Wasserstein距离作为度量概率分布差异的工具，近期在多个机器学习子领域持续深化应用。该概念源于最优传输理论，近年来因其对几何结构保持和鲁棒性的优势，成为跨域对齐、强化学习、生成模型及可解释性研究中的关键数学工具。
当前焦点集中在将Wasserstein距离从单纯的分布差异度量扩展到理论收敛性分析与实际算法设计。强化学习中的全局收敛理论、扩散模型的误差界以及跨域对齐的几何保持是近期突破点。未来值得观察：Wasserstein距离在大型语言模型、多模态学习等场景中如何进一步与生成模型和不确定性量化结合，以及更高效的凸优化实现能否推动实际应用落地。