ARTICLE · 1229461
世界模型系列289:AI 总爱＂挑软柿子捏＂—频谱偏置
你有没有这样的经历。
学一首新歌。
主旋律，几遍就会了。
可那几个飙高音、转音的地方，练了几十遍，还是唱不准。
AI 学物理，也有这个毛病。
它很擅长学"平缓"的变化。
却很不擅长学"剧烈"的变化。
这个毛病，叫频谱偏置。
01 什么是"高频"和"低频"
这里的"频"，说的是变化的快慢。
低频：变化慢、平滑。
比如一天里气温的起伏。早上凉，中午热，晚上又凉。
高频：变化快、剧烈。
比如水面上密密麻麻的小波纹。比如一声尖锐的哨响。
物理世界里，两种变化都有。
而且，往往是高频的部分，最要紧。
02 AI 的"偏科"：先学简单的
神经网络有个天性。
它总是先学低频，再慢慢啃高频。
而且，高频的部分，学得极慢。
有时候，训练到最后，也没学会。
这个现象，也叫"F-原理"。
打个比方。
一个学生做试卷。
选择题、填空题，很快做完。
最后那道压轴大题，磨了半天，还是空着。
不是他不努力。
而是他的"学习方式"，天生就偏向简单题。
03 为什么会这样？
从数学上看，原因藏在一个叫"神经切线核"的东西里。
不用记名字。
你只需要理解一个比喻：
AI 学习，像一个人在山里找路。
有的方向，是"高速公路"，走起来飞快。
有的方向，是"羊肠小道"，走一步都费劲。
低频的变化，对应的就是高速公路。
高频的变化，对应的就是羊肠小道。
两者的"速度差"，不是一倍两倍。
而是好几个数量级。
所以，AI 早就把低频学完了。
高频，才刚刚起步。
04 这在物理里，为什么是大问题？
因为物理世界里，充满了"高频"的东西。
激波
飞机超音速飞行时，前方会出现一道极薄的"冲击面"。
压力和密度，在这里瞬间剧变。
湍流
水流突然变得乱七八糟，旋涡层层叠叠。
边界层
水流贴着墙壁时，那薄薄一层里，速度变化极其陡峭。
相变界面
水结冰的那一层，物质性质在极短的距离内突变。
这些现象，恰恰是工程师最关心的。
而 AI 最不擅长。
具体来说，会出三种后果。
后果一：把尖锐的东西"磨平"
AI 学不会陡峭的变化。
于是，它把激波这类尖锐的结构，抹成一条平缓的斜坡。
就像用橡皮擦，把一道清晰的折线，擦成了模糊的曲线。
专业上叫"人工数值扩散"。
后果二：验算也帮不上忙
陡峭的地方，变化率极大。
前面讲过，AI 靠"自动微分"验算方程。
可在陡峭区域，这个验算很难准确地"扣分"。
AI 就容易卡在一个错误的答案上。
这个答案看上去平滑合理，却违背物理。
后果三：几项分数又吵起来了
低频部分学得快，高频部分学得慢。
两者的"进度"，严重不同步。
反向传播时，梯度互相拉扯、抵消。
训练就变得不稳定，甚至停滞。
05 五种破解办法
研究者想了很多招。
5.1 办法一：给输入加一副"放大镜"（傅里叶特征嵌入）
最直接的办法。
AI 看不见高频，那就把输入"处理"一下。
在输入端，加上很多不同"快慢"的正弦、余弦波。
就像给 AI 一排不同刻度的尺子。
有的尺子量大尺度，有的尺子量极细微的刻度。
这样，高频的信息，一开始就被"放大"了。
AI 学起来，不再那么吃力。
5.2 办法二：换一种更灵活的"积木"（PIKAN）
传统网络，用的是固定形状的"积木"。
每个节点，用同一种变化方式。
新型网络，叫KAN。
它把"积木"换成了可以自由塑形的曲线。
有局部的、有周期性的、有小波形状的。
遇到激波这种尖锐的变化，就用一小块"尖角形"的积木去拟合。
遇到震荡，就用"波浪形"的积木。
不再用一把万能锤，去敲所有钉子。
5.3 办法三：专盯最难的地方（SA-PINN）
前面讲过，给每个检查点配一个"注意力旋钮"。
旋钮会自动转向错误最大的地方。
高频区域，往往正是错得最离谱的地方。
于是，AI 被逼着，把更多精力放到这里。
就像老师发现你压轴题总错，就专门给你加练。
5.4 办法四：分区作战（区域分解）
既然一个 AI 很难同时学会全局。
那就把空间切成几块。
每一块，派一个小 AI 负责。
陡峭的区域，单独配一个专用小网络。
每个小网络，只用拟合一小片区域的变化。
难度，大大降低。
就像一座大工程，分给多个施工队。
每队只负责自己那一段。
最后，在接缝处对接好。
5.5 办法五：在"难点"埋几个真实测点
在最陡峭的区域，装几个高精度的传感器。
测出几个真实数据。
数据分有很强的"拉力"。
能把 AI 从"错误的平滑答案"里，硬拽出来。
就像给迷路的人，指一个路标。
虽然只有一个，但足以让他重新定位。
06 看懂五种办法
一句话总结：AI 天生偏爱"平缓"，不擅长"陡变"。
可物理世界里，激波、湍流、边界层，恰恰最关键。
给它加放大镜、换积木、专盯难点、分区作战、埋下路标。
让 AI 也能学会那些"高音"，才算真正读懂了物理世界。
