FLOW：漂亮的涡旋，只是开始

涡旋首先吸引的是注意力。一条明亮的曲线向内收拢，一小块区域似乎越来越快，眼睛便自动补出了深度、力量和必然性。我们还没说出任何物理量，图像已经显得很有解释力。

FLOW 从这个瞬间开始：把想要观看的冲动，变成追问的习惯。什么在运动？颜色代表什么？什么条件才构成一次公平的实验？

图像需要一个明确的问题

图像可以忠于数据，却仍然让人误解。亮点可能表示浓度、速率、局部旋转，也可能只是光照。相同的形状，可以被用来展示完全不同的量。没有图例，读者就只能自行想象测量的含义。

因此，最有用的第一个问题并不是“逼真吗”，而是“每个可见标记对应什么量”。接着再问：这是一个瞬时快照、一段粒子轨迹、一次数值计算，还是一个论证的示意？即使视觉语言相似，它们也不是同一种对象。

三个按钮不是从“差证据”到“好证据”的排名。图片适合展示外观，数值运行适合研究特定计算，证明则需要在假设下建立结论。混淆发生在我们要求其中一种对象代替另一种对象的时候。

灵感来自哪里，界线又在哪里

OpenAI 的 Navier–Stokes 公告把视觉解释与其报告的证明及形式化材料相连。它为项目提供了灵感；OpenAI 报告的是带有光滑外力的三维结果；FLOW 不复现，也不验证这一结果。

Clay 数学研究所的公告说明了评估过程，官方问题表述则给出假设。这些链接于 2026 年 10 月 31 日核对。应当注明来源，而不能用一幅吸引人的图像暗示数学结果已经获得认定。

FLOW 提出的是更小、更容易动手理解的问题：一个有限的二维实验，能否帮助我们区分物理干预与显示变化？它包含有限网格上的速度场、被动染料场和明确的数值方法，也包含误差、边界与有限时长。这些限制属于解释的一部分，不能等结论说完才补进脚注。

图像里面的实验

想象复制一份完整的流体状态，保持初始数据与时钟一致，只修改第二份中的一个参数。然后，用相同的场定义与显示尺度检查差异。

这就是 FLOW 的核心。“两幅图看起来不同”，由此变成“究竟保持了哪些条件不变”。它还给出一个有价值的失败条件：在被测试的实现中，若参数相同，两份状态应当继续一致演化。否则，比较还没开始解释物理，就已经失效了。

另一种失败更安静。模拟可能不断产生漂亮图像，同时慢慢丢失让运动可见的染料。第七篇会保留这样一次失败：外观令人信服，质量测量却没有配合。

今天可以打开什么

FLOW 公开预览展示固定的求解器录制、设置、解释与导出功能，并不是实时流体实验室。实时工具仍在接受科学与设备审核。切换导读章节，也不会生成新的录制实验。

这并不意味着录制没有用。它提供了一个稳定的阅读对象。先找出 A 与 B，读取黏度标签，找到共同时间，再问：颜色真的是自己最初以为的那个意思吗？

一个有用的起点： 在学会编写求解器之前，我们就能学会阅读流体图像，前提是图像清楚说明自己是什么。

下一篇：去掉墨水，看看什么仍在运动。