玻尔百科在一个以持续变化为特征的世界里，科学家如何找到可预测的规律和稳定的属性？从湍流的混沌运动到人类心脏的波动节律，许多系统似乎过于复杂，难以描述。然而，在这表面的混沌之下，常常隐藏着一种深刻的统计一致性，即平稳性。这个概念提供了一个强大的框架，用于在变化中寻找秩序，是我们建立可靠模型和理解波动数据所依赖的基石。它解决的核心问题是，如何从其微观组分处于永恒、不可预测运动的系统中，提取出稳定且有意义的信息。
本文将分两部分探讨平稳性概念。首先，在原理与机制部分，我们将解析平稳性的基本定义，探讨其产生的条件以及严平稳和宽平稳形式之间的关键区别。我们将看到它如何为微观动力学和宏观可预测性之间架起一座至关重要的桥梁。随后，在应用与跨学科联系部分，我们将跨越科学领域，见证这同一个理念如何在流体动力学、演化生物学、神经科学和人工智能等不同领域中，成为不可或缺的工具，支持着从天气预报到理解人脑的各种研究。
想象一下站在一个巨大的瀑布前。眼前是狂暴而混沌的景象。无数的水滴沿着复杂、不可预测的路径运动，在狂乱中碰撞、翻滚。然而，退后一步看，整个瀑布却显得恒定而永恒。它的整体形状、产生的轰鸣声、弥漫的水雾——这些宏观特征持续不变。这个美丽的悖论抓住了平稳性的本质：一种微观细节在不断变化，但系统的整体统计特性随时间保持不变的状态。平稳性是科学中最深刻和最有用的概念之一，它在支配单个部分的确定性定律与描述整体的统计规律之间，扮演着至关重要的桥梁角色。
平稳性的核心是一种关于对称性的陈述。正如物理定律不依赖于你在空间中的位置（空间平移对称性）或你面对的方向（旋转对称性）一样，一个平稳过程的统计行为也不依赖于你观察它的时间。这就是时间平移不变性原理。
更精确地说，如果一个过程的所有统计特性都对时间平移不敏感，那么它被称为严平稳。如果我们将系统在时间 的一个属性表示为 ，这意味着对于任何时间平移 ，观察到序列值 的联合概率与观察到序列 的联合概率完全相同。这些统计量只依赖于时间差 ，而不依赖于绝对的起始时间 。过程的整个统计图景在时间上是“冻结”的。
这是一个非常强大且苛刻的条件。幸运的是，对于许多实际应用，我们不需要了解过程的所有信息。通常，我们只关心几个关键属性，比如某个量的平均值或其波动的典型幅度。这引出了一个更宽松、更实用的定义：宽平稳性。如果一个过程的前两个统计矩是时不变的，那么它就是宽平稳的：
这个较为温和的要求通常是进行可靠数据分析所需的全部。例如，如果我们想从一个模拟中计算某个量的平均值，只要其潜在均值是恒定的（宽平稳的第一个条件），就足以确保我们的样本均值是无偏估计。而如果我们想计算该平均值的误差——这取决于数据中的相关性——协方差结构随时间稳定（第三个条件）的特性，使得我们能够可靠地进行计算。
一个系统是如何达到这种统计平衡状态的呢？答案在于系统的动力学与不变测度概念之间的相互作用。
想象一下，在一杯水中滴入一滴墨水并搅拌。最初，墨水是一个集中的小团——一种高度特定、非均匀的状态。搅拌充当了系统的动力学。它拉伸并折叠墨水，使其在水中扩散。随着时间的推移，最初那滴集中墨水的记忆消失了，墨水变得均匀混合。一旦发生这种情况，系统就达到了统计平衡。在任何小体积内，经过短时间平均的墨水浓度将是恒定的。这个均匀混合的状态就是系统的不变测度。如果你能以某种方式从墨水已经完美混合的状态开始，那么任何进一步的搅拌都会使其保持完美混合。该分布在动力学作用下是“不变的”。
对于许多被建模为马尔可夫过程——即未来状态仅依赖于当前状态，而非过去状态——的系统来说，这个思想是核心。马尔可夫过程由一个转换规则驱动，通常写作一个核 ，它规定了从一个状态转移到另一个状态的概率。一个不变测度，记作 ，是一个概率分布，当被这个转换规则作用时保持不变；用算子表示法，这就是那个优美的定点方程 。
这就引出了一个关键的联系：一个时间同质的马尔可夫过程是严平稳的，当且仅当其初始状态是从一个不变测度 中抽取的。如果你从其统计平衡状态启动该过程，它将永远保持在该状态。系统向这个状态松弛的过程，就像墨水混入水中一样，被称为平衡化。到达该状态后的时期是生成阶段，在此期间我们可以观察到系统永恒的、平稳的属性。
平稳性的力量在于它允许我们用时间平均来代替系综平均。系综平均是一个理论上的平均，它对系统可能处于的所有状态进行加权平均，权重是这些状态的概率。这通常是像统计力学这样的基础理论提供给我们的。而时间平均是我们实际可以测量的：我们长时间观察一个单一系统并对其行为进行平均。
对于一个同时也是遍历的——意味着单一轨迹能以代表性的方式探索所有可及状态——平稳系统而言，这两种平均是相同的。这个以平稳性为基础的遍历性假说，是现代科学诸多分支的基石。
考虑湍流中流体的流动。任何一点的速度都在剧烈地、混沌地波动。预测单个流体粒子的确切路径是不可能的。然而，如果湍流在统计上是平稳的（例如，通过能量输入与耗散平衡的方式强迫流动），我们就可以测量有意义的、稳定的量，如平均速度或能量耗散率。此外，我们可以引入平稳性的空间类似概念。均匀性是指对空间平移的不变性（各处的统计特性相同），而各向同性是指对旋转的不变性（在所有方向上统计特性看起来都相同）。当这些强大的对称性假设适用时，它们能极大地简化原本棘手的湍流数学问题。
在材料科学和化学中，我们使用像分子动力学或蒙特卡洛这样的计算机模拟来预测材料属性。我们不可能模拟所有可能的原子排列。取而代之的是，我们运行一次单一的、长时间的模拟。我们首先让它运行一个平衡化或“预烧”期，等待它忘记其人为的初始条件，并稳定到平稳的玻尔兹曼分布。一旦达到该状态，我们就可以对后续“生成”轨迹上的能量或压力等属性进行平均，以获得宏观行为的精确预测。
这个原理远远超出了物理科学的范畴。在生态学中，一个物种群落可能不处于一个简单的、静态的平衡点。相反，它可能处于一种“统计平稳”的状态，其中种群由于随机的出生、死亡和环境变化而波动，但这些波动的长期统计特性（如平均种群规模和方差）是稳定的。这提供了一个比固定不变的平衡概念更为动态和现实的自然图景。
将平稳性与相关概念区分开来至关重要。
平稳性是一个可以应用于所有这些情况的统计概念。一个处于真正平衡态的系统，一旦达到该状态，将在平衡态周围表现出平稳的波动。一个处于非平衡稳态的系统也将表现出平稳的波动。统一的特征不是没有变化或通量，而是该变化的统计特性具有时间不变性。
在现实世界中，无论是分析模拟数据还是实验数据，我们都无法得知底层的概率分布。我们只有一个有限长度的时间序列测量值。我们如何判断它是否来自一个平稳过程？我们无法最终证明它，但我们可以进行统计侦探工作来寻找证据。
因此，平稳性不仅仅是一个数学上的奇趣概念。它是自然界一个深刻的对称性原理，也是一个使我们能够理解复杂、波动系统的基本假设。从瀑布永恒的轰鸣到原子的精巧舞蹈，再到星系的混沌旋转，平稳性的概念让我们在混沌中找到秩序和可预测性，揭示出一个在深刻的统计意义上永恒不变的宇宙。
在我们完成了对平稳性原理的探索之后，人们可能会留下这样的印象：它是一个颇为抽象的数学概念。一个其统计特性永不改变的过程——在宇宙中哪里能找到这样的东西呢？毕竟，世界是一首由变化、生长与衰败、演化与革命谱写的交响曲。但这正是这个概念天才之处的体现。平稳性并非要否认变化，而是要找到支配变化的恒定法则。它是我们得以立足观察潮起潮落的坚实地面。通过假设（哪怕只是一瞬间或在有限的空间内）游戏规则是固定的，我们便获得了一种近乎神奇的能力，来理解世界上最复杂和最混沌的现象。让我们来探索这个强大而单一的理念，如何成为贯穿广阔的科学与工程图景的一条统一线索。
平稳性或许最根本的馈赠，是它让我们得以在理论的概率世界与实践的测量世界之间，架起一座桥梁——物理学家称之为遍历性假说。
想象一下试图描述一条湍急的河流。在任何给定点，水流速度每时每刻都在剧烈波动。这是一个典型的混沌例子。我们如何可能为一个点的“流速”赋予一个单一的数值呢？答案在于平均。如果河流的整体流动是稳定的——意味着上游产生湍流的条件没有改变——那么我们可以假设该过程在时间上是统计平稳的。这一信念的飞跃让我们能够做一件了不起的事情：我们可以坐在一个地方，长时间地平均速度。以平稳性为基础的遍历性假说向我们保证，这个时间平均将与“系综平均”相同——也就是如果我们能以某种方式在同一瞬间测量一百万个平行宇宙中的速度所得到的平均值。正是这个思想，构成了流体动力学中雷诺分解的基础，其中一个混沌的流场 被分解为一个平均分量 和一个脉动分量 。能够用一个完全可行的时均来替代一个不可能计算的系综平均，这使得对湍流的研究成为可能。
这座“遍历性之桥”并不仅限于时间。考虑一下定义多孔岩石的渗透率或复合材料的电导率等属性的挑战。在显微镜下，材料是不同组分和空隙的混合体。其属性在点与点之间急剧变化。然而，我们希望为其赋予一个单一的、宏观的数值。如果我们假设材料是统计均匀的——这只是空间平稳性的另一个名称——我们就可以做到这一点。这个假设让我们能够论证，在一个足够大的材料块——即“代表性单元体积”(Representative Elementary Volume, REV)——上进行的平均，将给我们一个稳定的、能代表整个介质的数值。我们空间平均估计的方差随着体积的增大而缩小，精确地因为底层的统计变异是平稳的，所以它会收敛到一个单一、可靠的数字。然后我们就可以自信地谈论“砂岩的渗透率”，而无需描述每一个孔隙和颗粒。从湍流涡旋的混沌到异质材料的复杂混乱，平稳性让我们能够平均掉复杂性，提取出一个稳定的、宏观的现实。
在生命科学中，系统几乎从未真正平稳。生物体生长、适应并对环境做出反应。在这里，平稳性扮演着一个不同但同样至关重要的角色：它作为我们测量有意义变化所必需的基线。要知道某事是否出了问题，你首先必须知道“正常”是什么样的。
考虑监测未出生婴儿心率的精细任务。心率在不断波动，这是神经系统活跃的健康迹象。但胎儿也会在睡眠和活动状态之间循环，大约每20到40分钟一次。在这些不同状态下，平均心率是不同的。那么，我们如何定义“基线”心率来监测窘迫的迹象呢？我们面临一个权衡。我们需要一个足够长的时间窗口来获得良好的统计平均，但这个窗口又必须足够短，以确保胎儿不会改变其行为状态。选择一个大约10分钟的窗口是解决这个问题的一个绝佳而务实的方案。它足够长，可以平均掉短期变异性并获得精确的估计，但又足够短，可以假设潜在的生理过程是近似平稳的。这是一个窥见稳定瞬间的窗口。
这个想法延伸到成人 生理学。心率变异性 (HRV) 的分析为我们提供了了解自主神经系统健康状况的窗口。其中最强大的工具之一是功率谱密度 (PSD) 分析，它将心率信号分解为其组成频率。但是这种方法，作为物理学和工程学界的一份礼物，完全建立在协方差平稳性的假设之上。一个非平稳信号没有单一、明确定义的频谱。通过分析心电图的短时、准平稳片段，我们可以计算出有意义的频谱，并测量与神经系统不同分支相关的频带中的功率。正是平稳性的假设，将一个波动的时间序列转化为我们身体内部调节的量化指纹 [@problem-id:3922111]。
将尺度放大，我们可以对整个生态系统提出同样的问题。当生态学家谈论一个群落处于“平衡”状态时，他们是在引用平稳性这一统计概念的生物学类比。一个物种数量的平稳时间序列表明系统在一个稳定的吸引子周围波动。而一个非平稳的序列则指向一个处于变化中的系统——也许正在从一次干扰中恢复，追踪变化的气候，或正走向一个新的状态。生态学家现在拥有一套复杂的统计检验工具来诊断偏离平稳性的情况，寻找趋势、突变或变化的方差。这些检验有助于将抽象的生态学平衡概念转化为一个具体的、可检验的假设。
最后，我们可以放大到最宏伟的时间尺度：演化。“分子钟”假说，作为现代演化生物学的基石，是关于平稳性的一个深刻陈述。它提出，基因突变在数百万年的时间里以大致恒定的速率积累。这实际上是一个双重假说：首先，替换过程在谱系内部是平稳的（时间同质的），其次是更强的论断，即该速率在不同谱系之间是相同的。虽然第一部分是常见的建模假设，但正是第二部分——生命之树上速率的恒定性——构成了严格的分子钟。当它成立时，它允许我们使用遗传差异来确定演化分歧的年代，就像阅读用DNA语言写成的时钟一样。当它不成立时，正如经常发生的那样，速率变化的模式本身就告诉了我们一些关于那些物种演化的有趣信息。
在我们这个数据泛滥的现代世界里，我们不断尝试建立模型来预测未来，并更具雄心地去理解因果关系。在这些复杂系统的领域中，平稳性扮演着一种指导原则的角色，一个使推断成为可能的“机器中的幽灵”。
考虑为电网预测电力需求的实际挑战。每小时负荷的原始数据明显是非平稳的，主要由可预测的日、周和季节性周期主导。一个幼稚的模型会惨败。时间序列预测的艺术，正如SARIMA等模型所体现的，通常是追逐平稳性的过程。通过系统地建模和移除季节性模式和趋势（一个称为差分的过程），预测者旨在转换数据，直到剩余的残差序列是平稳的。这个平稳的残差可以被有效地建模，从而实现稳健的预测。最终的预测是通过将可预测的非平稳模式加回去构建的。在这里，平稳性不是关于原始数据的假设，而是一个促成建模的目标。
当我们观察大脑时，对结构的探索变得更加深刻。神经科学家希望了解不同大脑区域如何沟通——绘制大脑的“功能连接性”。他们有一系列工具来做到这一点，从简单的互相关到更复杂的度量，如互信息。哪种工具是正确的？答案取决于人们愿意做出的平稳性假设的强度。要使用基于二阶统计量的度量，如相干性或相关性，我们只需要假设宽（或协方差）平稳性——即均值和协方差结构是时不变的。但要使用更强大的、基于分布的度量，如传递熵，我们必须假设严平稳性——即整个联合概率分布是时不变的。因此，我们能提出的科学问题受到了我们在数据中假设的稳定性性质的制约。
这引向了最终目标：区分相关性与因果关系。当一个城市实施口罩强制令后，流感病例下降，我们能说强制令导致了下降吗？间断时间序列 (ITS) 设计是解决这个问题的一个强大工具，其逻辑依赖于一种形式的平稳性。核心假设，有时被称为“结构平稳性”，是潜在的因果系统是稳定的，并且干预前的趋势在没有发生干预的反事实世界中会保持不变。正是这种对系统轨迹稳定性的假设，提供了识别和衡量因果效应的基线。
同样的逻辑现在正被构建到人工智能和数字孪生中。旨在从时间序列数据中发现因果关系的现代算法必须做出一个三足鼎立的假设：因果充分性（没有未测量的共同原因）、忠实性（没有完美的抵消），以及至关重要的平稳性。在这种背景下，平稳性是假设因果法则本身不随时间变化的。正是它允许算法汇集来自不同时间点的数据来学习一个单一的、潜在的因果图。没有它，我们没有理由相信过去发现的因果联系今天仍然成立。这是一个基础性假设，与简单的相关性分析不同，它帮助铺平了从“是什么”到“为什么”的漫长道路。
从溪流中最小的涡旋到演化的宏大画卷，从微小心脏的跳动到我们未来的智能机器，平稳性的概念都是一个不可或缺的工具。它并不声称世界是一成不变的。相反，它为我们测量、理解和模拟其变化性质提供了坚实的立足点。它是一个简单而深刻的理念：即使在一个变动不居的世界里，有些规则依然保持不变。