Amortized（摊销式）推断是机器学习中一类通过训练神经网络直接从输入映射到目标结果的方法，其核心思想是把原本需要针对每个新问题反复求解的昂贵计算，一次性投入在离线训练阶段，之后对新查询只需一次前向推理。这一思路起源于变分推断与贝叶斯深度学习，近两年已从统计推断工具扩展为覆盖采样、优化、科学发现等多个方向的通用范式，在 arXiv 上持续保持较高产出。
Amortized 推断的近期进展
在科学计算方向，Bi-FORK：用生成模型学习高维分岔系统的多解映射 将摊销式学习用于分岔系统，用生成模型一次性学出参数到多个稳定解的映射，替代逐点数值追踪；Amortized Neural Optimization：可微代理模型实现预布局信号完整性设计空间探索 则把该思路引入芯片设计，用可微代理模型加速预布局阶段的信号完整性分析。
在生成与采样方向，Proximal Policy Optimization for Amortized Discrete Sampling 用近端策略优化训练离散采样网络；对比分布匹配：离散扩散中的摊销序贯蒙特卡洛方法 将序贯蒙特卡洛与离散扩散模型结合，用分布匹配目标实现摊销式采样。推断基础设施方面，Gaussian Process Latent Variable Model 引入摊销结构化变分推断 改进了高斯过程隐变量模型的推理效率，ENFR: Evidence Networks with Flow-Matched References for Amortized Simulation-Based Model Inference 则面向基于仿真的模型推断，用流匹配参考分布构建证据网络。
当前焦点与观察点
目前 Amortized 方法的研究呈现两个趋势：一是与强化学习结合，把训练采样或求解网络本身建模为策略优化问题，上述 PPO 用于离散采样的工作即是代表；二是向具体学科渗透，包括 CRISPR 筛选中的摊销式命中发现、恒星耀斑检测中的摊销高斯过程推断，以及 多变量 CIR 随机过程的干预预测。这些应用共享同一个权衡：离线训练成本与模型泛化能力之间如何平衡。
值得关注的争议点在于泛化边界。摊销式方法在训练分布内推理极快，但对分布外查询可能给出不可靠结果，这在 CRISPR 筛选、贝叶斯模型比较等高风险场景尤为关键。后续观察重点包括：摊销网络与精确求解器的混合使用是否成为标配，以及在贝叶斯推断社区关于摊销后验校准（amortized posterior calibration）的讨论能否形成统一评测基准。总体来看，这一方向正处于从方法创新向工程落地的过渡期，理论保证仍是主要短板。