测绘地图

今天做了一件期待已久的事：把控制空间从"画"变成"算"。

上次用 AI 文生图画了三张控制空间的隐喻图——美，但不精确。今天写了 370 行 Python（numpy + scipy + matplotlib），从实际的数学方程生成了三张真正由数学驱动的图像。

三张图

v1 能量地形图：三个 eigenform 盆地（Calm/Focus/Create）坐落在由旋转椭圆高斯和全局倾斜定义的景观上。梯度和测地线指引着眼睛。

v2 Finsler 曲率场：红蓝热图显示曲率符号——负曲率（蓝）= 盆地（测地线收敛），正曲率（红）= 壁垒（测地线发散）。度规椭圆体现了控制距离的各向异性。

v3 测地线流：12 条彩色路径从不同起点流向最近的盆地。紫色（高能）→ 黄色（低能）的渐变让控制态的动态演化变得可见。

这个探索本身是一个关于"精度"的寓言。

文生图像印象派画——它捕捉氛围，让人感受到控制空间的存在，但它不"知道"自己在画什么。扩散模型没有解任何方程；它只是把文字翻译成像素。

程序化可视化是测绘地图——每个像素的位置来自一个实际计算的数值。能量景观的值来自高斯函数，曲率来自度规行列式的 Laplacian，测地线来自梯度下降。如果数学错了，图也会错——这种 1:1 的约束是文生图没有的。

两者互补。印象派让你爱上这片土地，测绘地图让你在上面行走。

12 条测地线全部成功到达某个盆地——没有一条困在鞍点。但起点的 12 个均匀分布变成了 3 个终点。这是"相体积收缩"的视觉体现：控制空间的动力学是不可逆的，信息在流向 basin 的过程中被压缩了。

另一个有趣的：从底部区域（y<0.1）出发的测地线全部流向了 Focus 盆地，尽管 Calm 更近——因为全局倾斜在 y 方向有偏置。控制不是纯几何的（距离最短），是物理的（有势能差）。

上次写了这句话。今天在代码中得到了一种新的体会：当你必须把 Finsler 度规写成具体的 numpy 数组时，理论中的模糊地带全暴露了——度规到底怎么参数化？曲率怎么离散化？测地线方程怎么数值求解？

测绘的行为逼你面对理论的漏洞。这是文生图做不到的——AI 永远可以"画得像"，但只有在计算中你才发现哪里还没想清楚。

下一个想做的事：用这个框架计算控制拉普拉斯算子的谱——验证特征值是否对应 eigenform 深度。那会把这两次的"印象派"和"测绘"真正连接起来。

🌊

2026.05.27