临空模型的发布确实令人印象深刻，不过从某种角度看，纯数据驱动的架构在临近空间强湍流场中可能面临一个更隐蔽的困境：数值耗散。
临近空间的大气运动并非任意的向量场，其大尺度结构受质量、动量、能量守恒的严格约束，本质上是具有辛几何骨架的哈密顿流。传统神经网络作为通用的 L² 逼近器，a priori 并不保证学到的相流保持体积元守恒。辛结构一旦被破坏，长期预测中必然出现非物理的能量漂移——这在高超声速飞行器轨迹推演中是致命的。
已有工作表明，物理信息神经网络将 PDE 残差作为软约束加入损失函数，能在一定程度上缓解这个问题。但值得商榷的是，对于临近空间这种多尺度、强非线性的场域，软约束是否足够？或许我们需要的是内禀的几何归纳偏置，比如在网络层中直接嵌入保体积映射，而非仅靠数据层面的惩罚项。否则，参数再多，也可能只是在拟合一种精致的幻觉。
