当复杂成为通行证：一个流体力学者对科研与转化的困惑

编者按：这是一篇关于科研方向的自我审视。作者来自流体力学领域，在十几年的求学和科研生涯后，转向了仿生流体力学与扑翼飞行器方向。随之而来的质疑是：“这不过是大学生科创，自娱自乐。”本文试图拆解这个质疑背后的逻辑，并反过来追问：什么才是科研？什么又是好的科研？流体力学领域这些年到底怎么了？

一、流体力学的发展：一条简要时间轴

流体力学的发展大致可以分为三个阶段：

1900—1970：理论框架形成。 边界层理论、湍流统计理论、均匀各向同性湍流理论、能谱理论，以及脉动方程和模式理论相继建立。这个阶段的核心，是从复杂流动现象中提炼出具有普适性的结构和规律。
1970—2000：计算流体力学工程化。 有限差分、有限体积、有限元等数值方法逐渐成熟，RANS、LES和DNS进入研究与工程应用，CFD开始服务于飞行器、汽车和涡轮机械等复杂工程系统。
2000—2026：工程模型持续改进，基础问题仍未破题。 壁面处理、转捩预测、混合RANS-LES、DES、WMLES以及模型修正不断发展；数据驱动建模、符号回归、物理信息方法和神经算子也快速出现。但在湍流封闭、复杂分离流和非平衡流动等基础问题上，仍缺少有足够说服力的理论突破。

三个阶段的主要特征和局限，可以概括如下：

阶段	主要特征	主要局限
1900—1970	理论概念集中涌现，学科基本框架逐渐确立	湍流问题仍未解决，理论与复杂实际流动之间存在明显距离
1970—2000	数值方法和计算能力快速发展，CFD实现工程化	计算能力的提升没有自动解决湍流封闭、转捩和复杂分离流问题
2000—2026	工程模型持续改进，数据驱动和AI方法提供了新的工具	工程层面的渐进改进较多，基础理论仍缺少普适性突破；新方法距离可靠、广泛的工业应用仍有距离

这里需要区分两个层面。工程湍流模型并非停滞：壁面处理、转捩预测、模型修正以及混合RANS-LES方法一直在解决实际问题。但美国国防部《CFD Vision 2030路线图2024更新版》明确指出，近年来RANS模型的发展没有出现显著进步[1]；相关国内综述也指出，现有理论对复杂壁湍流和非平衡流动的深层机制仍缺少统一解释[2]。

数据驱动湍流建模已经形成了包括参数反演、FIML、符号回归、张量基神经网络和神经算子在内的方法体系[3]。物理信息神经算子等方法也开始用于壁湍流模拟[4][5]。但这些方法目前主要在有限几何、有限工况或相对简单的问题上验证，尚不能被表述为“AI解决了湍流”。

以上不是否定工程进步，而是区分“把已有模型做得更好”和“提出新的普适性理论”。两者都重要，但不能混为一谈。

二、当“复杂”成为科研项目的通行证

科研项目越来越喜欢使用“多尺度”、“跨流域”、“极端条件”、“复杂耦合”等表述。这些问题当然真实存在，但问题在于：复杂场景的叠加，并不等于科学问题的深化。

在评审语境中，一个具体的基础问题容易显得题目太小、周期太长、成果不够显眼；一个包含多个尺度、多个场景和多个子课题的项目，则更容易体现体量。久而久之，研究者开始用复杂度包装渐进改进。

这类工作维持了学科产能，也解决了不少工程问题。但如果研究只停留在“某条件下某模型的适应性分析”，没有进一步回答其中的因果机制，那么题目虽然复杂，认识并没有因此加深。

我的判断是：

科研的深度，取决于对某个机制的因果揭示程度，而不是研究对象中叠加了多少种复杂性。

一个好的研究问题，至少应该说清楚：

在什么条件下，哪个物理量发生了变化；
这种变化由什么机制导致；
结论的适用范围和失效边界是什么；
别人能否通过相同方法重复这一结论。

三、什么是科研，什么是好的科研

我理解的科研并不复杂：提出一个尚未被充分回答的问题，用系统的方法逼近答案，并把过程和结论公开接受检验。

好的科研还应当满足几个条件：

问题足够具体。 例如研究“扑翼的气动特性”太宽泛；“在某一雷诺数和运动学范围内，柔性变化如何影响涡结构和推力”则是相对具体可研究的问题。
方法足够透明。 几何、运动学、边界条件、网格或粒子参数、计算设置和数据处理过程，都应当能够复现。
结论具有否定性。 不仅要说明什么时候有效，也要说明什么时候失效，以及为什么失效。
创新点能够定位。 是发现了新机制，还是获得了新数据，还是仅仅更换了一个构型？必须说清楚。
结果能够被别人使用。 如果同行可以用你的结论解释新的现象、设计新的实验，研究才真正进入了学科知识体系。

论文数量、项目级别和样机数量，都不能替代这些标准。

四、扑翼研究是不是科研

“扑翼不过是大学生科创”这个质疑，并非完全没有根据。

现实中确实有不少扑翼项目停留在这样的层面：购买一套结构，调试飞控，让飞行器飞起来，再拍一段视频。这样的项目可以是很好的工程训练，但不能因为样机飞起来了，就自动成为科学研究。

扑翼研究的特殊困难在于：做出一个能飞的样机并不算太难，解释它为什么能飞却很难。

五、AI for Science也不能替代因果解释

数据驱动方法和AI for Science为流体力学带来了新的可能性。参数反演、符号回归、张量基神经网络、物理信息方法和神经算子，都已经产生了有价值的研究结果。

但“使用AI”不等于“解决了问题”。目前许多方法仍然依赖有限的数据、有限的几何和有限的工况，距离复杂工程环境中的稳定应用还有很长的路。

因此，评价一个AI流体模型，不能只看网络结构和预测精度，还应当追问：

它能否在基准工况上复现已有结果？
误差是否有明确边界？
换一个工况后是否仍然成立？
模型是否揭示了新的物理机制，还是仅仅拟合了已有数据？

过去有人用“跨流域多尺度复杂耦合”包装研究，现在也可能有人用“神经算子、强化学习、大模型”包装研究。算法名称变了，问题却没有变：有没有可检验的因果关系？

六、成果转化不能等同于发论文和做样机

发论文是研究产出，拿项目是科研资助，做出样机是概念验证。这些都重要，但它们不等同于成果转化。

更严格的成果转化，应当是研究成果被研究之外的人，以独立于原课题资助的方式使用，并产生可以归因的价值。例如：

专利被企业购买或许可；
软件和数据被其他团队采用；
设计方案进入实际装备或产品；
研究成果形成独立的工程合同或应用关系。

按照这个标准，目前扑翼方向真正意义上的转化案例仍然极少。大多数工作仍处于技术储备和概念验证阶段。承认这一点，并不会否定扑翼研究的价值，反而有助于我们更准确地判断方向所处的阶段。

七、结语：深度不在名词里，而在因果里

从流体力学的发展来看，1900年至1970年是理论框架形成的时期，1970年至2000年是计算流体力学工程化的时期，2000年至2026年则是工程模型持续改进、数据驱动方法快速发展的时期。与此同时，一些基础问题仍然没有被真正解决。

这也是我转向仿生流体力学和扑翼飞行器研究后不断提醒自己的事情：不要从一个“用复杂度替代深度”的陷阱，跳进另一个“用样机掩盖机制缺失”的陷阱。

对学生而言，我希望大家在开始一个课题时，先问清楚：我要解释什么现象？哪个变量是原因，哪个变量是结果？结论在哪些条件下成立？别人能否重复？

对质疑我们的同事和同行而言，我也接受这样的要求：不要只看样机是否飞得起来，而要看问题是否定义清楚，数据和方法是否可复现，流动机制是否真正得到解释。

复杂名词可以成为经费申请的通行证，算力时长可以成为复杂名词的新版本，但因果关系才是科研的身份证。

参考资料

U.S. Department of Defense. CFD Vision 2030 Roadmap — Progress and Technology Highlights for 2024. 2024.
佘振苏、陈曦、未波波等：《应用结构系综理论发展壁湍流工程湍流模型》，《中国科学：物理学力学天文学》，2015，45(12): 124703. DOI: 10.1360/SSPMA2015-00444.
Cinnella, P. “Data-driven turbulence modeling.” arXiv:2404.09074, 2024.
Zhao, S. et al. “LESnets: Physics-informed neural operator for large-eddy simulation of turbulence.” Journal of Computational Physics, 2026.
Chen, S., Givi, P., Zheng, C., Jia, X. “Physics-enhanced Neural Operator for Simulating Turbulent Transport.” arXiv:2406.04367, 2024.

科研记录 | 从流体力学发展到扑翼飞行研究的几点思考