看到那个“磐石·临空”模型的消息，我第一反应是想起以前当兵时在高原驻训的日子。那时候我们搞空降演练，最怕的就是高空风。气象台报的数据，到了实际跳伞高度经常对不上，有次差点把伞兵吹到山沟里去。老班长说，临近空间那一片，大气环流跟地面完全是两码事，传统数值模式算到那个高度，误差能让你怀疑人生。
现在AI模型号称能学出规律，我倒挺好奇它怎么处理那堆混沌方程。数据驱动的方法，要是训练集本身就有偏差，会不会学出一套漂亮的假象？我见得多了，很多模型在测试集上好看，一上真实场景就露馅。不过话说回来，要是真能把高空风算准了，那当年我们就不用在风沙里蹲着等窗口期了。
钓了这么多年鱼，我发现天气预报和实际海况之间，总隔着一层说不清的东西。你说的混沌方程，让我想起有次在Half Moon Bay，明明app显示风平浪静，到了礁石边浪涌却大得站不住脚。data-driven的东西有时候就像纸做的花，看着精致，却经不起真实的风吹。不过还是希望这个临空模型能成，毕竟有些等待，值得被一个准确的数字温柔地缩短。
楼主说的“漂亮的假象”这个词，让我想起上周在debug时遇到的一个case。
说实话那天我在调一个recommendation system的training pipeline，loss曲线漂亮得像教科书插图，metric也在涨，team差点就要ship了。但我总觉得哪里不对，就半夜一个人坐在monitor前看feature importance——结果发现模型学会的规律是“用户点击过的item，再推荐一次就对了”。它在训练集上确实是correct的，但这不是understanding，是memorization。
所以看到你问“会不会学出一套漂亮的假象”，我特别有共鸣。临近空间那层大气，边界条件复杂得像spaghetti code，观测数据又稀疏，如果训练集本身就有systematic bias，模型会很confidently地给出一个错误答案。那种感觉就像在雾里走路，你以为前面是平地，其实是悬崖。
不过话说回来，我倒是觉得chaos system未必是AI的弱点。传统numerical model怕chaos是因为它对initial condition太敏感，但data-driven的方法有时候反而能从看似random的pattern里抓到一些emergent behavior。就像听一首复杂的交响乐，你让我用乐理去推导每个音符的走向可能很难，但如果我听过足够多的演奏，大概能感觉到下一个乐章的情绪。
当然这只是理论上的optimism。真到了伞兵要跳的高度，一个数字的偏差可能就是生死的距离。
怎么说呢
想起在加州的时候，有次开车去Big Sur，沿海公路有一段常年有横风，导航app上的风速数据和实际方向盘上的手感完全是两个世界。那时候我就想，有些风，大概只能用自己的皮肤去感受吧。
不知道临空模型能不能做到那种“感受”。如果真的能，那确实是一件很温柔的事。
楼主提到传统数值模式在临近空间的误差问题，这个我深有体会。我们系去年有个博士后做平流层重力波参数化的课题，翻过ECMWF的再分析资料，50公里以上高度层的风速场和探空火箭实测对比，均方根误差经常超过15m/s。问题在于传统模式对那个高度的非地转平衡、湍流混合过程描述得实在太粗糙了。嗯
不过AI模型想突破，可能得先解决观测数据稀疏的瓶颈。临近空间的常规探空资料少得可怜，大部分还是靠卫星遥感反演，反演算法本身又带一层不确定性。用这种数据训练出来的模型，泛化能力确实值得商榷。好奇磐石这个项目有没有用到什么新的数据源，比如最近几年布网的激光雷达风廓线观测？
说到这个 之前在BC爬山 山顶那个风 literally能把人吹飞 手机天气预报显示风速10km/h 我差点没原地起飞 lol
离谱
不过你们都在聊模型准不准 我倒是好奇一件事 这个临空模型能跑多快？以前在部队等气象数据 等得人心焦 要是AI能real-time出结果 那才是真的game changer
btw penguin_sr 你说的远洋渔船那个梗 笑死 下次帮我问问船长 看他们用不用这个 哈哈
你提到emergent behavior那段我太有共鸣了。就像练瑜伽，刚开始觉得每个体式都是随机的不稳定…，练久了身体自己会找到那个“平衡的emergence”。AI要是真能从混沌里抓出规律，那高空风预报就有戏了
velvet 你这个 case 听得我半夜坐起来了——“用户点过的再推一次"这种 memrization 陷阱，我听说隔壁组去年也踩过，更离谱的是他们模型学的是"凌晨三点下单的用户喜欢买泡面”，本质上是把物流时效的滞后性当成了用户偏好，笑死。
不过你提到的 emergent behavior 让我想到一件事。你们知道吗，我之前采访过一个搞气象 AI 的老哥，他说他们有次在训练集里塞了十年台风路径数据，模型自己摸出个规律：某些海域 SST 和高层风切变如果按特定组合出现，台风转向概率会跳变。传统模式里这俩变量是分开参数化的，根本联想不到一块儿去。结果后来几次实测，这个"黑箱规律"比数值预报提前六小时给出转向信号。
吧
当然他也说不清这到底是真物理还是 spurious correlation，毕竟样本量就那么点。但这种"听过足够多的演奏"确实有点意思啊，你们组后来那个 pipeline 怎么修的？加负采样还是直接上因果推断？
sprint50，你那个推荐系统的case让我想起去年读的一篇ICLR论文，讲的是深度学习在湍流闭合问题上的应用。论文里有个很经典的failure mode：模型在训练集上把亚格子应力的预测误差压到了传统Smagorinsky模型的1/3，但一放到真实DNS数据上就跑偏。他们后来做敏感性分析发现，模型其实是在学一个trivial correlation——壁面附近的涡黏性系数和当地平均速度梯度高度线性相关，这跟物理本质完全不是一回事。
你提到混沌系统可能是data-driven方法的优势而非弱点，这个角度有意思，但我觉得需要区分一下。混沌系统的短期可预测性确实可以靠数据驱动方法提升，因为传统数值模式对初始场的误差增长太快，而ML模型如果能从历史数据里学到吸引子的几何结构，理论上可以在相空间里给出更合理的轨迹。但问题在于临近空间那个高度层，我们连吸引子的维数都还没摸清楚。
我去年帮一个课题组做过平流层突然增温事件的统计分析，翻过ERA5在1hPa高度层（大概50km）的位势高度场数据。那个层次的环流模态切换极其剧烈，极涡从对称态到不对称态的transition有时候在48小时内完成。传统GCM模拟这种事件，phase error动辄5-7天。如果用纯data-driven方法，训练集里这种极端事件的样本量够不够？我数过1979-2022年间的major SSW事件，一共也就20来次，这个样本量对深度学习来说基本等于没有。
所以回到你说的“从random pattern里抓emergent behavior”，我觉得这个表述本身没错，但前提是训练数据能覆盖相空间里的关键区域。临近空间的问题恰恰在于观测网络太稀疏，我们连这个相空间长什么样都不完全清楚。这种情况下，模型学到的东西可能不是emergent behavior，而是观测系统本身的sampling bias。
不过话说回来，你debug那个推荐系统的方式我很欣赏。半夜一个人看feature importance，这种怀疑精神在ML工程领域太稀缺了。大部分人看到loss下降就急着ship，不愿意追问模型到底学到了什么。这种态度如果用到临近空间建模上，至少能避免一些基本的陷阱。
couch39，你提的这个“跑多快”的问题，倒是让我想起一桩旧事。
大概是03年还是04年，我带一个项目做实时数据流处理，客户那边是气象部门的，要求从数据进来到出结果不能超过三分钟。当时我们团队觉得这有什么难的，结果一上实测，数据量是标称的三倍，网络还时不时断一下。后来没办法，我让几个小伙子轮班盯着，硬撑了半个月才把管线理顺。
你说的real-time，在临近空间模型上可能是个硬骨头。因为这不单是计算快慢的问题，输入数据本身就有时间差——探空资料传回来要时间，卫星反演要时间，这些数据到了模型嘴边的时候，高空风可能已经变了。所以不是模型跑得快就能解决的事儿。想当年
不过话说回来，要是真能把端到端的延迟压到分钟级以内，那确实是game changer。只是这事儿急不得，一口气吃不成胖子。你们当年在部队等气象数据的那种心焦，我懂，但有时候慢一点比错了好。这个临空模型现在到什么阶段了，是还在调参还是已经有实测结果了？你要是知道什么消息，也来说说…，我对它那个推理速度的硬约束挺感兴趣。
山顶那阵风差点没给你吹成滑翔伞吧 lol 手机预报跟实际体感对不上太正常了，地形一复杂app那点数据根本抓不住乱流。你提地跑得快才是game changer这点真的说到心坎里了！以前搞大促压测等个气象接口响应，运营群里快急疯了，要是真能做到低延迟实时输出，我们调拨仓储物流简直如虎添翼哈哈！我现在朝九晚五虽然香，但偶尔赶排期要是能随时看风向调整发货节奏，绝对省下一堆加班费。渔船船长那边你先帮我探探口风，他们要是用上这黑科技，以后出海连备用帆都不用备了咯
sprint50说到模型可能 memorize data patterns like “click it again”，这让我想起在国外被困那半年，每天刷短视频算法总是给我推送同个意大利面教程…以为懂了地中海饮食精髓，其实只是记住了一模一样的视频剪辑！哈哈
说正经的，咱们当年空降跳伞最怕啥？就是气象台给的风向数据跟实况差出二十度。笑死老班长教我认云：卷积云尖朝北=高空有急流。你看这经验主义，不也是种"记忆"吗？
所以啊，AI要学的是大气这首无谱交响乐里的呼吸节奏，而不是照搬某个指挥家拿捏不准节拍的录音～
studious提到传统模式在50公里以上均方根误差超15m/s，这点我太懂了——当年高原跳伞演练时，气象报告和真实风速就像两个世界！你说数据稀疏是瓶颈，我倒是好奇：既然部队实战最怕“等窗口期”，这个临空模型要是能实时输出，哪怕只提前半小时预报准高空风，都能让空降兵少蹲半天风口！有没有可能优化成战术级工具？
couch39 你这一问戳到点子上了，据可靠消息，这个磐石临空模型在内部测试的时候推理速度贼快，单次预测好像不到 200ms，因为他们借了某短视频平台搞实时推荐的那套推理框架，直接魔改的。啊不过数据 I/O 那层听说还拖后腿，真实时部署还得看卫星链路稳不稳，不然跑再快也是干瞪眼。你们部队那时候等数据，是不是也是卡在传输上？
couch39，你提到“等得人心焦”这几个字，让我想起去年在深圳台风天里等外卖的事。
那天整个城市像被按了暂停键，我站在落地窗前看雨横着飞，手机上的配送时间从28分钟跳到45分钟，又从45分钟变成“小哥正在努力赶来”。说实话，那一刻我脑子里想的不是面会不会坨，而是——这个外卖小哥现在在哪个路口，风有没有把他吹偏方向，他手机上的导航是不是也在用某个模型算出来的预计时间。
你看，我们都是等过的人。你在部队等气象数据，我在ICU里等过检查报告，外卖小哥在等红灯变绿。等待这件事本身，好像从来就和“准不准”绑在一起。不准的等待叫煎熬，准的等待叫预期。所以你说real-time才是game changer，我觉得你抓到本质了。
不过话说回来，速度这件事也有它的两面性。以前在ICU里，监护仪上的数字是real-time的，心跳、血氧、血压，一秒刷新一次。但那些数字变得太快了，快到让人没法安心——你盯着它看，它每跳一下你的心也跟着跳一下。后来护士跟我说，你别老看那个，看趋势就好。所以我在想，临空模型如果真的能做到real-time，它给出的可能不只是“快”，还有一种新的和不确定性和平共处的方式。
就像现在看台风路径预报，每六小时更新一次，那六个小时里人心是悬着的。但如果能实时更新，你看着那个小红点一点一点挪，反而会觉得——哦，它还在那里，它没突然扑过来。仔细想想
说到底，我们怕的不是风，是不知道风什么时候来。