近日，2026年第十六届APMCM亚太地区大学生数学建模竞赛中文赛项获奖结果正式公布。海南比勒费尔德应用科学大学2025级电子信息科学与技术专业学生李宜洋，凭借作品《受控、弱耦合与工况漂移下的自来水厂出厂浊度预测与风险评估：因果识别、贝叶斯时滞辨识与机理—数据混合建模》，荣获一等奖。
本届竞赛于2026年6月12日至15日举行，共有来自690所高校的9000余名学生报名参赛，组委会收到参赛论文3237份。经过初评、网络评审、会议评审和复审，最终评选出一等奖178项，一等奖获奖比例约为5.5%。
此次赛题围绕某自来水厂连续15个月的运行监测数据展开，要求参赛者分析影响出厂浊度的主要因素，建立动态预测模型，并构建水质风险评价体系。看似明确的问题，在数据面前却并不简单。
经过混凝、沉淀、过滤等多道工艺环节后，出厂浊度长期保持在较低水平，与部分上游指标之间的联系已经明显减弱；与此同时，不同年份的运行数据还呈现出显著的工况变化。2025年的数据表现为“低基线、偶发尖峰”，2026年则呈现“基线有所抬升、整体更加平稳”的特点。这意味着，数据中的“相关”，未必就是实际过程中的“因果”；一个模型在已有数据中表现良好，也未必能够适应运行状态发生变化后的新环境。
李宜洋由此将“相关不等于因果”确立为整篇论文的核心主线。她先通过相关系数、互信息和机器学习特征分析识别变量之间的关联，再进一步引入时序因果发现方法，尝试剥离由季节变化等共同因素造成的伪相关；随后使用贝叶斯方法辨识不同工艺变量产生作用的时间延迟，并将水处理机理与数据模型结合，完成浊度预测和动态风险评估。
论文最终形成了一条由因果识别、贝叶斯时滞辨识、机理—数据混合预测和风险动力学评价组成的方法链。但作品真正希望说明的，并不是“使用了多少复杂模型”，而是：面对受控、弱耦合且存在工况漂移的数据，怎样诚实地判断模型能够解释什么、不能解释什么。然而，与模型和方法相比，李宜洋更希望分享的，是几次竞赛之后逐渐形成的思考方式。
从校园里的格致杯，到MathorCup，再到此次亚太地区大学生数学建模竞赛，李宜洋经历了不同类型的赛题，也一次次面对时间限制、陌生领域和结果的不确定性。谈及此次获奖，她首先想到的并不是某个具体模型，而是如何看待一场比赛的得失：
“从校园里的格致杯，到MathorCup，再到这次比赛，一路走下来成绩都还算理想。如果让我分享一点经验，我最想说的一句反而是：别太在意最后那个名次，把每一次的过程尽情走完。看淡结果，是因为结果本就有很大的偶然。数学建模的评审是高度主观的：每支队伍交上去的都是一篇论文，评委可能只有几分钟来判定它的分量。你的每一段论述、每一张图表，都在替你说话，也都可能被一眼略过。既然结果里有这么多你控制不了的东西，那就把能控制的部分做到极致——在按下提交键之前逼到自己的极限，那一刻本身就是最好的奖。我越来越觉得，比赛真正留下的不是证书，而是那几天里被反复打磨过的思维方式，那才是能带走的东西。”
这份对结果的平常心，并不意味着降低对比赛的投入。恰恰相反，它让注意力重新回到参赛者真正能够掌握的事情上：是否读懂了问题，是否认真处理了数据，是否检查了模型，是否能够解释每一张图表，又是否在提交之前，尽可能完成了一份对自己负责的作品。证书记录的是一次结果，而那些在有限时间里经历过的犹豫、判断、推翻和重建，最终会转化为面对下一个问题时更加从容的能力。
在数学建模中，参赛者很容易陷入一种误区：使用的方法越多、模型越新，作品似乎就越有“创新性”。但真正有价值的创新，往往不是把所有可能的方法都放进论文，而是找到最值得追问的问题，并围绕这一问题建立一条完整、清晰、能够经受检验的思考链。李宜洋将这种认识概括为：
“想让论文出彩，一定要挑最难、最有创新色彩的那一块去讲，哪怕它有可能是不完善的。写数学论文和真正做科研是一回事——本质都是“找问题、解决问题”。所以别怕你的核心想法中途暴露出漏洞，在论文里发现问题、修正数据、承认局限，这个过程本身就是极重的创新点，甚至比一个漂亮却经不起推敲的结论更打动人。我在校级格致杯做B题时，看到题的第一反应就是“贝叶斯”，于是不管它最后能不能跑通，我们整篇都围着它写、把它写透。这次比赛也一样，我从头到尾扣着“相关不等于因果”这一个主题去补充、去创新。一篇论文与其面面俱到地平庸，不如死死咬住一个主命题，把它推到别人不敢推的地方。”
“哪怕它是不完善的”，并不是要坚持一个已经被事实否定的结论，而是不因为害怕失败，就放弃一个真正值得探索的方向。
假设可以被推翻，模型可以被修改，结论也可以没有最初设想得那么漂亮。重要的是，能否发现原有思路中的漏洞，能否回到数据和事实重新检查，并清楚说明方法的适用范围和局限。
这也是此次作品中贯穿始终的一种态度：不把统计相关直接解释为实际因果，不用随机划分带来的漂亮结果掩盖跨工况预测的困难，也不因为某个复杂模型在局部数据上精度更高，就忽视它在新环境中的失稳风险。与其给出一个过度自信的答案，不如诚实地说明“知道什么”和“不知道什么”。这种对边界的辨认，本身就是科学思维的重要组成部分。
从格致杯中的“贝叶斯”，到此次竞赛中的“相关不等于因果”，延续下来的并不是某一种固定的方法，而是一种面对问题的习惯：找到真正重要的矛盾，围绕它不断追问，并接受自己的最初判断可能需要被数据重新修正。
在今天的数学建模竞赛中，人工智能已经很难被回避。赛题可能来自水处理、交通、金融、医学或工业生产等陌生领域。参赛者需要在很短的时间内理解背景、查找资料、处理数据、编写程序并完成论文。AI能够帮助人们更快地进入陌生领域，也能够辅助代码调试、信息整理和语言表达。但工具越强大，人的判断就越不能缺席。
“用好AI，但绝不能让AI替你思考——论文一定要有自己的风格和审美。现在题目来自各行各业，我们确实得借助人工智能去快速读懂一个陌生领域，这一点不必回避。但我想强调的是：评委读你的论文，读的是你整条思考链。AI能帮你搭骨架、清理表达，却给不了那种 “这篇东西是某个具体的人写出来的” 的气质。一篇好论文，从主线的取舍、图表的呈现，到语言的节奏，都应该能看出作者的审美和判断。你的思想必须落在每一页上，否则再工整也只是一份没有作者的报告。”
AI可以生成一个模型名称，却不能替人判断这个模型是否适合实际问题；可以快速绘制一张图，却不能保证图中的规律不是偶然；可以润色一段文字，却不能替作者决定一篇论文究竟想说明什么。一篇真正属于作者的论文，不仅要有结果，还要有选择。为什么舍弃某个变量？为什么采用这一条主线？当模型不符合预期时，是修改参数，还是重新检查假设？一个看似准确的结论，是否具有真实的解释意义？这些无法外包的判断，才构成了论文背后的“人”。
当获取答案变得越来越容易，教育所需要培养的，也就不只是“得到答案”的能力，而是辨别答案、解释答案，并对答案承担责任的能力。
方法会迭代，软件会更新，今天看起来先进的工具，也可能很快被新的技术替代。但数学建模并不是模型名称的竞赛。真正支撑一次次学习迁移的，是对基础概念的理解，是面对新问题时仍然能够重新分析、重新推导和重新判断的能力。
因此，在李宜洋的分享中，最后一条也是最根本的一条：
“无论参加什么比赛，都别丢下基础学科。建模拼到最后，拼的从来不是某个花哨的模型，而是你对概率、对微分方程、对最优化这些底层工具的真正理解——理解了，你才敢在关键处大胆取舍，才知道一个结果为什么可信。这些朴素却有力量的知识，是你走进任何一场比赛、做任何科研时最深的底气。技巧会过时，工具会更新，唯有把地基打牢，你才经得起一次次更难的问题。”
此次作品中出现了因果分析、贝叶斯辨识、微分方程、机器学习、极值理论和马尔可夫过程等不同方法，但它们的背后，仍然离不开微积分、线性代数、概率统计、微分方程和最优化等基础知识。只有真正理解这些知识，才能知道一个模型为什么有效，又会在什么情况下失效；才能在复杂工具给出一个看似漂亮的结果时，保持必要的怀疑；也才能在遇到全新的问题时，不依赖现成模板，重新建立属于自己的分析路径。
基础学科也许不能立即给出每一个问题的答案，却会不断拓展一个人理解问题的边界。
数学建模的意义，从来不只是用数学完成一道题。它让学生走出课本中的理想条件，面对真实世界中的缺失数据、复杂关系和不确定结果；让数学、专业知识、程序设计和现实问题相互连接；也让人逐渐学会，在没有标准答案的时候，如何作出一个有依据的判断。
一等奖，是对一次努力的肯定。但比奖项更值得珍视的，是一个学生在探索中形成的态度：面对结果，不把全部意义寄托于名次；面对创新，不用复杂和新奇掩盖问题本身；面对AI，不把自己的判断交给工具；面对未来，相信基础知识仍然是最可靠的底气。
这些道理听起来并不遥远。它们最终落实在每一个具体的动作里：多检查一次数据，多追问一句“为什么”，发现错误后愿意重新开始，提交之前再把一张图、一个公式、一段话认真修改一遍。
李宜洋在分享的最后写道：
“祝大家都能在过程里尽兴，也都能遇到那个让自己眼睛一亮、非解决不可的问题。”
愿更多同学能够遇见这样的问题，也愿每一次认真走过的过程，都成为面对下一次挑战时，更坚定、更清醒，也更从容的底气。
