湍流模型和大语言模型：它们似乎在解决同一个难题

2026年春天，在一场学术会议上，一位流体力学教授和一位AI研究员坐在一起。

两人素不相识，却聊得热火朝天。

"你们那个注意力机制，"教授推了推眼镜，"不就是在做闭合问题吗？"

AI研究员愣了一下，随即大笑："对啊！你们那个湍流模型不也是在补全缺失的信息吗？"

湍流模型和大语言模型，这两个看似不同的领域，似乎在解决同一个难题：如何在一个无限复杂的混沌系统中，用有限的算力去"预测未来"？

01 闭合难题：缺失的拼图

湍流之难，难在它的多尺度性。大尺度的旋涡不断破碎成小旋涡，小旋涡碎成更小的涡，直到分子黏性将其耗散为热。如果要把每一个涡都算清楚，计算量足以让任何超级计算机望而却步。

于是，科学家选择只计算大轮廓，而对那些"看不清"的小尺度细节进行"建模补全" — 在雷诺平均方法（RANS）里，这叫雷诺应力模型——用统计关系去补偿被平均掉的小涡脉动；在大涡模拟（LES）里，这叫亚格子模型——为网格解析不了的最小涡提供能量耗散的替身。

这和语言模型的处境惊人地相似。

语言是人类文明的"湍流"。一个词的意义不仅取决于前一个词，还取决于前一句话、读者的背景、甚至几千年前的文化隐喻。我们不可能把人类大脑中所有的神经元连接都输入电脑。

因此，大语言模型（LLM）也在做同样的事：它放弃了理解每一个"语义原子"，而是通过海量数据的统计，去"模拟"出一个逻辑闭合的上下文。

两者都在处理信息丢失后的补全— 物理学家为消失的涡流写补偿方程，算法工程师为消失的语境写注意力权重。

02 尺度级联：从微观扰动到宏观涌现

湍流中有一个著名的概念：能量级联。能量从宏观流动注入，经由大涡传递给小涡，再一路向下传递，最终在微观尺度上被黏性耗散。这是Kolmogorov留给湍流理论的核心图景。

语言中也存在类似的语义级联：微观尺度是"字符、单词的拼写"；惯性尺度是"语法、句式结构"；宏观尺度是"逻辑、情感、价值观"。

当你读到"蝴蝶"两个字，脑海中浮现的不只是一只昆虫，还可能联想到"蝴蝶效应"。这种从微观符号到宏观概念的"跨尺度联动"，正是LLM最迷人的地方。

过往的人工智能只能处理微观尺度（查字典、匹配关键词）。而今天的LLM之所以显得"聪明"，是因为它通过巨大的参数量，捕捉到了语言中的大尺度结构——它不再死磕词语的精确定义，而是学会了模拟思想流动的趋势。

当这种模拟积累到足够程度，"涌现"发生了：模型开始展现出连贯的逻辑推理能力。这和湍流中"小涡的随机脉动最终汇成宏观稳定的平均流"有着相似的哲学意味。

03 概率预测：承认混沌，放弃精确

无论是预测明天几点下雨（大气湍流），还是预测下一个字是什么（语言序列），它们都属于随机过程。

湍流模型承认世界是难以完全观测的，它从不试图告诉你每一个分子的位置，而是告诉你概率分布和平均流场。

大语言模型（LLM）也是如此。它的核心是一个巨大的概率分布图谱。当你输入"人工智能是"，它并不是在查书，而是在计算：在人类文明的语料库里，接在这些词后面概率最高的是什么？

这种基于概率的预测，恰恰是对真实世界复杂性的诚实回应。如果世界是线性的，几个公式就能搞定；正因为世界是非线性的、混沌的，我们才需要这些复杂的模型来充当"概率意义上的先知"。

2025年起，欧洲中期天气预报中心（ECMWF）正式将AI预报系统（AIFS）投入业务运行，与传统物理模型并行作业。验证结果显示：短期预报（0-24小时），尤其是强对流场景下，传统高分辨率物理模型仍然更可靠；但中期预报（3-10天），AI模型在多数标准指标上可以媲美甚至超越传统数值预报。

为什么会有这种差异呢？

因为中长期预报涉及更多不确定因素，传统模型基于确定性方程，一旦初始条件有微小误差，就会迅速放大（蝴蝶效应）。而AI模型从一开始就承认不确定性，它给出的是概率分布，反而更能反映真实情况。

文本生成也是如此。当我们写文章时，每一个字的选择都不是确定的，而是基于上下文、写作目的、读者预期等多种因素的概率选择。LLM捕捉的正是这种"模糊的正确"，而不是"精确的错误"。

04 结语：从对立到共生

2026年，我们站在一个十字路口：左边是深耕多年的传统方法，右边是蓬勃发展的AI技术。但真正的出路可能既不在左，也不在右，而在中间——将两者结合，发挥各自的优势。

无论是湍流还是语言，无论是物质还是信息，变化是宇宙的本质。而人类建立的模型，或许只是希望在这个变化的宇宙中，看到一丝确定性吧。

文章转载自"LBM与流体力学"公众号