赵志林（Zhilin Zhao）于2026年7月1日提交至arXiv的专著《从逼近到涌现：深度学习理论》提出了一套面向证明的统一理论框架，试图为已经远超单一数学解释能力的深度学习建立连贯的理论地图。该书归类于机器学习（cs.LG），并交叉涉及统计机器学习（stat.ML），以arXiv编号2607.01311发布，DOI为10.48550/arXiv.2607.01311，提交时间为2026年7月1日17:26:19 UTC，全文文件约2,634 KB。
作者的核心主张是：现代深度学习已无法用某一种经典数学工具单独解释。传统理论以逼近能力、优化收敛与泛化界为三大支柱，但这些工具在面对过参数化网络、对抗鲁棒性、生成建模、Transformer架构、上下文学习、缩放定律、可解释性、对齐以及涌现能力等当代现象时，解释力明显不足。本书因此沿着一条时间与逻辑并进的线索，从经典基础出发，逐步过渡到这些前沿机制，把分散在文献中的大量结果整合为一个有叙事结构的整体。
在方法论上，该书强调“以证明为导向”的写作方式，但并不把各条定理简单罗列。作者提出从三个维度审视每一个理论：该理论所控制的数学对象是什么，使其成立的关键假设有哪些，以及它仍然无法解释哪些现象。这种三重审视使读者能够清楚看到每项结果的适用边界，而不是把某个定理误当作对深度学习的整体解释。这一组织方式也揭示了当前理论的整体状态——强大但不完整。
在内容覆盖上，专著从逼近论、优化与泛化的经典结果入手，随后进入过参数化的现代视角，讨论模型容量远超数据规模时为何仍能泛化；继而涉及鲁棒性、生成建模与Transformer的结构性质，并延伸至上下文学习这一在大型语言模型中表现突出的能力。缩放定律部分讨论性能随规模、数据与算力变化的规律性，可解释性与对齐部分则关注如何理解并约束模型行为，最后落到“涌现”这一核心问题：学习到的机制如何从规模、数据、架构与训练的共同作用中产生。
该书的受众被明确设定为研究人员、研究生以及具备数学训练背景的从业者，定位为一部严谨的专著而非入门教材。作者并未宣称已经解决深度学习的理论问题，而是提供一张当下理论现状的精确地图，并指出研究重心正日益集中到涌现机制这一问题上。对于希望系统梳理深度学习理论文献、理解各定理适用条件与局限的读者，这部专著提供了一个统一且带有批判性视角的参考框架。