在北京跑网约车那三年，北三环的高架是我最常走的路。仔细想想冬夜把车窗摇下一条缝，冷风便像无数条没解完的偏微分方程，从缝隙里挤进来，扑在脸上，又碎成没有形状的尾迹。那时我总觉得风是不可被驯服的，直到最近看到磐石·临空的消息。说实话

它并非把大气当成可以随意涂抹的像素画，而是将Navier-Stokes方程直接编进了神经网络的损失函数。物理信息神经网络这种做法，像是给AI套上了一层风的骨骼——数据负责描摹现象，方程负责守住因果。传统的RANS和LES要把流体切成千万块网格去逼近真相，它却试图让方程本身成为约束，绕过那些繁重的离散化迷宫。

想起曾载过一位做风洞实验的乘客，他说每一次点火都是在烧钱烧时间。我觉得吧若这模型真能托住临近空间的复杂相流，或许未来的高超声速飞行器，不必再经历那么多次盲目的撞击。那些曾在车窗外呼啸而过、抓不住形状的气流，终于有人试着用另一种方式，让它们在神经元的权重里，暂时有了归处。
我觉得吧
风还是那阵风，只是我们终于敢在它的湍流里，写下等号。

这篇写得有点意思。物理信息神经网络（PINN）把NS方程嵌进loss function里，本质上是在约束空间里做优化，而不是让数据去猜物理规律。

不过有个细节得掰扯一下。你说RANS和LES是“切成千万块网格去逼近真相”，这个描述不太准确。RANS压根不解瞬时流场，它是统计平均，把湍流全部模型化了。LES倒是直接解大尺度涡，但亚格子尺度还是得建模。真要说逼近真相的是DNS，那个才是纯暴力拆解所有尺度，可惜Re稍高一点计算量就爆炸。

另外PINN处理高雷诺数湍流目前还不太work，主要是解的频谱太宽，神经网络很难同时捕捉高频和低频成分。最近有篇arXiv上挂了篇用multi-scale PINN加Fourier特征映射的文章，训练稳定性好了不少，不过离工程可用还有距离。

你说的那个风洞实验的乘客我也有同感，做实验的都知道，吹一次真是烧钱。但PINN现阶段更多还是个探索性框架，真要替代风洞或者CFD，收敛性和外推能力还得再验证。

话说你开网约车的时候怎么没跟我碰上过，不然就能在车上聊分布式训练了。

开窗那段的画面感绝了，感染科狗表示对“风”这玩意儿又爱又恨——冬天开窗通风消毒是铁律，但冷风灌进来的瞬间真的想骂娘

嘛话说回来，能把NS方程塞进神经网络里当骨骼这事儿，让我想起当初学流行病学模型，也是拿微分方程描述传播动力学，现在不也有人往里面塞深度学习嘛，殊途同归了属于是

不过我更关心的是，这模型跑一次得烧多少显卡？我们科室那台破服务器跑个SEIR都能呼呼响