模型-局部最优-别困在假峰

流行误解

局部最优常被听成：

1. 优化就是错的，别改进了。
2. 凡是局部的都要砸掉重来。
3. 只有数学家才谈局部/全局。

它描述的是搜索结构：在邻域内最好，不等于在全局最好；继续「只走上坡」可能永远到不了更高的峰。

定义

局部最优（Local optimum）：在某一邻域或某一表示/约束下，无法通过小步改进变得更好的状态；它可能远差于全局最优（Global optimum）。决策含义：识别自己是否在做「邻域爬山」，以及何时该接受暂时变差、扩大邻域或改问题表述。

它是	它不是
对搜索景观的警示	「存在全局最优且你必须找到」的保证
解释为何增量改进停滞	否定一切渐进交付
促使换表示/换算法/换约束	为推倒重来提供自动许可证

史源

优化与运筹、机器学习训练、进化搜索都反复遇到多峰景观。管理与产品里借同一图像：流程、定价、架构在既有约束下被调到很「滑」，但约束本身错了。它要对付的诱惑是：沉溺于可证明的局部提升，拒绝任何看起来像退步的跳跃。

适用场景

值得用：

• 指标长期微调不再动，怀疑表示或约束错了
• 架构/组织「越改越精致」但业务结果不动
• 超参、定价、推荐策略的爬山式调参
• 个人习惯：在错误目标函数上勤奋

先别用 / 慎用：

• 景观单峰或近似凸，局部即全局，瞎重启浪费
• 尚未榨干廉价局部改进，就昂贵推倒
• 「全局」无法定义（多目标冲突未声明）却空喊逃离局部

应用步骤

1. 写目标函数与约束：你到底在优化什么？哪些不能动？
2. 识别邻域：当前允许的「小步」是什么（改参数、改文案、改排班）？
3. 诊断停滞：小步收益是否已近零？是否反复在同一峰附近震荡？
4. 设计逃脱：暂时接受指标变差的探索；扩大搜索（新架构、新渠道）；改表示（换特征、换问题定义）；多起点重启。
5. 比较全成本：逃脱的切换成本 vs 困在假峰的长期损失。
6. 设停止规则：探索预算、时间盒；避免以「还可能有更高峰」永远不上线。

操作口令：

先问：我是在爬邻域，还是在选山？邻域收益耗尽时，才谈换山。

多域例证

调参：模型准确率

学习率、宽度在网格里越调越细，验证集不动。局部最优提示：换特征、换损失、换数据清洗假设，而不是第 50 次微调 dropout。

组织：会议效率

议程、计时器、模板把会开得很「高效」，但决策质量不升。邻域是会务技巧；山可能是「不该用会议做的决策类型」——换决策机制才是换山。

产品：转化率

按钮颜色、文案 A/B 到天花板。假峰外可能是定价、信任、物流——目标函数若只盯点击，会在错误山头修庙。

例外与坑

坑 1：浪漫化推倒重来

没有证据表明在假峰，重启是偏好不是方法。先证明邻域耗尽或约束错误。

坑 2：多目标装单峰

「全局最优」在未加权的多目标下不唯一。先声明权衡，再谈峰。

坑 3：与沉没成本纠缠

「已经在这套架构投了三年」不是留在假峰的理由；那是沉没成本。留下的理由只能是：换山的期望净收益为负。

用前自检

1. 目标与约束写清了吗？
2. 当前邻域与小步是什么？
3. 有没有证据表明邻域收益耗尽？
4. 逃脱方案是否含暂时变差的预算？
5. 停止规则有没有，以免永恒探索？

勤奋很贵；在错的山上勤奋更贵。