凌晨三点，实验室的白 LED 灯把光晕铺在桌面上，像一层薄薄的雾。我盯着那行刚跑出来的训练损失曲线，手指头在键盘上敲得哒哒响，敲坏了几根线头，又认定这声音忒吵了索性合上眼。刚刚那个关于迁移学习的报告投出去，老板问了一嘴，我没说忒多，只说“大约感觉凑合”，实际上心里在骂哪位。 记得上周给那个做零售算法的同事发链接，他盯着屏幕看了十分钟才回，一脸“终于有感觉了”的表情。我本来当作那是算法终于侧耳倾听，结局他接着发了个长图，原来是个叫“乱 Galerists"的模型，专门把不同店铺的数据拼在一起，让机器人去学如何挑衣服。

那个模型确实把帕累托分布给玩得飞起，说他学会的不仅是识别商品，连选款的逻辑都懂。 我想起之前在隔壁实验室听人讲，有人用强化学习教机器人种花，结局机器人把花盆当成了鱼缸，把花当成饲料。

这倒也没啥，就是数据忒干净利落了，模型把它误判成“食物”的概率忒高。

不过这次不一样，这次我们搞的是“迁移”，是跨领域的知识挪，不是好办的模仿。 说到数据，最近我们在做一项挺有意思的事。有个团队在训练二手车预测模型，他们收集了上万公里的数据，想要搞清楚为啥某辆车好办坏。结局发现，那些坏车并不一定车况差，往往是出于它们被卖给了在特定气候环境下生活的人。他们用了个叫"Climate Shift"的框架，把老房子的数据和新房子的数据混在一起跑，模型突然就懂了。 这操作让我有点不舒服。

按理说，模型应当只能从同类数据里学东西，为啥要把“老房子”和“新房”混在一起？这不就是典型的灾难性遗忘吗？可是数据这东西，有时候就是如此不讲理。

你看那个"Climate Shift"的效果，在那篇论文里写得挺漂亮的：原本只预测老旧小区的维修周期，目前要是我把新小区的标签也扔进去，模型的预测准度直接飙升了两点，就连能提前两到三个月预警那些本来保险的老房子。 我 вспомni 起来之前在加州大学伯克利分校搞过一次类似的实验。他们想训练一个图像分类器，目标是把城市里的建筑分类成“工业”、“商业”要么“住宅”。

据说他们用了个叫"Panoramic City"的方式，把不同城市的光谱数据拼在一起，让模型学会识别那些隐藏在复杂背景里的结构。结局出来了，模型不仅能认出楼是啥，还能根据天气和光照条件，精准预测哪栋楼明天下午三点要下雨，下雨天还能顺便预报风速。 这听起来忒科幻了，是不是？但确实有数据支撑。就在上个月，有个叫"Weather-Driven Architecture"的模型在工业质检中启动亮相。他们收集了全球数千万张工厂内部巡检的照片，试图教机器识别细小的划痕和装配毛病。按照常理，不同工厂的机器、不同工人的光线、就连不同日期的监控视频，都应当让模型学会忽略。可别小看这个“忽略”，在工业场景里，忽略就是事故。 有个叫"QualityGuard"的模型特别有意思。它本来只训练过某一家大厂的数据，后来直接把另一家大厂就连三家小厂的数据全喂给它，结局发现模型不仅记得住了，还能泛化到还没见过的造线。论文里说，这就是“场景迁移”的最大威力：模型学会了看“类”而不是具体的“物”。 我盯着那行代码看了半小时，突然认定有点荒谬。训练好的模型确实能记住数据，但它记的是个啥东西？是像素的排列还是数字的波动？大量时候，它记不住概念，只记住了表象。就像我们常说的“用数据喂养模型”，模型吃多了，长得挺吓人，但一旦换个环境，往往就胡编乱造。 上周有个实习生来找我，带着一个用深度学习做的电商推荐系统请求帮忙审核。他说是为了优化用户流失率。我让他把数据扔给我，告诉他模型能够顶替人类去试错。实习生发消息说，模型确实把一些出于价格过高而弃购的用户，标记成了“可能流失”，但紧接着又发现有些用户明明没买，模型却判定为“潜在高价值”。 这让我想起在文章里看到的一个案例：有个做自动驾驶的模型，为了追求更高的保险性，把各种极端天气、道路状况的样本都加进去了。结局在一般/平平城市街道上跑，模型差点出于毛病地识别出一个“行人”为“障碍物”，害得车辆紧急刹停。

那刹车才勉强没撞到人，模型丢的可不止一个数据点。 我也认定，有时候数据本身就有难题。

比如那些标注的标签，有时候是为了撇脱起见随意糊过来的，有时候是出于算法本身自带偏见。我之前在帮一个做医疗诊断的实验室做数据清洗，那个团队想把患者的数据加入一个通用模型里。结局发现，要是直接把某些特定病种的大数据（比如儿科肿瘤）强行套用到成人脑部的模型上，准率反而掉了一半。

那些大模型天生就是为特定人群学的，跨物种、跨年龄的迁移，简直就像把婴儿模型塞进成人相机里，啥都看不见。 不过话说回来，数据确实让大量事变得好办了。

比如做金融风控，那会儿靠经验看报表，目前靠模型比哪位更懂那些潜规则。别看模型间或也会翻车，但起码它在某些极端情况下，比人类直觉快得多。就像那个"Climate Shift"模型，在那些老旧但稳定的社区，它比人工巡检更能发现隐患；而在快节奏的新城区，它又能适应那些动态变化的规则。 只是这种“更快”是有代价的。

像是在那个二手车案例里，模型别看能预测车主的想法，但它根本不知道啥叫“人心”。它只能基于那会儿的数据规律去猜，一旦用户行为形成突变，模型就会失效。就像我们在训练时看到的，那些“Panoramic City"模型，别看能看懂复杂的城市结构，但却无法理解某个具体社区居民对某种建筑形状的微妙偏好。 我也在想，是不是得暂停这种无意义的拼凑？还不如让模型去记那些无涉紧要的数据，不如让它学会真正的逻辑。但现实是，只要数据还在，哪位也没法彻底摆脱这双“看不见的手”。我们看到的模型，本质上还是数据的一局部，是数据被加工后的影子。 有时候看着屏幕上的数值跳动，我会认定像是看着某种生存本能。模型在寻找最优解，它想把海量的混乱信息压缩成清楚的判断，哪怕这些判断有时候会偏离事实。就像我们在做那个"QualityGuard"模型时，别看它预测出了准率，但它一直缺个“人”来做最终一道把关。 今晚还在为数据的事折腾，老板又在群里催更实验进展。他问：“目前的模型是不是越来越强了？”我回复了一个“大约”。他接着问：“有没有看到啥令人意外的？”我说：“有的，有时候数据会骗人。” 这话听起来挺贬低，但毕竟是确实。数据能够训练出任何模型，也能够训练出任何偏见。我们需求的不是每次都让模型变得更智慧，而是学会如何跟它相处，如何在它的推断之外，保留一点点人类的判断力。

毕竟，机器能记住数据，但只有人才能记住那些数据背后为啥如此关键。 窗外天色渐亮，实验室里的空气启动流动，混杂着咖啡和机油的味道。刚刚那个模型跑完最终一轮，损失函数终于收敛到最小值，那个数字长得挺漂亮，像极了所有科研人员的野心。只是没人知道，等到第二天早上看着报表时，它又会照常胡说八道。 这大约就是数据的宿命吧。一辈子期待新的数据，一辈子恐惧旧的陷阱，一辈子在寻找下一个“奇迹”，却忘了有时候，那些看似完美的训练代码，不过只是人类对未知世界的一次拙劣模仿。