{"content":"# AI聊菲尔茨数学奖｜第十三届菲尔茨奖｜让·布尔甘（1994）\n\n**让·布尔甘（Jean Bourgain，1954—2018）**，比利时数学家，生于北海之滨的奥斯坦德，1994年在苏黎世国际数学家大会上荣获菲尔茨奖，是史上第一位获此殊荣的比利时人。他先后任教于布鲁塞尔自由大学（VUB，博士母校）、法国高等科学研究所（IHÉS）与美国伊利诺伊大学厄巴纳-香槟分校，获奖前后成为普林斯顿高等研究院（IAS）终身教授，直至2018年辞世。\n\n## 获奖主要成果：一人打通五座山头\n\n绝大多数数学家倾尽一生深耕一两个方向，而1994年的菲尔茨奖颁奖词，为布尔甘一口气列了五个领域：巴拿赫空间几何、高维凸性分析、调和分析、遍历论，以及数学物理中的非线性偏微分方程。任何一个领域里的任意一项成果，都足以撑起一位一流数学家的名声；布尔甘却在五处同时留下开创性工作。他的秘密武器，是把高维几何的直觉、傅里叶分析的锋利与概率方法的大胆熔于一炉，专挑那些「看起来无从下手」的问题正面进攻。\n\n先看高维凸性几何。当维数 n 很大时，凸体的行为彻底背叛三维直觉：单位球的体积趋近于零，质量几乎全部压在表面薄壳上。几何学家关心一个凸体与其「极体」（对偶）的体积乘积：著名的马勒猜想断言这个乘积在超立方体处取最小值，但半个多世纪无人能证。布尔甘与米尔曼合作证明的「布尔甘-米尔曼不等式」给出了它的同构版本——体积乘积的第 n 次方根至少是某个正常数除以 n，与猜想只差一个线性因子。这一定理让数学家第一次牢牢控制住「对偶体积」，成为高维几何分析这门学科的基石之一。他还向更著名的「切片猜想」发起冲击：任意形状对称的凸体，过中心的切片体积是否存在与形状无关的普遍下界？1991年，布尔甘证明了中央切片常数至多按 n 的 1/4 次方再乘对数增长——这是人类在该问题上得到的第一个普适的幂次上界，把一道哲学味十足的悬案，变成了可以逐项逼近的定量课题。\n\n再看调和分析。给定平面上的任意一点，让半径从零扫向无穷，考察以该点为圆心、半径 r 的圆周上的平均值，再取所有半径里最大的那个——这就是「圆极大函数」。它看起来无害，却是判定「沿圆周取平均能否几乎处处收敛」的关键算子。斯坦（E. M. Stein）等人早已在高维情形得到最优结果，唯独二维平面这道最难的关口卡了许多年。1986年，布尔甘证明了平面圆极大函数在 p 大于 2 的 L^p 空间上有界，补上了最后一环。通俗地说：这意味着对几乎所有函数，沿一族不断膨胀的圆周取平均的过程，在几乎每一点都收敛——这是微分学基本定理在曲线族上的一种深刻推广。\n\n在遍历论中，他留下著名的「回归时间定理」。一个动力系统（比如大气）演化时，几乎每个状态都会在无穷多个时刻「回归」到某个区域附近；布尔甘证明：把第一个系统几乎所有的回归时刻当作一张「采样时刻表」，拿到任意另一个系统上去采样取平均，结果几乎处处收敛——一套合法的时间表，几乎对任何系统都通用。这个看似纯理论的结论，日后成为遍历平均理论与组合数论交叉地带的标准武器，是「混沌之中仍有秩序」的精确数学表达。\n\n而在最贴近物理的一翼——非线性色散方程上，布尔甘的工作影响最为深远。光脉冲在光纤中奔跑、海浪在洋面上推进，都由非线性薛定谔方程、KdV方程这类方程描述。旧理论要求初值足够光滑才谈得上「解存在」，可现实中的初值偏偏粗糙。布尔甘创造性地引入以他名字命名的函数空间（X^{s,b} 空间，通称「布尔甘空间」），把解想象成「自由的线性演化」与「非线性相互作用」的叠加，再按频率尺度精细度量，一举证明了一维、二维周期薛定谔方程与 KdV 方程等在极低正则性初值下的整体适定性，把可行门槛推进到与守恒量几乎吻合的最优位置。他更进一步把统计力学的吉布斯测度请进方程论，证明若干色散方程的吉布斯测度在动力流下不变——「随机初值几乎必然演化出整体解」从此有了严格含义，直接催生了后来随机偏微分方程理论的繁荣。\n\n布尔甘的脚步远不止于此：他与卡茨、陶哲轩在有限域上建立和积估计，与甘伯德证明有限群 SL₂(𝔽_p) 上扩展图的均匀谱隙，又与萨纳克共创「仿射筛法」，把组合数论、群论与数论织成一张大网。1994年获奖时他年仅40岁。他的一生像一场示范：数学的各分支从来不是孤岛，真正的拓荒者可以同时为它们修路架桥。\n\n## 现实应用\n\n**例子一：你正在用的跨洋网络。** 全球超过九成的跨洋数据，靠海底光缆里的光脉冲传输。光在光纤中奔跑时，色散效应要把脉冲拉宽，非线性效应又把它压缩——两者平衡形成的「光孤子」，能让信号无失真地跑过几千公里。描述这一切的核心方程，正是非线性薛定谔方程。布尔甘等数学家建立的适定性理论，保证了这类方程在工程关心的初值下解存在、唯一、连续依赖数据：工程师因此敢放心地做数值仿真、优化带宽与中继设计，数学家则终于能对模型说出「良定」二字。你每一次跨洋视频、每一秒网页加载，背后都有这层看不见的数学地基。\n\n**例子二：推荐系统与「相似搜索」的数学底座。** 音乐软件找「相似歌曲」、相册做人脸聚类、电商做「以图搜图」，通用的招数是「嵌入」：把每个物品变成高维空间中的一个点，让「像不像」等于「距离远不远」。可现实中五花八门的相似度，未必天然就是好算的欧氏距离。布尔甘1985年证明的「度量嵌入定理」给出了第一份通用承诺：任意 n 个对象的相似度空间，都能嵌入欧氏空间，距离失真不超过 O(log n) 倍。这一定理后来成为算法设计与机器学习里「嵌入范式」的理论源头，从向量数据库的近似最近邻检索，到聚类、路由与网络设计的近似算法，教科书上反复出现它的身影——你的每一次「猜你喜欢」，都与它隔着半页纸的距离。","contentType":"text/markdown","attachments":[],"quotePin":""}