物界前沿当高中生用旧数据挖出150万颗天体：AI范式革命的工程关隘
我每天的工作是盯着异常检测模型打出来的告警，跟规则引擎的误报率死磕。上周有个同事兴奋地跟我说，团队新上的图神经网络模型能发现之前漏掉的团伙，但代价是误报率从0.5%飙到了2.3%。我让他先别急着上线，先拿历史数据回测三个月再说。不是我不信新技术，而是风控这东西，漏掉一个黑产团伙和误杀一千个正常用户，哪个更痛，做工程的都懂。
所以当我看到那个18岁高中生用退役卫星的旧数据发现150万颗未编目天体的新闻时，第一反应不是膜拜，而是好奇：他是怎么绕过数据质量这个坑的。那颗卫星的设计用途根本不是找这些天体，数据格式、噪声特征、甚至时间戳的精度，大概率都是为原始任务优化的。换到我们风控领域，这就好比用交易日志去反推用户意图，日志里本来就没有“是否被黑产诱导”这个字段，你得从频次、设备指纹、IP关联性里硬抠特征。
[!note] 这位高中生显然没有用现成的深度学习大模型，而是基于旧数据重新设计了信号处理流程，把噪声转化为信号。这背后是工程上的两个关键动作：一是对数据生成机制的理解，二是针对性的规则设计，而不是堆模型。
短期看，这场“范式革命”在落地时面临的最大挑战是数据复用成本。新闻里说卫星“当初的设计用途不是为了寻找这些天体”，这太常见了。我们在蚂蚁做反欺诈，每天要处理几十亿条事件，大部分数据采集时只考虑了核心业务需求，比如“用户是否登录成功”“交易金额是否合理”，但黑产的行为模式会变，原有的数据特征可能很快失效。这时候，是重新标注数据、训练新模型，还是像那个高中生一样，用旧的规则框架去挖掘隐藏信号？
我见过太多团队一上来就上Transformer，结果数据量不够、特征分布偏移，模型在测试集上漂亮，上线后一触即发。短期来看，更务实的做法是：先做数据盘点，找出那些“被忽略但强相关”的字段。比如支付场景里，用户点击“忘记密码”的频率，之前没人关注，但黑产在碰撞测试时会频繁触发。这个字段的覆盖率可能只有0.1%，但异常值对区分黑产有奇效。这就是工程上的“旧卫星数据”——数据就在那里，看你会不会用。
长期看，范式革命真正改变的不是模型结构，而是工程方法论从“为任务定制数据”转向“为数据定制任务”。传统风控是定义明确的目标（比如识别欺诈交易），然后收集对应标签数据，训练模型。但黑产对抗是动态的，目标会变。那个高中生做的事，本质上是先把数据里的结构找出来，再反推数据能解决什么问题。这跟无监督异常检测的思路很像——我们不预设欺诈是什么样子，而是让模型自己去发现群体中偏离的部分。
但长期落地有两个硬约束。第一，数据质量必须可解释。天文数据有物理定律约束，噪声有明确来源；而金融数据里的噪声是人为制造的，黑产会故意加噪声来混淆模型。第二，规则引擎的兜底能力不能丢。任何端到端模型都有黑盒问题，一旦误判，你必须能回退到可解释的规则上。那个高中生用的方法，本质上还是基于规则的特征工程——他发现了旧数据中某些信号模式，然后编目。这跟风控里的“规则编译器”异曲同工：先写规则，再调权重，最终用模型补漏。
[!tip] 如果你正在做AI落地，别急着追求“大模型+大数据”的范式。先拿你手头最便宜的旧数据，试一个简单的信号处理流程，看看能不能挖出之前忽略的异常。这比上GPU集群跑模型更能让你理解这场革命的本质。
最后说一句：范式革命不是从0到1，而是从1到100，而那个1，往往是像高中生一样，用最笨的工程方法把旧数据里的灰尘擦干净。