LLM 与时空模型的分工边界：世界知识能否替代数值模式？

目录

一、导语：一个被工程实践逼出来的问题

设想一个城市交通指挥场景：系统一边接收“某路段发生追尾事故、占用两条车道”这样的文本事件通报，一边接收数万个 GPS 点构成的速度轨迹流。运营方希望系统回答“未来 40 分钟该路段排队长度会达到多少”。这个任务同时要求理解文本描述的事件语义与数值轨迹的动力学演化。当团队把大语言模型引入链路后，最常见的争论是：既然 LLM 读过海量语料、似乎“什么都懂”，能不能直接让它输出预测数值？

这个问题看似是模型选型，实质是知识类型与推理机制的匹配问题。LLM 的知识是参数化的、分布式的、以语言共现统计为载体的；时空数据的规律是动力学性的、受守恒律与边界条件约束的、以数值精度为评价标准的。二者不是同一类东西。笔者认为，把两者混为一谈，是当前不少“LLM+时空”项目效果不及预期的根源：模型在语义层面表现惊艳，在数值层面却系统性偏差，而团队误以为是“模型不够大”。

本文的主线可以一句话概括：LLM 负责“把世界翻译成约束”，时空模型负责“在约束下求解动力学”。这条主线不是折中主义，而是由两类系统的信息论属性决定的。下文将依次论证知识本体差异、分层架构、实证证据、工程步骤与能力边界。为便于读者延伸，文中穿插了若干公开教程与课程链接。

阅读提示：本文面向有一定时空建模或 LLM 工程基础的读者。若你更关注“怎么落地”，可直接跳到第五章的工程步骤；若关注“为什么”，第二、三章是论证核心。

二、背景与问题定义：两类知识的本体差异

2.1 什么是“世界知识”，什么是“数值模式”

先给定义。本文所称LLM 的世界知识，指模型在预训练语料中习得的、以参数形式存储的关于实体、事件、常识与因果倾向的统计关联。它的典型特征是：可被自然语言激活、粒度粗、缺乏显式单位与守恒约束、对反事实与长尾分布敏感。本文所称时空数值模式，指以微分方程、状态空间模型、图神经网络或时空 Transformer 为载体，对轨迹、场量、流量等随时间与空间演化的量进行显式建模与递推的系统，其评价标准是 RMSE、MAE、CRPS 等数值指标。

二者的差异不是“强弱”而是“种类”。一个直观类比：LLM 像一位读过无数交通新闻的资深记者，知道“追尾通常导致拥堵”；时空模型像一位握着流量守恒方程的交通工程师，能算出“两条车道封闭后第 37 分钟的排队长度”。记者可以快速给出定性判断与背景解释，工程师才能给出可验收的数值。本文评述：这个类比的价值在于它揭示了互补而非替代的关系，但它也有边界——当事件极其罕见（语料中几乎没有先例）时，记者的先验会失效，此时工程师的方程反而是更可靠的兜底。

2.2 为什么“直接让 LLM 预测数值”在原理上不成立

有三条相互独立的理由。第一，表示精度问题：LLM 的词表以子词为单位，数值需要被切分成 token 序列，回归任务被转化为分类/序列生成任务，天然损失连续精度。已有工作（如对 LLM 做时间序列预测的系统评测）反复观察到：在平稳、短周期序列上尚可，在非平稳、多变量耦合序列上误差显著放大。第二，约束缺失问题：语言模型的生成过程没有内建的守恒律、非负约束与边界条件，输出可能违反物理可行性。第三，分布外问题：极端天气、突发事故等长尾事件在语料中稀缺，而恰恰是这些事件最需要预测。

需要说明的是，这并不意味着 LLM 在数值任务上毫无价值。近年出现的“LLM 作为时间序列预测器”研究（如 PromptCast、Time-LLM、LLMTime 等路线）表明，通过重编程（reprogramming）把序列映射到语言空间，可以在零样本或少样本设定下取得有竞争力的结果。但笔者要强调其边界条件：这些结果多建立在特定基准与特定预处理之上，且往往需要额外的对齐模块，其本质是“用语言模型做序列表示学习”，而非“用世界知识替代动力学”。把这类结果解读为“LLM 可以替代数值模式”，是对文献的过度外推。

2.3 问题重述：分工边界的三条判据

把模糊的“能不能替代”转化为可操作的判据，是本文的第一个方法论贡献。笔者认为，判断一个子任务应交给 LLM 还是时空模型，可依据三条判据：（1）输出是否为可验收的数值量——若是，交给时空模型；（2）规律是否主要来自语料共现而非动力学——若主要来自语料，交给 LLM；（3）错误代价是否可容忍定性偏差——若不可容忍，交给时空模型并让 LLM 只做辅助。这三条判据将在第五章展开为具体的任务分派表。

三、原理与技术路线：语义—动力学分层架构

3.1 分层架构的总图

本文提出的“语义—动力学分层”（Semantic–Dynamics Layering，SDL）把系统分为四层：感知层（文本事件抽取、轨迹清洗）、语义层（LLM 把事件与上下文翻译为结构化约束）、动力学层（时空模型在约束下求解与递推）、解释层（LLM 把数值结果翻译回自然语言并做一致性检查）。关键在于：数值只在动力学层产生，语义层与解释层不直接输出预测值。这条“数值单源”原则是架构可审计性的基础。

[文本事件] --感知层--> 事件三元组(类型,位置,强度,时间)
                          |
                          v
                   语义层(LLM): 生成约束集 C = {车道封闭, 通行能力下降比例, 影响半径}
                          |
[轨迹流] --感知层--> 状态张量 X_t
                          |
                          v
              动力学层(时空模型): X_{t+1} = f(X_t, C; θ)  --> 数值预测 + 不确定性
                          |
                          v
              解释层(LLM): 数值 -> 自然语言 + 与事件语义一致性校验

本文评述：这个架构看似朴素，但它把“LLM 是否可靠”这个难以回答的问题，分解为“约束集 C 是否合理”与“给定 C 后 f 是否准确”两个可独立验证的子问题。工程上，这极大降低了调试难度——当预测偏差出现时，可以分别做约束消融与模型消融，定位问题来源。这是分层相对端到端 LLM 方案最实际的收益。

3.2 语义层如何把文本翻译为约束

语义层的输出不应是自由文本，而应是受模式约束的结构化对象。推荐做法是定义一套领域约束本体（ontology），例如交通场景中的“通行能力折减系数”“影响半径”“持续时间分布”，再让 LLM 以函数调用或 JSON 模式填充。这样做的原因是：结构化输出可被动力学层直接消费，且可做类型校验与范围校验，避免 LLM 的“幻觉数值”直接污染预测。

一个常见误区是让 LLM 直接估计“通行能力下降 37%”这类精确数值。笔者认为，更稳妥的设计是让 LLM 输出区间与先验分布（如“下降 30%–50%，中位数 40%”），再由动力学层以参数不确定性形式传播。原因在于：LLM 对精确数值的校准能力有限，但对量级与方向的判断通常可靠；把精确性交给下游的概率模型，是对两类系统能力边界的尊重。这一设计也与贝叶斯分层建模的思想一致。

3.3 动力学层：约束如何注入时空模型

约束注入有三种典型方式，各有适用边界。第一种是输入注入：把约束作为外生变量拼接到模型输入，实现简单、通用性强，但对强约束（如硬性封路）表达力不足。第二种是结构注入：修改模型结构，如把路网邻接矩阵按封路事件置零，使信息传播物理上被阻断，表达力强但需要模型可微改。第三种是后验约束：在输出端做投影或拒绝采样，保证非负、守恒等硬约束，适合作为兜底。

本文评述：三种方式并非互斥，成熟系统通常是“输入注入为主、结构注入处理关键事件、后验约束兜底”的组合。需要提醒的是，结构注入虽然表达力最强，但它要求模型内部表示与物理拓扑对齐，一旦路网或传感器布局变化，维护成本会陡增。因此工程上应优先评估：该约束是否真的需要改变信息传播路径，还是仅需调整输入强度即可。

3.4 解释层：为什么它不只是“包装”

解释层常被视为可有可无的“话术层”，但笔者认为它承担两项实质功能。其一是一致性校验：让 LLM 检查数值结果与事件语义是否矛盾（如“封路后流量反而上升”），矛盾时触发告警而非直接输出。其二是人机接口：把不确定性、置信区间与关键假设翻译为决策者可理解的语言，这直接影响系统的实际采纳率。需要强调，解释层的校验是启发式的，不能替代动力学层的数值校验，二者应并行而非替代。

四、关键数据与案例：LLM 在时空任务上的真实表现

4.1 时间序列预测：有竞争力但有条件

近三年出现了多条“LLM 做时间序列预测”的技术路线。PromptCast 把数值序列转为文本提示，验证了零样本预测的可行性；Time-LLM 通过重编程把序列 patch 映射到语言模型的词嵌入空间，在多个基准上取得与专用模型相当的结果；LLMTime 则探索了数值 token 化与上下文学习的关系。这些工作的共同点是：都需要额外的对齐或重编程模块，并非“原样调用 LLM”。

本文评述：这些结果常被引用为“LLM 可以替代时序模型”的证据，但笔者认为这是误读。重编程模块本质上是一个表示学习适配器，它承担了把数值空间对齐到语言空间的工作；去掉它，LLM 的预测能力会大幅下降。换言之，这些系统是“LLM+适配器”的混合体，恰恰印证了本文的分层主张，而非否定它。此外，多数评测集中在公开基准的平稳片段，对非平稳、多变量、含外生事件的场景覆盖不足，外推需谨慎。

4.2 时空图与轨迹：LLM 的优势在语义而非数值

在轨迹预测与路网流量任务上，专用时空模型（如 STGCN、DCRNN、Graph WaveNet、时空 Transformer 系列）长期占据数值指标前列。LLM 的介入更多体现在三个位置：事件语义解析（把事故通报转为结构化约束）、跨源信息融合（把天气预警、施工公告与轨迹关联）、少样本冷启动（新区域缺乏历史数据时用语义先验初始化）。这些位置共同的特征是：输出不是最终数值，而是数值模型的输入或先验。

一个值得注意的实证现象是：在含突发事件的路段，纯数据驱动时空模型的误差会显著上升，而引入事件语义约束后误差可回落。这一现象在多个公开事故数据集的复现中被观察到（具体数值随数据集与预处理而异，读者应以原始文献为准）。笔者认为，这为“语义层注入”的价值提供了间接但一致的证据：LLM 的贡献不在于它算得准，而在于它让动力学模型“知道发生了什么”。

4.3 一个可复现的对照实验设计

为让读者能自行验证分层主张，本文给出一个最小对照实验设计（模拟数据亦可）。设置三组：A 组为纯时空模型；B 组为纯 LLM 直接预测；C 组为 SDL 分层（LLM 出约束、时空模型求解）。评价指标用 MAE、RMSE 与 90% 分位误差，并单独统计“含事件窗口”与“平稳窗口”的表现。预期（基于前述文献与机制推理）：B 组在平稳窗口尚可、事件窗口显著劣化；C 组在事件窗口相对 A 组有改善，且改善幅度与约束质量正相关。本文评述：这个设计的价值在于它把争论转化为可测量的假设，任何团队都能用自有数据检验，而不必依赖对某篇论文的信任。

五、工程落地：分工边界的操作路径与步骤

5.1 任务分派表：谁做什么

下表把典型子任务按第二章三条判据分派，可直接作为项目启动时的分工依据。需要说明，分派不是绝对的，边界任务应通过 5.3 的消融实验确认。

5.2 实施步骤：从零到可上线

第一步，定义约束本体。与领域专家共同列出可被事件影响的物理量及其取值范围，形成机器可读的 schema。此步决定后续所有环节的上限，建议投入足够时间。第二步，构建语义层。用少样本提示或微调让 LLM 输出符合 schema 的 JSON，并加入类型与范围校验；对越界输出做拒绝与重试。第三步，改造动力学层。按 3.3 选择注入方式，优先输入注入，关键事件用结构注入。第四步，建立评测协议。按 4.3 设计三组对照，固定随机种子与数据切分，报告均值与分位数误差。第五步，上线与监控。监控约束分布漂移与预测残差，设置解释层一致性告警。

本文评述：这五步中最容易被跳过的是第四步。很多团队在语义层“看起来不错”后就急于上线，结果无法区分误差来自约束还是模型，导致后续优化盲目。笔者认为，评测协议应在架构设计阶段就确定，而不是事后补做——这与软件工程中“测试先行”的逻辑一致。

5.3 消融与边界确认

边界任务（如“LLM 估计折减系数”与“模型自行学习折减”孰优）应通过消融确认。具体做法：固定动力学模型，分别用 LLM 约束、人工标注约束、无约束三组对比，观察事件窗口误差差异；再固定约束，替换不同规模的 LLM，观察边际收益是否递减。若 LLM 规模增大而收益饱和，说明瓶颈在约束本体设计而非模型能力，应回头优化 schema。这一诊断逻辑在工程上非常实用。

六、对比与局限：LLM 路线的能力天花板

6.1 三类方案的系统性对比

把纯时空模型、纯 LLM、SDL 分层三类方案放在同一坐标系下比较，可以更清楚地看到边界。纯时空模型在数值精度与不确定性量化上占优，但对文本事件“视而不见”；纯 LLM 在语义理解与交互上占优，但数值精度与物理可行性无保障；SDL 分层试图兼取两者，代价是系统复杂度与工程维护成本上升。笔者认为，这个权衡在多数生产场景中是值得的，因为可审计性与可定位性的收益往往超过复杂度成本。

6.2 失败模式清单

基于机制推理与公开实践，本文整理五类高发失败模式：（1）约束幻觉——LLM 编造不存在的事件属性；（2）量纲错配——约束单位与模型输入不一致；（3）时间错位——事件时间戳与聚合窗口未对齐；（4）过度约束——约束过强导致模型失去自适应能力；（5）解释层掩盖——语言层的流畅表述掩盖了数值层的偏差。每一类都应有对应的监控指标与回退策略，这是上线前的必做功课。

6.3 局限与不可回避的问题

必须承认，SDL 分层并未解决所有问题。其一，约束本体的完备性依赖领域专家，新场景冷启动仍需人工投入；其二，语义层与动力学层的联合优化仍是开放问题，当前多为分阶段训练；其三，端到端可微的语义—动力学联合模型尚不成熟，梯度难以穿过离散的结构化约束。本文评述：这些局限不是否定分层，而是指出分层是当前工程约束下的理性选择，随着可微约束与神经符号方法的发展，边界可能移动，但“数值单源”原则在可预见的未来仍应坚持。

七、结论与展望

回到开篇的问题：LLM 的世界知识能否替代时空数据里的数值模式？本文的结论是不能，也不应。LLM 的知识是语义性的、统计性的，时空模式的规律是动力学性的、受约束的，二者属于不同知识类型。合理的分工是：LLM 做接口层、约束注入器与解释器，时空模型做数值预测内核。这条“语义—动力学分层”主线，既解释了已有实证中 LLM 的“语义强、数值弱”现象，也给出了可操作的工程路径与评测协议。

展望未来，笔者认为三个方向值得关注：神经符号约束学习（让约束可微、可学习）、面向时空任务的 LLM 校准（提升区间估计的可靠性）、统一评测基准（覆盖事件窗口与非平稳场景）。在这些方向成熟之前，坚持“数值单源、分层可审计”是更稳妥的工程选择。对从业者而言，与其争论“谁替代谁”，不如先把约束本体与评测协议做扎实——这两件事的投入产出比，远高于追逐更大的模型。

主要参考文献