在这篇论文中，我们提出一个假设：人类的数学推理受到不可判定性和计算难度的限制，根本上依赖于来自纯推理之外的外部领域的模式匹配。自然世界是这种模式的最丰富来源，其物理法则和生物系统经过数十亿年的“预计算”，展现出惊人的创新解决方案。
为支持这一观点，我们追溯傅里叶变换及相关数学的历史，从振动弦的争论到海尔方程及其后续的数学形式。在每一个关键时刻，物理问题都迫使人们接受或创造一种数学工具，而这些工具是纯形式推理所无法预见或人类推理所抵制的。
此外，我们还考察了逻辑复杂性的全景，从 NP-hard 的命题可满足性到单项二阶理论的非初等决策过程，展示了即使一个逻辑是可判定的，最坏情况下的推导所需资源仍然是天文数字的。因此，我们认为这些障碍使得受物理启发的模式匹配不仅仅是历史偶然，而是认知上的必要性。
最后，我们推导出对人工智能的影响：如果纯推理本质上是不足的，那么任何旨在达到人类水平的数学创造力的系统必须嵌入大量跨领域的模式，而不仅仅依赖推理。这为当代大型语言模型的巨大规模提供了原则上的正当性。
博主点评： 这篇文章深刻探讨了数学创新的根源，强调自然界的启示对数学发展的重要性。同时，它对人工智能领域的启示也非常重要，指出了仅依赖推理的局限性，推动了对跨领域知识整合的思考。通过物理问题驱动数学工具的形成，展现了科学与数学的紧密联系。