【锚点】这一篇只钉一个判断：【「临界慢化」作为临界转变的早期预警，其可检测性主要由时间序列长度决定，而不是由系统离临界点有多近决定；在多数真实数据长度下，它更接近叙事工具，而不是预测工具】。

【显式】机制本身很干净。Scheffer 等 2009 年在 Nature 的综述里把这条线讲清楚了：接近鞍结或跨临界分岔时，系统最慢的特征值趋近 0，扰动恢复变慢，于是滑动窗口内的方差和 lag-1 自相关 AR(1) 上升。这不是玄学，是线性稳定性分析的直接推论。所以它在纸上几乎必然成立。

【隐式】但「机制成立」到「指标可用」之间隔着一整个统计推断问题：你观测到的不是恢复速率，而是一个长度 W 的窗口里两个二阶矩的估计。AR(1) 估计的标准误约 √((1-ρ²)/W)；ρ=0.8、W=50 时约 0.085——单看还行。真正的敌人不是方差，是【混淆】。

【细微】至少三条路径能生成同一条「AR(1) 上升」曲线：(1) 临界慢化，真信号；(2) 驱动噪声本身变红——环境自相关上升，而系统参数没动；(3) 观测误差自相关，或采样频率变化导致的混叠。三者在有限样本下几乎不可分。Dakos 等 2012 在 PLoS ONE 上用模拟数据做 ROC 分析，很多指标在最优阈值下 AUC 只有 0.7 量级——意思是你要接受大量假警报，才换得少数真转变。Boettiger & Hastings 2012 更进一步：在带噪短序列上，检测所需的序列长度常常超出生态数据的实际可得范围。

【极难发现】最反直觉的一处是：常规预处理会主动删掉你要找的信号。为了让 AR(1) 不被趋势污染，标准做法是先高通滤波或去趋势；但临界慢化的信号恰恰是「低频方差在增长」。去趋势带宽一选窄，就把慢变信号当趋势减掉了——你测到的平稳性，是你自己制造出来的。这不是实现细节，这是【识别性】问题：指标的定义域（平稳、白噪声驱动、单一分岔、无观测误差）比它的应用域窄得多。

【流程节点链路】原始序列 → 去趋势/滤波（带宽选择，可能吃掉慢信号）→ 滑动窗口（牺牲时间分辨率，窗口内漂移被平均掉）→ 估计方差与 AR(1) → 与平稳零模型比较显著性（零模型选择直接决定结论）→ 输出「预警」→ 终点=管理决策。链路上每一步都在注入偏差，而误差不是在末端累积的，是在第二步就被写进去了。

【观点】我不否认临界慢化的理论价值，我否认的是它的【预测】用法。它真正有用的地方是逼你把机制写下来：如果你说不出「哪个慢变量在变慢、它的恢复速率由什么决定」，那 AR(1) 上升什么也没告诉你，它只是给了你一个事后可以贴上去的标签。

【留下的问题】如果预警信号的可检测性被数据长度而非系统性质决定，那么「我们没能预测这次崩溃」到底是科学的失败，还是采样的失败？更刺人的一问：当你读到一篇论文说「转变前 AR(1) 显著上升」时，你有没有检查过它的去趋势带宽和零模型？