有些数据问题等不到下一批处理

人们谈论人工智能时，常常默认它处理的是整齐打包的数据集：用语料训练，针对提示推理，然后输出结果。但有些领域的特征是流动，而不是快照。所提供的来源材料直接指出了一个最明显的例子：加密货币市场，其输入是不断更新的，而不是按整齐间隔到来。

这一差别之所以重要，是因为它改变了“好”的人工智能应该是什么样子。在实时环境中，挑战不仅是识别历史数据中的模式，还要在世界不断移动时保持跟上，而不能把世界冻结到足以让分析变得简单。

加密市场是很好的压力测试

加密货币市场尤其能说明问题，因为它兼具速度、波动性和全天候运行。不同于许多传统系统会在夜间暂停，或者把活动集中在明确的交易时段，加密交易实际上是连续的。这使它成为一个天然的试验场，适合测试那些要解释实时信号、适应新输入，并在市场条件变化时更新自身判断的人工智能工具。

来源所给出的标题和摘要将故事框定为“解释”而非“预测”。这一区分很重要。在金融环境中的实时人工智能，不只是预测价格，也是在快速读取动量、波动变化、相关性变化以及异常模式，而且要快到这些变化仍在发生时就能派上用场。

为什么流式数据会改变模型设计

为静态或缓慢变化数据集构建的系统可以容忍延迟。它们可以等待清洗、聚合和周期性重新训练。实时环境则减少了这种余地。输入持续到来，而且它们的含义也可能随着到来而变化。这推动开发者转向能够摄取、排序并响应实时数据流的架构，而不是只依赖固定批次。

从实践角度看，这意味着人工智能系统必须做的不只是分类。它们必须在运动中保持上下文。如果底层市场状态在系统完成分析前就发生了变化，那么一个在基准测试中看似有效的模型可能会失败。因此，工程问题就和分析问题变得密不可分。