175, 2010.
A. A. Feldbaum, 《Dual control theory, I–IV》, Autom. Remote Control, vol. 21, pp. 874–880, 1033–1039, 1960; vol. 22, pp. 1–12, 109–121, 1961；Y. Bar-Shalom, E. Tse, 《Dual effect, certainty equivalence, and separation in stochastic control》, IEEE Trans. Autom. Control, vol. 19, no. 5, pp. 494–500, 1974. 【后者"CE \(\Rightarrow\) NDE"方向的证明有已知瑕疵与反例，本章只引用 NDE \(\Rightarrow\) CE 最优一侧】
B. Hassibi, B. M. Hochwald, 《How much training is needed in multiple-antenna wireless links?》, IEEE Trans. Inf. Theory, vol. 49, no. 4, pp. 951–963, 2003；W. H. R. Equitz, T. M. Cover, 《Successive refinement of information》, IEEE Trans. Inf. Theory, vol. 37, no. 2, pp. 269–275, 1991；Y. Oohama, 《The rate-distortion function for the quadratic Gaussian CEO problem》, IEEE Trans. Inf. Theory, vol. 44, no. 3, pp. 1057–1070, 1998.
O. Gossner, 《Comparison of information structures》, Games Econ. Behav., vol. 30, no. 1, pp. 44–63, 2000；E. Lehrer, D. Rosenberg, E. Shmaya, 《Signaling and mediation in games with common interests》, Games Econ. Behav., vol. 68, no. 2, pp. 670–682, 2010.
T. M. Cover, B. Gopinath (eds.), 《Open Problems in Communication and Computation》, Springer-Verlag, 236 pp., 1987. ISBN 0387966218.
D. Gündüz et al., 《Beyond transmitting bits: Context, semantics, and task-oriented communications》, IEEE J. Sel. Areas Commun., vol. 41, no. 1, pp. 5–41, 2023. https://doi.org/10.1109/JSAC.2022.3223408；Y. Lu et al., 《Integrated sensing and communications: Recent advances and ten open challenges》, IEEE Internet Things J., vol. 11, no. 11, pp. 19094–19120, 2024.
S. Bubeck et al., 《Early science acceleration experiments with GPT-5》, arXiv:2511.16072, 2025.【预印本·未评审】 https://arxiv.org/abs/2511.16072
D. Akdemir, 《Le Cam distortion: A decision-theoretic framework for robust transfer learning》, arXiv:2512.23617v1, 2025；D. Akdemir, 《Approximate computation via Le Cam simulability》, arXiv:2512.24860, 2025.【均为预印本·未评审】 https://arxiv.org/abs/2512.23617
E. N. Torgersen, 《Comparison of experiments when the parameter space is finite》, Z. Wahrscheinlichkeitstheorie verw. Gebiete, vol. 16, no. 3, pp. 219–249, 1970. https://doi.org/10.1007/BF00534598 【全文未取得】

未单列的备查条目：Papailiopoulos 2026 年 8 月的 MIMO 检测手稿（2026-09-16 已上 arXiv:2609.19405，见第一部第 10 章 Q4 与第三部第 9 章）；Marschak–Radner 1972 团队理论（《Economic Theory of Teams》，Yale University Press；正文只以名称提及，书目见第四部第 2 章参考文献 2）；Huang–Schultheiss 1963、Harris 1978、Sionna RT 2023 按第 6 章与第 4 章的参考文献编号引用；3GPP TR 38.843 的泛化测试 Case 1–4 按第 4 章参考文献 14；Jaldén–Ottersten 2005 球译码复杂度的卷期页素材未取回，正文未引用。有限实验 Blackwell 序的 LP 判定按标准事实陈述，不编造出处。