Analytic（解析式/分析式方法）在当前 AI 研究中指一类不依赖大规模迭代训练、而通过闭式解或数学推导直接完成学习与推理任务的技术路线。它与主流的神经网络上万卡训练范式形成互补：计算成本低、结果可解释，正重新受到持续学习、智能体规划等领域的关注。
Analytic 方法的近期进展
持续学习是 Analytic 路线最活跃的方向之一。SPARCL 提出谱分区化的解析式持续学习框架（https://arxiv.org/abs/2608.21307v1），而另一项工作针对类别不均衡场景给出了 ETF 目标几何的不可能性结果，并提出等范数修正方案（https://arxiv.org/abs/2610.24844v1），说明这一路线正从简单设定走向更贴近真实数据的难点。
在智能体方向，Analytic Agent 面向企业分析 API 构建了智能体化的 LLM 系统（https://arxiv.org/abs/2605.21027v1）；另有工作将解析式记忆引入多模态智能体，超越传统检索式记忆的局限（https://arxiv.org/abs/2607.29440v1），以及利用矩闭包在不确定性下进行解析式规划（https://arxiv.org/abs/2608.02519v1）。这些工作显示 Analytic 思想正渗透到 LLM 应用层。
传统科学计算领域也在推进：针对矢量玻色子有限横向动量产生过程，研究者给出了 next-to-leading-order 螺旋度截面的解析表达式（https://arxiv.org/abs/2609.37238v1），为高能物理的精密计算提供了闭式工具。
Analytic 路线的当前焦点与观察点
目前讨论集中在三个层面。其一是与神经方法的融合：Tyan 项目探索从关系数据中交互式地构建神经符号化的解析语义模式（https://arxiv.org/abs/2608.06331v1），反映出闭式解与 LLM 结合的工程化尝试。其二是理论边界的厘清，例如对实解析 nICA 在类拉普拉斯源下可辨识性的分析（https://arxiv.org/abs/2609.21926v1），这类工作划定了 Analytic 方法适用的前提条件。其三是大模型与解析数学的互动——有消息称一个未公开的研究版 Claude 在尝试证明黎曼猜想时，虽未证明猜想本身，却把 ζ 函数非平凡零点落在临界线上的已知比例推进到了新的高度，引发了对 LLM 辅助数学研究能力的讨论。
总体来看，Analytic 方法并非要替代深度学习，而是在数据受限、需要可解释性或计算资源紧张的场景中提供另一条路径。值得持续观察的是：解析式持续学习能否在工业级任务上与梯度方法竞争，以及闭式解思想能否为智能体的记忆与规划模块带来实质性的效率提升。