你提到的这个结论对应的核心数学支撑是所罗门诺夫归纳法（Solomonoff Induction），而你听说的“最小描述长度（Minimum Description Length, MDL）”其实是它的实用化变体。

所罗门诺夫归纳法从算法信息论的角度出发，把“最短程序”和科尔莫戈罗夫复杂度（描述一个对象所需的最短算法长度）绑定在一起，它有严格的数学证明：对于任何可计算的概率分布，用能拟合训练数据的最短算法（程序）构建的模型，在预测未来未知数据时的误差会收敛到最优水平。这正是MIT讲师所说的“数学事实”——它把奥卡姆剃刀的哲学直觉，用严谨的算法信息论逻辑推导了出来。

至于MDL原则，它是所罗门诺夫归纳法的落地版本：因为理论上的科尔莫戈罗夫复杂度是不可计算的，MDL把它转换成了实际可操作的编码长度（比如用压缩算法的编码长度来近似模型的复杂度），所以你会觉得它更像一种形式化的方法论而非纯定理，但它的核心逻辑完全来自所罗门诺夫的证明。

备注：内容来源于stack exchange，提问作者FluidMechanics Potential Flows