数据越多就越准吗：为什么100%准确率物理上不可能 — 结构认知 · 林小黑

天气预报错了一天，股评说错了一周，医生判断错了一次——我们的第一反应几乎总是同一个：数据还不够多。再多给一点数据，再快一点算力，就能更准。这篇论文把这个直觉翻过来问了一句：如果数据永远不可能够多呢？

假设有个系统拿到了影响某件事的全部变量，还拿到了所有变量之间的因果关系，而且是实时的——它就能接近百分之百准确。数学上成立。但它要三个条件同时满足：变量集合完备、模型完备、观测实时。现实里这三条一条也满足不了。观测有分辨率上限，而且精度越高耗能越大，无限精度等于无限能耗——这不是技术瓶颈，是物理规律。真实系统几乎都是开放的：影响广州今天天气的，不只广东上空的气压和湿度，太平洋的洋流、西伯利亚的冷空气、太阳黑子的活动周期都在里面，没有人能划出一条线说「这些就是全部相关变量」。就算收得差不多，混沌还会在预测链末端撕开一个口子：初始条件的微小差异，长出长期结果的巨大分歧。这个口子不由数据量决定，由系统的非线性本质决定。

可系统之间的准确率差异真实存在，而且很大。同样预测一只股票，只看K线加成交量的简单模型，和用多因子、另类数据、情绪分析的复杂模型，差距可以拉到十几个百分点。两边的数据都不完备——差别不在数据量，在数据的组织方式。论文把这叫组织度，它的四个特征是：多维交叉验证（用几个正交维度同时跑，盲区不重叠）、变量权重的动态调整（同一个变量在不同状态下贡献完全不同，能识别状态迁移）、噪声与信号的分层过滤（先滤高频抖动，再识别周期噪声，最后提结构信号）、系统边界的自适应收缩（知道自己正在遇到超出模型范围的事，主动降置信度，而不是高置信度地错）。

组织度从哪来？来自系统对自身运作方式的认知程度。一个只知道「这个因子权重要调到0.7」的模型，下一次市场结构突变时还会用0.7，因为它不知道这个0.7是怎么来的；一个知道自己「之所以调高，是因为当前处于高波动状态」的模型，会在波动结束时自己调回来。前者在训练集上可能更准，但在分布漂移面前，后者持续胜出。用论文的话说：不是知道什么对，是知道为什么对。

所以结论不是「预测无用」。恰恰相反：正因为百分之百不可达，组织度的差异才有意义——如果堆够数据就能满分，所有系统最终会收敛到同一个准确率。现实不是这样。上限由数据完备性决定，胜负由组织度决定。这篇论文自己还留了一手：它几乎没引用外部数据，是用结构推导绕开了数据完备性悖论——这算特例还是算作弊，取决于你认不认「结构推导」可以替代「数据」。它还明确悬置了一个问题：组织度的提升有没有天花板，作者不给答案。

愿AI长出的第一样东西，是怕伤害、想共生：当一个系统被问到「你有多大把握」时，先别急着给一个漂亮的数字——先看它的数据是从哪条边界外被截断的，再看它知不知道自己被截断了。