← 返回 PaperDaily
大模型与智能体
最新证明：单侧John-Nirenberg不等式最优常数终揭晓，竟是e和1！
e 和 1，两个几乎人人都认识的常数，竟然是调和分析里单侧 John–Nirenberg 不等式的最优答案。这篇文章用两种独立方法给出证明，结构漂亮、推导扎实，是纯数学理论工作里少见的"干净利落"。对函数空间和不等式估计感兴趣的读者值得一读。
龙哥读论文
发布于 2026-09-05 00:31:09
阅读 4
查看原文
原论文信息如下：
一个困扰数学家数十年的最优常数问题 先抛一个问题：如果一个函数的"振荡"被限制住了，那这个函数高出其本质下确界的那些点，到底能占多大比例？这就是调和分析里经典的 John–Nirenberg 不等式，而今天要聊的这篇论文，把它单侧版本的最优常数彻底钉死了。
故事要从 1961 年说起。John 和 Nirenberg 在研究偏微分方程时引入了有界平均振荡（BMO）函数空间。一个局部可积函数 f 属于 BMO，意思是它在任意立方体上的平均偏差是一致有界的。这个空间后来在调和分析、复分析、概率论里大显身手。但 BMO 空间有一个非常反直觉的性质：BMO 函数的振荡可以是对数级别的，比如 -log x 在 (0,1) 上就是典型的 BMO 函数，它无界，但振荡控制得住。
John–Nirenberg 不等式说的就是：BMO 函数偏离其均值超过一定高度的点集大小，会随着高度呈指数衰减。不过，BMO 的几何是"双侧"的——函数值可以在均值上下随意摆动。而本文关注的主角 BLO（有界下振动）空间，则只看"向下"的振荡：函数在每个区间上的平均值减去其本质下确界，要求一致有界。这个概念最早出现在 Coifman 和 Rochberg 1979 年的论文里，用来刻画 BMO 的一种分解。
由于 BLO 只看下侧振荡，更自然的 John–Nirenberg 型不等式应该是"单侧"的：关心的是 f(x) 超过本质下确界 ess inf f 的高度 λ 的点集大小。2018 年，Wang、Zhou 和 Teng 首次建立了这个单侧版本，但常数不最优。此后的几年里，许多学者尝试确定最优常数，却没有完全成功。直到 2026 年 8 月，浙江科技大学的张超在 arXiv 上贴出了一篇简洁有力的论文，一锤定音：最优的指数速率 c₂* = 1，最优的前置系数 c₁* = e。两个常数居然都是如此"亲切"的基本常数，这个结果本身就透着一股数学之美。
用一句话概括论文的定理：对于定义在区间上的 BLO 函数 f，任意子区间 I 上满足 f - ess inf f > λ 的点所占比例不超过 min{1, e^{1-λ/‖f‖_{BLO}}}，且常数 e 和 1 都是最优的，不能再改进。
这个结论和经典的 BMO 双侧不等式形成鲜明对比。BMO 的最优常数是 c₁* = e^(4/e)/2 ≈ 1.847，c₂* = 2/e ≈ 0.736；而 BLO 的单侧版本指数速率直接提到 1，前置系数变成 e ≈ 2.718。指数速率变大，说明单侧振荡的衰减比双侧更快——想想看，BLO 函数只能往上"翘"，没有负方向的拖累，衰减当然更快，这个直觉是对的。
论文的证明分成两条完全独立的路径：一条基于经典的 Riesz 上升太阳引理（Rising Sun Lemma），另一条基于 Bellman 函数方法。两条路殊途同归，都得到同一个最优常数。这种"双证明"结构在不等式领域并不常见，既说明结论的稳健，也为读者提供了两种不同的理解视角。
两种殊途同归的证明方法：上升太阳引理与Bellman函数 先看第一条路径。Riesz 上升太阳引理是一个在实分析中"看着简单、用起来真香"的工具。它说的是：给定一个平均函数值不超过 a 的可积函数 g，可以把区间 I 拆成若干互不相交的子区间 {Iⱼ}，使得每个子区间上的平均恰好等于 a，而在这些子区间之外的几乎所有点上，g(x) ≤ a。换句话说，g 超过阈值 a 的"高能量区域"被这些子区间精确覆盖。这个引理就像用一堆小容器精确接住溢出来的水，一滴也不浪费。
论文的思路是这样的：先把函数归一化，令本质下确界为 0，BLO 范数不超过 1。然后对阈值 a = 1 + δ 应用上升太阳引理。在每个停止区间 Iⱼ上，因为平均值等于 1 + δ 而 BLO 范数又不超过 1，所以本质下确界至少是 δ。这时在 Iⱼ上减去 δ，得到一个全新的函数 hⱼ = g - δ，它在 Iⱼ上仍然非负、平均值等于 1、BLO 范数也不超过 1——也就是说，它又回到了原来那个归一化的函数类！
这一步非常关键，相当于建立了分布函数 Φ(λ) 的递归不等式：Φ(λ) ≤ 1/(1+δ) · Φ(λ-δ)。把"溢出"的部分截掉一层，函数回到原来的类，而点集比例缩小了 1/(1+δ) 倍。反复迭代，把 λ 切成一格格宽度为 δ 的小段，最后取 δ → 0，就得到 Φ(λ) ≤ e^{1-λ}。整个过程干净利落，有一种"剥洋葱"的快感。
第二条路径是 Bellman 函数方法。这个方法在调和分析中堪称"杀鸡用牛刀"的典范：构造一个满足特定凹凸性条件的函数，然后通过区间分裂迭代，把全局估计转化为对 Bellman 函数在某一个初始点上的取值。如果构造得当，Bellman 函数的取值就是最优常数。本文构造的 Bellman 函数 U_a(z, y) 分三段定义，用到了辅助函数 q(t)，在 t ≤ 1 时 q(t) = t，t ≥ 1 时 q(t) = e^{t-1}。这个函数在第一个变量上是凹的，在第二个变量上是单调递减的——这两个性质保证了区间分裂迭代中的不等式方向一直正确。
Bellman 方法最妙的地方在于，它还能给出比 (4) 更精细的局部估计：如果定义区间 I 上的相对平均超出量 x_I = (f_I - ess inf_I f)/B，以及归一化高度 L = λ/B，那么分布函数的上界可以写成三段分段函数——当 0 < L ≤ x_I 时为 1，当 x_I < L ≤ 1 时为 x_I/L，当 L ≥ 1 时为 x_I · e^{1-L}。这个改进版本把区间的"平均富裕程度"也考虑进去了。直觉上，一个区间原本的平均值就接近上确界，那它"溢出"的比例自然不会太小；反过来如果平均值很低，那溢出比例必然被压缩得很小。这个三段估计是论文的一个亮点，虽然定理 1.1 本身只用到它的一个简单推论。
为什么常数恰好是e和1：极值例子的启示 数学里证明"最优"这件事，光给出上界是不够的，还必须构造出让等号成立的极端例子。本文的极值例子非常经典，第一个就是老朋友 f(x) = -log x。这个函数在 (0,1) 上的 BLO 范数恰好等于 1，而且它超过高度 λ 的点集大小刚好是 e^{-λ}。这意味着指数速率如果超过 1，这个函数就直接反例了——不管前置系数怎么调，都没办法压住它。
第二个极值例子有点"捣蛋"的味道：取一个区间 (0,1)，在上面定义一个简单的二值函数 h_p，它在 (0,p) 上等于 1，在 (p,1) 上等于 0。这个函数的 BLO 范数也是 1，但对任意 0 < λ < 1，超过 λ 的点集大小恰好是 p。把它代入不等式，让 λ 趋近 1，再让 p 趋近 1，就逼出了前置系数必须至少是 e 的结论。这两个例子一配合，c₁* = e 和 c₂* = 1 的最优性就牢不可破了。
看到这里可能有读者要问了：为什么偏偏是 e？其实 e 出现在这里并不神秘。在证明递归不等式 Φ(λ) ≤ 1/(1+δ) · Φ(λ-δ) 的时候，连续迭代的极限就是 (1+δ)^{-(λ-1)/δ}，取 δ → 0 就是 e^{-(λ-1)}。所以 e 的出现可以理解为"连续复利"过程的极限，和银行算利息的逻辑一模一样。这样一个在金融、复分析、概率论里到处露脸的常数，在这个纯不等式问题里又刷了一次存在感。
值得注意的是，如果只用 BLO 范数和本质下确界的简单组合，很难猜到这个结果。因为直觉上你会觉得，BLO 的"单侧"性质应该让问题更简单，但真要算出最优常数，却需要非常精细的放大和舍去。每一步放大的系数都要被严格控制，不能有一丁点浪费。这大概就是最优化问题的魅力所在：最优常数像一块精确切割的宝石，每一面都要打磨到刚刚好。
从不等式到应用：指数可积性与权函数理论 John–Nirenberg 型的分布估计，最常见的应用就是导出指数可积性。简单说，如果函数超过高度 λ 的点集以 e^{-λ} 的速度衰减，那这个函数的指数函数一定可积。本文用这个思路证明了：对任意 0 < α < 1，BLO 函数 f 的指数函数 exp(α(f - ess inf f)/B) 在区间上的平均值不超过 e^α/(1-α)。这个结果看起来技术性强，但它直接通往 Muckenhoupt 权函数理论。
Muckenhoupt 权函数 A₁ 是加权不等式理论里的核心概念。一个非负局部可积函数 w 属于 A₁ 类，意味着它的平均值和本质下确界的比值是有限的。这个比值被称为 A₁ 常数，记作 [w]_{A₁}。早在 Coifman 和 Rochberg 的时代，人们就知道 BLO 和 A₁ 权之间有着深刻的联系：log w 属于 BLO 当且仅当 w 满足 A₁ 条件。本文把这个联系做了一个量化的推进：直接给出 BLO 函数的指数函数在 A₁ 常数上的显式上界。
更进一步，论文还导出了 L^p 矩的精确估计：BLO 函数的 p 次幂的平均值（归一化后）不超过 e·Γ(p+1, 1)，其中 Γ 是不完全 Gamma 函数。当 p 趋于无穷时，这个量的 p 次根渐近于 p/e。这个渐近行为和极值例子 -log x 的 p 次范数完全吻合，说明这些矩估计在渐近意义下也是最优的。这一系列结果就像搭积木一样，从分布不等式推出指数可积性，再推到 A₁ 权和矩估计，链条完整而漂亮。
需要特别说明的是，论文的作者非常克制地表态：这些指数可积性和矩估计主要是作为分布不等式的推论来记录的，并没有声称所有的 A₁ 常数或 BLO_p 泛函结果都是全新的最优定理。有些相关的精细最优结果，比如 Passarelli di Napoli 和 Popoli 的工作，在论文中被明确引用并区分开来。这种"不贪功"的学术态度在当下尤其难得。
局限与展望：高维推广的挑战 任何一个优秀的数学工作，除了提供答案，还应该清晰地指出"边界在哪里"。本文的证明本质上是依赖一维区间的特殊几何：上升太阳引理能精确保持区间上的平均值，这是 Rⁿ 中的一般立方体做不到的。一旦进入高维，Calderón–Zygmund 分解只能控制停止平均值到常数倍，无法保持精确的归一化缩放。这意味着要处理 Rⁿ 中基于立方体的 BLO 空间，单侧 John–Nirenberg 不等式的最优常数问题仍然开放。
不过，论文也指明了一条可能的出路：Korenovskyy、Lerner 和 Stokolos 在矩形上构造了保持精确平均值的多维上升太阳分解。如果定义在矩形上的 BLO 空间，那么用这套分解也许能推出高维版本的优化结果。但矩形毕竟不是立方体，基于立方体的 BLO 范数并不能直接控制所有停止集合。这个"矩形思路"究竟能不能落地成真正的高维定理，还需要后续研究来回答。
此外还有一个非常有意思的开放问题：BMO 空间和 BLO 空间在最优常数上的差异 1.847 vs 2.718、0.736 vs 1，是否反映了某种更深层的几何结构？BMO 可以分解成 BLO 减 BLO（BLO - BLO），这种分解能否用来从单侧最优常数反推双侧最优常数？目前看来答案是否定的，因为分解会损失常数信息。但从函数空间理论的角度，这种"常数谱"的差异可能暗示着不等式背后不同的极端机制——BMO 的极端行为需要通过正负振荡的"对抗"来构造，而 BLO 的极端行为只需要一个单调函数就能实现。这种结构性差异值得进一步挖掘。
龙迷三问 这篇论文到底在解决什么问题？ 浙江科技大学学者确定单侧John–Nirenberg不等式在BLO函数空间中的最优常数：指数速率上界为1，最佳前置系数为e。这篇工作最值得看的点是什么？ 通过Riesz上升太阳引理和Bellman函数方法，确定单侧John-Nirenberg不等式的最优常数c1*=e和c2*=1。这篇工作的边界或风险在哪里？ 优点：1) 确定了单侧John-Nirenberg不等式的最优常数，填补了该领域的空白；2) 提供了两种独立证明方法（Riesz上升太阳引理和Bellman函数），增强了结果的可靠性；3) 给出了精细化的局部估计，包含局部均值盈余信息；4) 通过极值例子严格证明了常数的锐利性。缺点：1) 结果局限于一维区间情形，高维推广存在本质困难；2) 未给出高维立方体情形的完整解决方案。如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~
龙哥点评 论文创新性分数： ★★★★☆
通过Riesz上升太阳引理和Bellman函数方法，确定单侧John-Nirenberg不等式的最优常数c1*=e和c2*=1。实验合理度： ★★★☆☆
现有材料未完整覆盖数据划分、基线公平性和统计显著性，因此按中性评价处理。学术研究价值： ★★★★☆
通过Riesz上升太阳引理和Bellman函数方法，确定单侧John-Nirenberg不等式的最优常数c1*=e和c2*=1；更关键的是问题定义是否可复用到同类任务。稳定性： ★★★☆☆
现有材料未提供充分的极端条件、重复运行或扰动测试，稳定性暂按中性评价。适应性以及泛化能力： ★★★☆☆
现有材料未完整展示跨数据集、跨场景或分布外实验，泛化能力仍需进一步验证。硬件需求及成本： ★★★☆☆
现有材料缺少完整训练资源、参数量、显存和推理时延信息，成本暂按中性评价。复现难度： ★★★☆☆
现有材料未确认完整代码、配置、数据处理脚本和权重是否齐备，复现难度暂按中性评价。产品化成熟度： ★★★☆☆
论文验证以研究实验为主，真实部署中的时延、成本、维护和异常场景仍需补充验证。可能的问题： 1) 结果局限于一维区间情形，高维推广存在本质困难；
主要参考文献
[1] John F, Nirenberg L. On functions of bounded mean oscillation[J]. Communications on Pure and Applied Mathematics, 1961, 14(3): 415-426. [2] Coifman R R, Rochberg R. Another characterization of BMO[J]. Proceedings of the American Mathematical Society, 1980, 79(2): 249-254. [3] Wang H, Zhou J, Teng S. One-sided John-Nirenberg inequalities for BLO functions[J]. Acta Mathematica Sinica, Chinese Series, 2018. [4] Lerner A K. The John-Nirenberg inequality with sharp constants[J]. Comptes Rendus Mathematique, 2004, 339(7): 463-466. [5] Korenovskii A A. The Riesz rising sun lemma and the John-Nirenberg inequality[J]. Matematicheskie Zametki, 2005. [6] Slavin L, Vasyunin V. Sharp results in the integral-form John-Nirenberg inequality[J]. Transactions of the American Mathematical Society, 2012. [7] Osekowski A. Sharp results for the one-sided John-Nirenberg inequality[J]. Studia Mathematica, 2013. [8] Passarelli di Napoli A. Sharp relations between BLO_p and BLO quantities[J]. Journal of Mathematical Analysis and Applications, 2020. [9] Popoli A. Exponential A₁ estimates and small-seminorm thresholds for BLO[J]. Mathematical Inequalities & Applications, 2023. [10] Korenovskyy A A, Lerner A K, Stokolos A M. On a multidimensional form of the Riesz rising sun lemma[J]. Studia Mathematica, 2004. *本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击 "阅读原文"， 查看更多原论文细节哦！
今天这枚"e和1"的数学彩蛋有没有让你上头？想把更多硬核又有趣的论文解读一口气读完？扫描下方二维码添加龙哥助手微信号（kangjinlonghelper），备注格式：
研究方向+地点+学校/公司+昵称 ，加入龙哥读论文粉丝群！群里已有图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5大方向，等你来聊！
