資料同化（data assimilation）

你有一個預測系統如何演化的模型——大氣、海洋、太空船的軌道——同時你也有一道進來的真實量測之流，每筆都有雜訊且不完整。模型與資料彼此不一致，一向如此。資料同化就是把它們融合的有原則的藝術：用進來的觀測持續修正模型運行中的狀態，以取得對真正在發生之事的最佳可能估計。

核心想法是兩個不完美資訊來源之間的加權妥協。每次更新時，你有模型對當前狀態的預報（連同其不確定性）以及一筆新觀測（連同它自己的量測不確定性）。最佳估計是一個偏向較可信來源的混合：各以其不確定性的倒數加權，於是精準的感測器把估計強烈拉向自己，而有雜訊的則幾乎拉不動它。接著你把模型推進到下一個時刻，重複。這正是線性系統卡爾曼濾波器的邏輯；對天氣與海洋建模那種龐大的非線性系統，像系集卡爾曼濾波器與變分方法（4D-Var）這類實用方案把同一想法推展下去，常透過跑一組模型副本來即時估計預報的不確定性。

資料同化是讓天氣預報得以運作、卻無人歌頌的步驟——它產生那個預報模式向前積分的最佳估計起始狀態，並驅動海洋建模、GPS 導航、機器人學與衛星軌道確定。誠實的框定是：它是一個反問題，並共享反問題的陷阱：它好不過模型與所假設的誤差統計，那些不確定性估計本身也是被模型化的、可能出錯，而餵入有偏差的觀測或過度信任一個有瑕疵的模型，都會默默地腐蝕結果。它不從雜訊中創造真相；它在誠實陳述的不確定性下，做出最站得住腳的妥協。