Alman 是矩阵乘法复杂性理论领域的重要研究者(Josh Alman),以对矩形矩阵乘法指数 α 与经典乘法指数 ω 的上、下界分析而闻名;近一年多来,围绕其工作衍生出一系列新进展,使这一看似抽象的理论议题重新回到 AI 社区的视野中心。矩阵乘法指数 ω 决定了 n×n 矩阵相乘所需的渐近复杂度 n^ω,而 α 描述的是矩形矩阵(如 n×n² 乘 n²×n)的对应指数,直接关系到大规模模型训练与推理中线性代数核心运算的理论下限。
Alman 相关研究近期进展
当前焦点与观察点
Alman 所在的这一分支目前的焦点,一是矩形乘法指数 α 的上下界能否进一步收敛——α≥1/2 的下界是否可以继续抬高,将直接影响对实际负载(宽矩阵乘法在深度学习中极为常见)的理论刻画;二是 AI 辅助算法搜索(AlphaEvolve、AlphaTensor 路线)与传统组合证明方法能否互补,用搜索得到的新分解是否具备可被理论工具解释的结构;三是这些渐近结果距离工程实现仍有距离,常数因子、I/O 与并行通信成本往往在真实系统中占主导。综合来看,Alman 相关的矩阵乘法研究正处在“理论界逐步收紧、AI 方法尝试突破”的双轨并行阶段,值得持续关注的是 α 下界的后续改进,以及算法搜索工具是否能带来首个超越现有构造的 ω 上界。