**慕尼黑，三天后**

排查进行到第三天，依然没有突破。

江临深几乎没怎么睡，眼下的青黑越来越重。会议室的白板上写满了可能的原因，又一个一个被划掉。托马斯团队也到了极限，有个年轻工程师因为连续熬夜晕倒了。

“这样下去不行。”第四天早上，江临深说，“我们需要换思路。”

“什么思路？”

“如果不是系统问题，会不会是……数据问题？”

托马斯愣住了：“数据我们检查过，输入输出都正常。”

“我是说训练数据。”江临深调出系统的机器学习模块，“这套系统的核心，是用了过去一年的生产数据训练出来的模型。如果训练数据本身就有偏差……”

“不可能。”托马斯很肯定，“训练数据是你们工厂提供的，我们反复验证过。”

“再验证一遍。”江临深坚持，“从最原始的数据源开始。”

这是一个庞大的工程。过去一年的生产数据，涉及几十万件产品，几百万条检测记录。中德团队分成两组，开始手动抽样复核。

江临深亲自带队。他坐在电脑前，一条一条地比对，眼睛盯着屏幕，一盯就是几个小时。有时候会突然停下来，揉着发疼的太阳穴，喝一口冷掉的咖啡。

第三天深夜，事情有了转机。

一个中国工程师发现了异常：“江总，您看这段数据。”

江临深凑过去。屏幕上是去年十月份的一批产品记录，合格率突然从99.5%跌到95.2%，然后又在一周内恢复到正常水平。

“这个波动……”

“我问过工厂那边，那周正好是设备大修，换了新的检测探头。探头精度更高，所以检出了一些之前漏掉的瑕疵品。”

江临深盯着数据，脑子里有什么东西在连接：“也就是说，那周的数据，其实更接近真实情况？”

“可以这么说。”

“但系统训练时，把这些数据当成了‘异常值’，权重降低了？”

工程师点头：“按照算法逻辑，突然的波动会被平滑处理。”

江临深站起来，在会议室里走了两圈。然后他猛地转身：“这就是问题所在！”

所有人都看向他。

“系统的训练目标是‘稳定’——它学习的是过去一年的‘平均表现’。但真实的生产环境，永远存在波动。设备更换、原料批次、甚至天气温度，都会影响细微的质量表现。”

“所以当系统遇到稍微严格一点的标准，或者稍微‘异常’一点的数据时，它就会误判？”

“对。”江临深回到电脑前，“它把合理的波动，当成了异常。把真正的合格品，当成了需要剔除的瑕疵。”

托马斯听完翻译，沉思了几分钟，然后重重拍了一下桌子：“天啊，您是对的！这是过拟合（overfitting）的典型表现——模型太贴合训练数据，反而失去了泛化能力！”

问题找到了，但解决起来更难。

这意味着要重新调整算法逻辑，要重新训练模型，甚至可能要重新定义什么是“合格”的标准。

“需要多久？”江临深问。

托马斯计算了一下：“最快……也要一个月。”

“太慢了。”江临深摇头，“国内工厂已经停产，等不了一个月。”

“那……”

“我们分两步走。”江临深快速做出决定，“第一步，先发布一个临时补丁，放宽判定阈值，让工厂恢复生产。第二步，我们重新设计算法，这次不是追求‘稳定’，而是追求‘智能’——系统要能识别正常波动，要能适应变化。”

“这需要大量的计算资源……”

“江氏集团会提供。”江临深打断他，“钱不是问题，时间才是。”

## **华南，一周后**

临时补丁发过来时，林见清已经连续工作了七天。