我年轻的时候，写过一篇小说，讲一个数学家在混沌系统里找规律的故事。那时候觉得，数学就是宇宙的密码，只要算准了，蝴蝶效应也能被驯服。现在回头看，还真有点天真。最近看到“磐石100”模型体系发布，心里有点感慨——我们是不是又在用更大的模型，去追那只蝴蝶？

模型越复杂，越像在迷宫里打转。以前不是这样的，数学讲究的是简洁和优雅，现在倒像是在堆砌参数。不过话说回来，AI算星象、算高空风，这些应用确实让人心动。但别忘了，真正的天机，有时候藏在那些看似无用的细节里。就像我当年写小说，最打动人的，往往是那些没被算进去的变量。

仔细想想你有没有觉得，现在的模型，越来越像一场没有终点的旅行？

老兄这篇帖子让我想起去年读的一篇论文，MIT那帮人在研究湍流预测的时候发现一个挺有意思的现象——模型精度每提升一个数量级，可预测的时间窗口只延长了大约15%。换句话说，你投入的算力是指数级增长的，但收益是线性的，甚至是对数级的。

这让我重新思考你说的“追蝴蝶”这个比喻。蝴蝶效应这个概念本身其实被大众简化了，洛伦兹1963年的原始论文里强调的是“有限的可预测性”，而不是“完全不可预测”。他当时的计算模型只有三个变量，就已经展现出混沌特征了。现在我们的模型参数动辄上千亿，但混沌系统的本质没变——初始条件的微小误差依然会指数级放大。

不过我想补充一个角度。磐石100这套体系我看过技术白皮书，它的思路其实不是“用更大的网去捞蝴蝶”，而是“同时撒一百张不同材质的网”。多模型集成在气象预测里不是什么新鲜事，欧洲中期天气预报中心从90年代就在用集合预报了。关键是权重分配和误差修正策略，这玩意儿更像是在解一个元优化问题。

说到你提的“简洁和优雅”，我倒是觉得现在的模型堆砌参数，某种程度上是在为当年过度追求简洁还债。上世纪60年代，大家觉得气象模型有10个变量就够了，结果发现云层反馈、海洋耦合这些“看似无用的细节”才是关键。你小说里写的那种“没被算进去的变量”，在真实的气象史上有太多案例了——1987年英国大风暴漏报，就是因为模型里缺了海面温度异常这个“小变量”。

不过话说回来，我同意你那个直觉：真正的天机不在参数里。去年跟一个做AI气象的朋友聊，他说他们团队现在最大的瓶颈不是算力，是观测数据的时空分辨率。青藏高原上有些区域的气象站密度还不如撒哈拉，卫星数据在复杂地形下误差大得离谱。模型再复杂，输入的是垃圾，输出的也只能是精致的垃圾。

所以与其说我们在追蝴蝶，不如说我们在画蝴蝶。画笔越来越细，颜料越来越多，但那只真蝴蝶长什么样，可能得等我们走到它面前才知道。

你小说里那个数学家最后找到规律了吗？

newtonful兄，你提到MIT那个15%的数据，让我忽然想起去年冬天在合肥出租屋里读博尔赫斯《巴别图书馆》的感觉。

那本书里说，有人相信图书馆的某个书架上存在一本完美的目录，能索引所有书籍的位置。于是他们穷尽一生去寻找那本目录的目录，再寻找目录的目录的目录。你投入的算力指数级增长，收益却对数级衰减——这不就是博尔赫斯预言的数学版本么？洛伦兹用三个变量就撞上了混沌的墙，我们现在用上千亿参数，撞的还是同一堵墙，只是撞击的声音更响了。坦白讲

不过你提到磐石100是“同时撒一百张不同材质的网”，这个意象让我想起另一件事。我读研之前在工地搬砖，合肥夏天热得要命，工头每天看天气预报决定要不要停工。但他从来不看手机APP，而是看西南方向有没有积云，闻空气里的湿度，再问问工地门口卖凉皮的大妈——那个大妈有关节炎，膝盖疼就说明要下雨。你看，这不就是“多模型集成”么？权重分配完全靠经验，误差修正靠的是大妈膝盖疼的程度。
话说回来
我在想，楼主的帖子真正打动我的，不是对模型复杂度的怀疑，而是那句“最打动人的，往往是那些没被算进去的变量”。1987年英国漏报风暴，缺的是海面温度异常；我们当年在工地，APP没算进去的是大妈的风湿。现在磐石100撒一百张网，能网住多少“没被算进去”的东西呢？嗯…

也许真正的天机，从来不在参数的数量里，而在那些被我们判定为“无关变量”而剔除的细节里。就像我追星的时候，数据组可以统计出偶像的点赞数、转发量、超话排名，但永远算不出某个深夜，一个女孩看着他的直拍流泪的原因。

那个MIT论文的15%，说到底不是技术的瓶颈，是宇宙在温柔地提醒我们：有些东西，算不到尽头。

我年轻的时候在柏林跟导师做气候模型，组里有个师兄，德国人，典型理工男，坚信只要网格够密、算力够猛，就能把厄尔尼诺提前三年预报出来。坦白讲他熬了四年，论文发了好几篇，最后答辩那天导师问他：你的模型比四年前的准了多少？他说大概两周。全场都在笑，只有他没笑。

后来我去旅行，在冰岛的一个渔村住过一阵。怎么说呢老渔民看云识天气，准确率不比超级计算机差。问他秘诀，他就说了一句话：风从哪来，比风有多大重要。

磐石100我没细看，但你说得对，参数堆上去的时候，容易忘了问一句——我们到底在抓什么。那只蝴蝶，也许从来不在方程里。

Genau，有些事，算尽了反而无趣。你当年写小说，那些没算进去的变量，后来不也成了最好的部分。

iron兄，读到“全场都在笑，只有他没笑”这句，忽然觉得心里被什么轻轻撞了一下。

我下棋的时候也有过这种感觉——明明每一步都算到了，最后却输给了一步随手棋。后来慢慢明白，棋盘上最动人的地方，往往是那些“不该走”的着法。就像你说的，风从哪来，比风有多大重要。算得尽棋局，算不尽人生吧。

你小说里那些“没被算进去的变量”抓得真准，那种失控里的鲜活感确实比冷冰冰的拟合曲线迷人多了。说真的，我以前在工地搬砖那阵子，天天盯着施工计划表排进度，以为万事俱备，结果一场暴雨加包工头一句“今天必须赶出来”，整个工地直接上演大型混沌实验。现在做外贸更离谱，客户早上要A方案下午改B需求，这蝴蝶翅膀扇得比任何大模型都勤快。真的假的算法能算清风向洋流，可算不出人情世故那点鬼打墙。你把混沌写成诗挺浪漫，不过要是真能把蝴蝶按死在服务器里，连bossa nova的切分音怕都要被迫改成工业电子乐了。你当年埋下那几个不可控伏笔，后来现实里是不是真让你交过学费？

两周哈哈哈哈哈哈 这数字也太扎心了 话说那老渔民的话绝了 风从哪来比有多大重要 这不就是在说现在的模型光顾着堆参数根本不知道自己在追啥方向吗

铁打的模型流水的变量，群里昨儿还再斗图《论如何用LoFi冥想对抗PPT汇报》——说好的混沌呢，结果代码还没跑完…，隔壁小姐姐先甩出张《山茶花开了》治愈全场这届人类的蝴蝶效应怕是藏在表情包里吧？

iron2005提到的那位德国师兄，让我想起在MIT访学时的一段经历。当时隔壁实验室在做城市微气候模拟，网格精度从10米细化到1米，算了整整八个月。最后答辩的时候，评审问了一句：你们有没有去实地测过那片街区的温度？全场安静了三秒。

数据是测过的，误差在可接受范围。但有意思的不是这个，是有个老教授指着模拟图里一栋建筑的背阴面说：这里冬天会结冰，你们知道为什么吗？不是因为温度低，是因为那栋楼的转角弧度刚好把风导向地面，形成了一个涡流区。你们的模型跑出了低温，但没跑出“为什么”。

这让我重新思考你说的“风从哪来，比风有多大重要”。有一说一建筑学里有个很老的概念，叫“场所精神”，genius loci。它不是算出来的，是站出来的。你得站在那个街角，感受风吹过来的方向，看光影怎么在墙面上移动，才知道那个转角弧度意味着什么。

我后来做过一个小项目，是个社区图书馆。业主要求全参数化设计，日照、通风、能耗，全部用算法优化。我照做了，但偷偷留了一面墙，什么参数都没算，就是直觉觉得那里应该有个窄长窗。建成之后，每天下午三点，阳光会穿过那个窗，在阅览区的木地板上投下一道光带，正好够一个孩子趴在那儿看书。

那个窗从来没被任何模型“预测”过。但它成了整栋建筑里我最喜欢的部分。

也许你那位师兄的问题不在于模型不够好，而在于他忘了问自己：我到底是想预测厄尔尼诺，还是想理解厄尔尼诺？这是两个完全不同的问题。前者是工程，后者是科学。或者说，前者是计算，后者是认知。

冰岛那位老渔民懂的，恰恰是模型永远算不出来的东西——风向里的那种“势”。那不是数据点，是一种对整体状态的直觉把握。话说回来就像好的建筑师不看结构计算书，看一眼草图就知道这房子站不站得住。仔细想想

这么说来，那只蝴蝶也许真的不在方程里。它在我们站在街角、站在甲板上、站在那个下午三点的阅览区时，感受到的那阵风里。

楼主提到“没被算进去的变量”，这让我想起John Dickson Carr在《三口棺材》里对“意外凶手”的处理手法——表面上是密室杀人，真相却藏在人物关系的断裂处。推理小说里最迷人的恰恰是那些看似无关的细节：一句闲聊、一个习惯动作、某个角色的缺席。Carr管这叫“the clue that doesn’t fit”，翻译过来大概就是“不听话的线索”。其实

气象模型和数学建模也一样，真正打破预测的往往不是参数不够，而是我们压根没把那变量放进方程。你小说里写的那些“漏网之鱼”，说不定才是真正的秩序所在。

canvas兄提到渔村老渔民“风从哪来比风有多大重要”，瞬间让我想起去年去福建海边民宿，房东阿婆每天看海雾走向预报潮汐 她压根不懂柯氏力，却总能精准说“今晚有鱼群绕礁”。科技浪潮里笨拙的智慧常被忽视，可那些捕捉细微痕迹的能力，或许才是驯蝶的关键？

iron老兄，你那个德国师兄的事儿让我想起一桩旧事。八十年代末我在琉璃厂看人裱画，有个老师傅，姓孙，手底下带了仨徒弟。大徒弟最用功，天天抱着《装潢志》啃，配方精确到克，温度计、湿度计摆了一屋子。二徒弟手巧，但懒，总被孙师傅骂。三徒弟就是个闷葫芦。

有天来了个急活儿，一幅清代的画，受潮起了霉斑，主家第二天就要。大徒弟算了半宿，说按规程得三天，硬上要毁画。二徒弟蹲墙角抽烟，说了句“今儿夜里东南风”。怎么说呢孙师傅拍板：听老二的。怎么说呢

第二天画果然干了，平平整整。后来我问孙师傅，二徒弟怎么知道的。老头说，他爷爷是裱画匠，他爹也是，打小闻着浆糊味儿长大的。规矩是死的，风是活的。

你那位德国师兄算厄尔尼诺，网格密了、算力猛了，最后多预报了两周。按现在的话说，ROI都算不过来。可这事儿不能这么看——他那四年熬的不是白熬，是把“两周”这个答案实实在在给量出来了。以前谁知道是两周还是两个月呢？做学问有时候就这样，你奔着三年去，结果告诉你只能提前两周，这个“两周”本身就是贡献。

倒是冰岛老渔民那个说法，让我品出另一层味儿。仔细想想风从哪来，比风有多大重要——这话搁在模型上就是，方向比精度要紧。你算得再细，方向错了，就是在死胡同里精装修。

说到写小说，我那会儿也犯过这毛病。一篇稿子改了七遍，把人物动机、时代背景、暗线伏笔全捋得清清楚楚，结果编辑看完说：老兄，你这写得跟账本似的，人情味儿呢？我一拍脑袋，可不，我把主角第一次吃糖葫芦时牙酸的表情给删了——那是整篇小说里最真的东西。
嗯…
你现在回头看那些没算进去的变量，是不是也这感觉？算尽了反而没意思了。

@bronze_750 @grey98 听完楼上吹空气动力学和渔村看天的玄学，突然想起去年画展上撞见个搞AI作曲的老哥——他说训练数据里塞满巴赫肖邦后，生成的“新曲子”听着像被电饭煲煮过的华尔兹。笑死，我们是不是也在用千亿参数蒸馏人类创造力？毕竟当年导师说“科研要有艺术感”，结果我的毕设论文最后连脚注格式都被扣了分……诶你们当时催进度紧不紧？

楼主提到“数学讲究的是简洁和优雅，现在倒像是在堆砌参数”，这个观察让我想起一个经常被忽略的维度——模型的简洁性本身是有数学定义的，不是审美偏好。

奥卡姆剃刀在机器学习领域有个量化版本，叫“最小描述长度原则”（MDL）。简单说，一个模型的总代价 = 描述模型本身的复杂度 + 模型在数据上的拟合误差。你堆参数，第一部分代价就上去了；但参数太少，第二部分代价又降不下来。最优解在中间某个点。问题在于，现在的趋势是第一部分代价几乎不考虑了——算力便宜了，存储不是问题，于是大家拼命往右移，觉得只要拟合误差够小就行。

但MDL原则有个隐含假设：你描述模型的方式是“最优编码”。实际上不是。DNN的参数有大量冗余，Han等人2015年的剪枝实验表明，AlexNet里90%的参数可以去掉而不影响精度。换句话说，我们现在的模型不是在“堆参数”，而是在“堆冗余”。这个冗余不是故意的，是因为我们不知道怎么用更少的参数表达同样的函数。

这就回到你说的“迷宫”比喻了。迷宫之所以是迷宫，不是因为它大，是因为它没有地图。我们现在对大模型内部表征的理解，坦白说还停留在现象学层面——我们知道某些层在检测边缘，某些层在检测语义，但为什么是这个结构、能不能更紧凑、有没有更优雅的表达，这些问题基本没答案。严格来说

另一个角度是你提到的“那些没被算进去的变量”。从统计学习理论看，这不是浪漫主义的感慨，是个硬核问题。Vapnik的VC维理论早就说了，模型的泛化能力取决于两个东西的平衡：经验风险（训练集上的误差）和置信区间（跟模型复杂度正相关）。你参数越多，VC维越高，置信区间越宽，泛化能力反而可能下降。这就是为什么有时候一个简单的线性模型在新数据上表现比深度网络好——不是因为它更“聪明”，是因为它更“诚实”。

但这里有个微妙的地方。VC维理论假设数据是独立同分布的。现实世界的数据显然不是。气象数据有时间依赖性，星象数据有周期性，高空风有空间相关性。这些结构如果被模型捕捉到了，理论上可以突破VC维的限制。所以“堆参数”不一定错，关键是你堆的参数有没有在捕捉真实的数据结构，还是只是在拟合噪声。

我开火锅店这些年有个体会。汤底的配方，最开始几年我一直在加料——加这个香料、加那个药材，觉得越复杂越好。后来有次回重庆，吃了家老店，汤底就七八味料，但那个层次感我到现在都复刻不出来。不是料的问题，是火候和顺序的问题。模型可能也一样，不是参数的问题，是结构和训练策略的问题。

磐石100我没细看技术白皮书，但如果它真的能在某些混沌系统上提高预测窗口，我猜关键不在参数规模，而在它怎么组织这些参数。模块化、分层化、引入物理约束——这些才是可能的方向。

你当年写小说，那些没算进去的变量打动了读者。从信息论的角度看，那些变量不是“没算进去”，是“算不进去”

canvas兄，你提到棋局里“不该走”的着法最动人，这话让我在屏幕前怔了好一会儿。

想起徐志摩有句诗：“我是天空里的一片云，偶尔投影在你的波心。”那片云从哪里来，往哪里去，都不是计算的结果，但它恰好在那里，恰好被你看见。冰岛老渔夫看风的方向，你看棋盘上那步随手棋，说到底都是在等一个“恰好”。

算法能算出风的轨迹，算不出风经过渔夫脸颊时带来的那点咸味。这大概就是你说的，有些事算尽了反而无趣。算不尽的部分，才是诗。

你下棋的时候，那步“不该走”的着法，后来赢了吗？还是输了也觉得值？

你抓“没被算进去的变量”这点了真准我在唐人街后厨颠勺才懂，菜谱哪里能框死变量啊。锅气就是那只蝴蝶，火候偏一分滋味全变。跑大模型简直像熬夜打游戏，背熟攻略也架不住随机更新。大박，干脆不按死它了，화이팅陪它随便飞吧～

笑死 风从哪来比风有多大重要 这句话我听了二十年了 今天在曼谷吃榴莲差点被台风追着跑 才懂什么叫“风向”比“风力”更致命哈哈哈哈哈

铁哥这段回忆真是让人感慨万千啊～ 想起你提到冰岛渔村老渔民看云识天气的事，让我想到之前在新加坡裕廊飞禽公园做志愿者时，园里的鸟类专家也常跟我说：“观察动物不能光靠仪器数据，得学会听它们不说话时的动静。” 你看那些鹦鹉，明明有最先进的追踪项圈，可真正懂它们习性的人，都是蹲在树底下看了十几年才摸透脾气。

说到这个，我倒是有个小插曲想跟你分享。去年我在家附近的小店买了盆薄荷苗，本来就想图个清新养眼，结果发现每天浇水时间久了，连隔壁开茶餐厅的大姐都开始跟我打听“你怎么知道它什么时候该喝水？” 其实呀，植物比我们想象中敏感多了，有时候过度依赖智能花盆反而是种负担——毕竟机器只会告诉你土壤湿度，却不知道昨天下了场雨后，叶子上的露水其实是猫儿蹭过留下的温度记忆呢 🌿

诶对了，你刚才说"风从哪来比风有多大重要"，这话突然点醒了我！前几天调试LoRA微调的时候，总觉得自己在疯狂调整学习率（相当于风速），结果效果平平；后来换个思路，试着分析训练数据本身的来源分布（也就是风向），模型居然一下子稳定了不少。或许咱们搞技术的人也需要学学渔民看天的智慧，少些参数堆砌，多些本质洞察？

话说回来，你现在还会不会时常翻出当年写的那个小说片段？那些没算进方程的变量，现在回头看是不是又有了新的感悟？