bound（界/上下界）是数学与机器学习中的基础概念，指对某个量（如算法误差、计算复杂度、收敛速度）给出严格的上界或下界估计。在 AI 研究中，bound 既是理论保证的核心工具，也常成为衡量问题难度上限的标尺。近期多项研究围绕矩阵乘法复杂度、在线学习遗憾度、编码理论等方向的 bound 展开推进。
矩阵乘法复杂度的上界进展
OpenAI 研究团队在 arXiv 发布新工作，给出了 ω≤9/4 的矩阵乘法指数上界构造，并将其推广至任意特征域。矩阵乘法指数 ω 决定了大规模线性代数运算的理论成本下限，此类 bound 的每一次收紧都可能影响 LLM 训练与推理的复杂度分析。相关讲义：斯坦福 CS336 第 10 讲：从数学主线讲透 LLM 推理优化，其中推理优化的代价分析同样依赖对计算量的界估计。
在线学习与决策中的遗憾度界
针对在线稀疏线性回归，New Lower Bound and Upper Bounds on the Regret for Online Sparse Linear Regression 同时给出了新的下界与一系列上界，刻画了该问题在维度约束下的最优遗憾度区间。另一工作 Confidence Sequences for Online Statistical Model Checking of Markov Decision Processes 则为马尔可夫决策过程的在线统计模型检验构建了置信序列，本质上是一种随时有效的概率 bound，可用于智能体行为的统计验证。
信息论与编码方向的 bound
Delsarte Bound for Binary Codes and Spheres 研究了二进制码与球面上 Delsarte 界的紧致率，这一经典 bound 关系到纠错码与量化理论的基本极限。
当前焦点与观察点
当前的 bound 研究呈现两个趋势：一是理论界不断逼近算法实践，如矩阵乘法上界与 LLM 计算成本的关联被系统纳入课程与工程讨论；二是 bound 从静态证明走向动态使用，例如 AWS 在 Trust in Depth：分层设计让 AI 智能体更自主且可控 中提出的分层信任设计，思路上是通过运行时约束为智能体的自主性设置可验证的行为边界。观察点包括：ω 上界能否继续向 ω=2 收敛，以及概率型 bound 如何在真实智能体系统中落地为可控性保证。