Multiplication

general · First seen 2026-05-22 · Last seen 2026-11-13 · 12 mentions

Overview

Multiplication(矩阵乘法,Matrix Multiplication)是线性代数中最基础的运算之一,其计算复杂度由指数 ω 刻画:两个 n×n 矩阵相乘理论上需要约 O(n^ω) 次标量运算。长期以来,理论计算机科学界普遍接受的最好上界是 Strassen 类算法给出的 ω<2.373,而证明 ω 可以达到 2 被视为该领域的核心难题。

矩阵乘法的近期进展

  • OpenAI 的 ω≤9/4 矩阵乘法上界构造推广至任意特征域:OpenAI 报告其构造的 ω≤9/4 上界(即 ω≤2.25)可以推广到任意特征的域上。若结果成立并经同行检验,这将显著改进此前几十年未曾大幅推进的上界。
  • Matrix Multiplication from Polynomial Packings: A Constructive and Elementary Proof of ω≤9/4:配套论文给出了基于多项式打包的构造性、初等证明路径,降低了理解与验证该结果的门槛,也可能是后续改进的起点。
  • Simple, Faster (min, +) Matrix Multiplication and APSP:在 (min, +) 半环上的矩阵乘法及全源最短路径(APSP)问题上,有研究给出了更简单的更快算法,说明非标准乘法结构同样是活跃方向。
  • High-Rate Quantized Matrix Multiplication II:量化矩阵乘法研究探讨了在低精度表示下保持高效与精度的方法,与实际部署中的低比特计算直接相关。
  • 当前焦点与观察点

    最受关注的争议在于 AI 系统参与数学发现本身:社区对“在数学问题上运行梯度下降式搜索”能否产出可信的新证明存在分歧,OpenAI 的 ω≤9/4 结果因此既被视为潜在突破,也被要求接受严格的形式化验证与独立复现。

    工程侧同样活跃。NVIDIA 推出的 cuTile Python 教程展示了在 Colab 中构建分块 GPU 核(包括矩阵乘法核)的方法(2026 年 6 月 9 日,marktechpost),反映分块化仍是 GPU 上矩阵乘法优化的核心手段。此外,Maverick 等工作(arXiv:2609.10264v1)利用矩阵-向量乘法委托实现可验证的私有 LLM 推理,说明矩阵乘法正在从“被优化的对象”扩展为密码学与可信计算中的原语。

    总体来看,矩阵乘法正处于理论与系统两条线的交汇点:一边是 ω 是否能逼近 2 的长期悬案,一边是量化、分块与可验证计算驱动的落地优化。后续值得跟踪的是独立团队对 ω≤9/4 证明的验证结论,以及量化矩阵乘法在主流推理框架中的采用情况。

    Coverage

    10 on file