观潮 · 模式预报与气象 AI 观察
因果指纹：统计量分不开的两套隐藏机制，按事件逐时段比对后验就能分开
> 部分观测的动力系统里，不同的隐藏机制可以给出几乎一样的可观测量统计特征（概率分布、自相关、能谱），但对同一次事件的解释完全不同。作者提出的「因果指纹」是一条 realization 相关的曲线：在每个时刻比较只用当前及过去观测得到的滤波后验，与再加入一段未来观测后得到的平滑后验，用 KL 散度度量这段回顾式信息增量，并让未来窗口逐渐拉长，看它怎么衰减。指纹同时给出隐藏影响的强度和时域影响范围，而这两者在不同事件、同一事件的不同阶段都会变。作者把边界写得很清楚：这是「相对于模型」的诊断，不是无模型的干预式因果证明。
缺的是哪一块
复杂动力系统大多是部分观测的：观测变量只是完整状态的一小部分，其余变量因为观测有限、模式粗粒化或者本身的多尺度结构而隐藏。这些隐藏变量往往是慢变的环境驱动、未分辨的次网格或小尺度过程、以及潜在的调节机制。
难处在于，不同隐藏机制能产生非常相似的可观测统计量，所以只靠可观测量做模式识别，会同时容得下好几种对潜在动力的解释。而隐藏变量对可观测演化的影响，在不同轨迹上、在同一事件的不同阶段可以差很多，因此时间局地、逐事件的诊断特别重要。
已有因果推断框架（Granger 因果、转移熵、图模型方法）擅长在「已观测或能可靠重建的变量」之间找统计或预测关系，但在本文关心的设定里有两个困难：一是驱动观测演化的变量本身就是隐藏的；二是它们的影响沿轨迹变化很大，从长记录里学出来的关系会漏掉只在某次事件或某个阶段才重要的机制。另一类方法（信息流表述、扰动试验、响应理论、涨落耗散）用控制方程刻画方向性熵传递、敏感性或响应，但本文的问题不同：给定一条观测轨迹，重要因果变量仍然隐藏，而若干候选模式为这条轨迹背后的潜在动力提供了互相竞争的解释。
指纹怎么算
思路是贝叶斯反问题的视角：如果某个隐藏状态影响了后续的观测演化，那么后来的观测就应该携带关于它的信息，可以反过来锐化对那个早期状态的推断。
具体做法是拿数据同化来比两个后验：滤波后验只用截至当前时刻的观测，平滑后验则在当前之后再纳入一段未来观测。两者之间的 KL 散度就是这段「回顾式信息增量」。把未来观测窗口逐渐拉长，看这个量怎么随窗口变化，就能追踪隐藏状态的信息在后续观测里留存多远；沿轨迹重复这个比较，就能看这个型态在事件之间、以及在发生、发展、峰值、衰减各阶段怎么变。
关键性质是：观测轨迹是固定的，而对隐藏状态的推断取决于候选模式。所以同一条观测、不同候选模式算出来的指纹，直接暴露出这些模式把隐藏影响放在了哪些时刻、哪些阶段。
要素 · 含义
滤波后验 · 只用截至当前时刻的观测对隐藏状态的估计
平滑后验 · 再加入一段未来观测之后的估计
指纹值 · 两者之间的 KL 散度
未来窗口 · 逐渐拉长，追踪信息留存多远
沿轨迹重复 · 看不同事件与不同阶段的型态差异
线性高斯里能算出闭式解
在线性高斯系统中，滤波分布、平滑分布和指纹本身都能解析求出，作者由此导出了隐藏因果影响时域范围的一个特征指纹时间尺度，并把记忆效应拆成两项：反馈诱发的状态记忆（过去的观测值通过反馈强迫进入隐藏状态，再驱动当前演化）和隐藏噪声记忆（过去的隐藏随机强迫通过随机卷积带入当前动力）。
两组检验都用「完美模式」生成一条固定参考轨迹，再由完美模式和替代模式分别作为推断模型，在同一条实现轨迹上算指纹。替代模式省略或压制了完美模式里的某些机制，但被标定成能复现相同的选定可观测统计量（均值、方差、去相关时间）。
- 检验一：完美模式同时含反馈诱发状态记忆和隐藏噪声记忆，两个替代模式分别去掉前者、强压后者。结果：统计量对得上，但指纹的强度和时空结构都变了。
- 检验二：完美模式含慢、快两个隐藏强迫分量，替代模式是只含单一分量的低维模型。结果：单分量替代能复现快分量边际指纹的特征，但在更长的未来窗口上漏掉了慢分量的贡献。
非线性例子：同一条轨迹上的机制归属
现象 · 两套竞争机制
间歇性极端爆发 · 乘性不稳定 vs 加性隐藏强迫
振荡变率 · 确定性非线性反馈 vs 状态依赖随机强迫
形态转换与临界翻转 · 确定性双稳态 vs 隐藏双势阱强迫
三个例子里，两个模型的参数都被数值优化到让选定的可观测统计量彼此贴合，统计量由各自 24 条独立长轨迹平均得到。
爆发这个例子最有画面感。用乘性不稳定模型生成的轨迹，自洽情形下它的指纹在爆发发生和早期发展阶段就有强响应——此时真实隐藏状态升过不稳定阈值，驱动增长走向大振幅爆发；而用加性强迫模型当推断模型时（机制错配），强响应出现得更晚、更靠近观测峰值。作者解释这个时间位移正对应两种机制：前者是较早的持续不稳定让指数放大把爆发堆起来，后者是强隐藏强迫直接驱动局地变化。两种情形下，强响应都不会延续到爆发衰减阶段——那时观测已经把滤波估计约束得很紧，平滑器加不进什么信息，指纹就很弱。
ENSO 例子里，La Niña 发展阶段两种机制的响应不同，说明确定性非线性反馈与状态依赖随机强迫给隐藏的「充能状态」分配了不同角色。形态转换里，确定性双稳态的指纹在转换期间和形态内波动时都有响应，而隐藏双势阱强迫的指纹更集中在转换附近。
原文图
图：线性高斯检验一里指纹随未来观测窗口 τ 的变化曲线，上排为振荡形态、下排为非振荡形态，三列依次是完美模型、去掉反馈的替代模型、由反馈记忆主导的替代模型，每条曲线对应一个观测时刻 t。完美模型的指纹随观测时刻明显起伏，两个替代模型的曲线则很快饱和成平台——统计量虽然被调到一致，指纹的强度和随窗口变化的形状已经完全不同。
图：检验二里完美模型指纹的分解，四列依次是联合指纹、慢分量边际指纹、快分量边际指纹与残差，上排是随观测时刻 t 与未来窗口 τ 变化的平面图，下排是取四个代表时刻后的剖面。慢分量的贡献集中在中长时间窗口上（斜向的亮带），快分量则近乎均匀地铺满整个 τ 轴——单分量替代模型能复现快分量那部分，但在长窗口上漏掉慢分量的贡献。
作者承认的限制
- 这是相对于模型的诊断，不是无模型的干预式因果证明。 原文原话：指纹的机理解释取决于候选动力结构、所选的隐藏状态表示，以及滤波与平滑分布的精度。
- 它不能单独判定哪个候选机制是真实的物理机制。 指纹揭示的是不同模式如何把隐藏影响分配给同一段观测演化，而不是「谁对」。
- 非高斯情形下多一层近似。 作者说这类情形下的近似后验方法（4.3 节的集合计算）会额外引入一层近似。
- ENSO 试验本身还是模式生成的轨迹。 参数选择用了观测统计量，但因果诊断用的是模式生成的轨迹；把框架用到真实观测上是后续方向。
- 高维情形未展开。 多个隐藏与观测变量相互作用时，如何分离各隐藏过程对不同观测变量的联合与单独贡献、并随时间追踪，作者列为关键未解问题。
一句话判断
当两个模型把均值、方差、去相关时间都调到一样却仍讲出不同的故事时，因果指纹提供的是「按事件、按阶段」那一维信息——它不告诉你哪个机制是真的，但能告诉你每个模型把隐藏影响放在了哪一步。