不只是预测：动力学学习中「记忆」的五重境界

本文系统梳理了动力学学习领域中“记忆”机制的五个发展阶段，探讨了机器如何通过表示过去来预测未来。背景方面，随着观测数据的爆炸式增长，传统基于物理建模的预测方法逐渐转向数据驱动方式，但如何从时间序列中自动学习系统的演化规则仍是一个核心挑战。研究目的上，文章以“记忆”为主线，串联了Takens嵌入定理、Koopman算子理论、RNN/CNN/Transformer等深度学习模型、扩散模型与Neural ODE，以及基础模型（如TimeGPT、Aurora）等关键技术，旨在揭示半个世纪以来研究者如何让机器学会表示过去并预测未来。结论指出，记忆机制经历了从理论保证（Takens定理）到人工提取（Koopman算子）、自主学习（RNN等）、连续与概率建模（Neural ODE与扩散模型），再到跨系统通用预测（基础模型）的五重境界，最终实现了从简单预测到复杂系统动力学理解的跨越。文章强调，未来研究方向可能涉及元学习、通用智能以及连续与离散建模的统一。