你肯定遇到过这种情况——天气预报说降水概率30%，到底带不带伞？或者医生告诉你某种药有效率80%，这药对你到底管不管用？这些就是不确定性。从造飞机到找石油，不确定性无处不在，而且找规律已经不是单个学科能搞定的事了。
不确定性从哪来
搞不确定性量化的人最头疼的就是三个来源。第一个是参数不确定，比如地质勘探时采样点有限，地下的孔隙度只能靠猜。第二个是模型不确定，再牛的数学模型也是对现实的简化，总有些物理过程没考虑进去。第三个是计算不确定，计算机再厉害也得把连续问题切成小块算，切法不同结果就不同。
这三个问题叠加在一起，预测结果就会发散。比如石油公司预测储量，参数取平均值是一种结果，考虑参数波动又是另一种结果，再加上不同数值算法，最终可能差出几个亿的产值。
计算仿真成了主战场
二十年前研究不确定性主要靠解析推导，能算的问题少得可怜。现在计算机性能上来了，仿真成了主流手段。把参数的可能取值输入计算机，让模型跑成千上万次，看看结果都长什么样。
美国国家科学研究委员会在《2025年的数学科学》里专门强调了这事，说计算机仿真能实现对复杂系统的精确建模和状态预测。现在搞不确定性量化的人，数学底子要好，还得懂编程，更得了解具体领域的问题，一个人根本玩不转。
概率框架和非概率框架
不确定性量化分两大门派。概率派认为所有不确定性都能用概率分布描述，给参数假设个分布，算出来结果也是个分布。非概率派觉得有些不确定性根本没法谈概率，比如测量仪器有误差范围，但误差值落在范围内每个点的可能性并不相等。
这两派吵了很多年。概率派说非概率派太粗糙，非概率派说概率派太能猜。实际上两边都在发展，看具体问题用哪个更合适。核设施安全评估这种问题，保守的非概率方法反而更受青睐。
蒙特卡洛方法最常用
非嵌入式方法里蒙特卡洛是老大。简单粗暴，根据参数分布随机抽样，每个样本跑一次仿真，最后统计结果。好处是不用改原有仿真程序，直接并行计算就行。
坏处是收敛慢，想要精度提高一位，计算量得增加一百倍。所以搞出了拉丁超立方、准蒙特卡洛这些改进版，但还是有局限。算个均值还行，算尾部分布就费劲了。
摄动法适合小波动
嵌入式方法里摄动法历史最悠久。把随机参数在均值附近做泰勒展开，取前几项近似。计算量小，适合参数波动不大的问题。
但维度高了就完蛋，随机参数超过十个，展开项数爆炸。而且强烈依赖原方程的形式，换个方程推导全得重来。石油勘探这种参数成百上千的问题，摄动法基本使不上劲。
统计矩方法有闭包难题
统计矩微分方程法追求的是均值和方差这些统计量。通过对原方程做随机平均，推导出各阶矩的控制方程。思路挺巧妙，不用大量抽样也能知道结果分布。
问题出在低阶矩方程往往需要高阶矩信息。想算方差需要四阶矩，想算四阶矩需要六阶矩，永远关不上门。必须引入近似假设才能求解，这些假设好不好用又得靠实践检验。
分布法能获取完整信息
分布法更狠，直接推导系统状态的概率密度函数方程。如果能解出来，所有统计信息全有了。近几年数值算法有突破，可以和统计类方法结合使用。
对随机常微分方程和随机双曲型方程效果不错。但方程复杂了还是难解，计算量不比蒙特卡洛小多少。相当于把随机抽样的问题转化成了解高维偏微分方程的问题。
反问题的不确定性更麻烦
正向传播是已知输入参数分布，求输出结果分布。反问题是已知观测结果，反过来推输入参数。地质勘探就典型，地面测到地震波，反推地下结构。
这种问题往往解不唯一。不同的地质构造可能产生几乎相同的地震波记录。再加上测量误差，结果就更不确定。需要借助贝叶斯方法，把先验信息和观测数据结合，得到后验分布。
看到这你可能发现了，不确定性量化其实是数学、计算机、领域知识的交叉地带。你觉得未来十年，哪个方向的不确定性量化最可能取得突破？欢迎在评论区分享你的看法，点赞转发让更多人看到这个话题。
