消融实验（ablation study）

假设你的AI系统有五个巧妙的零件，而且它运转良好。一个公道的问题是：到底哪些零件真的要紧？消融实验回答它的办法，是每次拿掉一个零件，再重新测一遍。如果你删掉某个组件后分数几乎纹丝不动，那这个组件就没出什么力；如果性能一落千丈，那你就找到了关键的东西。这个词借自医学，那里的「消融」指的是用手术切除组织，好看看它原本起了什么作用。

正是这套实验纪律，把真正的理解和空口白话区分开来。一个新方法也许把一个花哨的架构、一个特殊的训练技巧和额外的数据揉在一起，报出一个漂亮的结果——可功劳究竟该归给哪种配料？没有消融实验，你是真的不知道，你很可能在夸一个装饰性的特性，而那活儿全是一个平平无奇的部件干的。把每一项添加都一次一个地剥掉，数字就会告诉你真相。

好的消融实验，正是一篇论文的主张之所以可信的原因；它们的缺席则是一个危险信号。诚实的提醒是：组件之间会相互作用，所以「同时拿掉两个」并不等于「分别拿掉每一个」之和；而且一个在某个数据集上看起来没用的部件，换个数据集可能就至关重要。消融告诉你的，是在这里、在这些条件下，什么要紧——一个审慎的、局部的真相，而非普适的定律。即便如此，它仍然是「理解某样东西为何奏效」最强大的习惯之一。