无需受控实验，ReRoute 让科学仿真模型学会回答「如果当初」
科学研究的很多核心问题，本质上都是反事实提问：如果当时的条件、干预或历史轨迹不同，结果会怎样？这类「what-if」查询恰恰是当前机器学习模型最薄弱的环节——它们能在观测数据上表现出色，却在独立改变相关输入时给出错误答案。
问题：相关不等于可分离
传统解法是补充受控仿真数据，把混杂在一起的变量显式解耦。但这条路径有三重代价：需要访问仿真器、计算开销高昂，而且会继承仿真器本身的建模假设。换句话说，想回答「如果」，先得造一个「如果」的世界。
ReRoute 的思路：用部分机制知识替代完整干预数据
来自 Dingling Yao、Kahaan Gandhi、Valentin Duruisseaux、Boris Bonev、Francesco Locatello、Anima Anandkumar 等研究者的论文提出了 ReRoute 框架，用于定向的科学反事实预测。它不需要受控干预数据即可完成适配，核心做法分三步：
- 将预训练骨干网络中被查询的输入固定到某个参考值；
- 通过已知的机制通路重新引入该变量的变化；
- 在原始事实数据上微调，把下游影响交给模型学到的动力学去处理。
作者为这一构造给出了因果可识别性结果，并在 Lean 中机器验证了核心论证。这意味着方法不仅有实验支撑，还有形式化保证。
实验：从可控系统到气候仿真
研究首先在一个精确解可得的受控平流-扩散系统中验证，ReRoute 能给出高精度的反事实预测。随后转向当前最先进的气候仿真模型：
- 在留出的耦合气候干预任务上，面对严重的 CO₂ 分布偏移，ReRoute 将综合气候误差降低 18.2%–31.8%；
- 在标准条件下，原有能力并未退化；
- 成本仅为「用额外受控仿真重新训练」的很小一部分，而且这还没算生成那些仿真数据本身的高昂开销。
更具说服力的是最后一组实验：在基于历史 ERA5 再分析数据训练的仿真器上，根本不存在反事实参考。即便如此，在固定 CO₂ 的反事实设定下，ReRoute 仍保留了显著更多的、由观测边界条件所隐含的地表增温信号。
为什么值得关注
气候仿真只是切入点。任何依赖仿真器做决策的领域——地球系统、材料、生物、工程——都面临同一个困境：观测数据丰富，但干预数据稀缺且昂贵。ReRoute 的价值在于，它把「必须拥有完整因果图」的门槛，降到了「只需一部分机制知识」。这未必能解决所有反事实问题，但它为科学机器学习提供了一条更现实的路径：不必先造出完美的实验世界，也能开始回答「如果当初」。
