一句话定义：外推（Extrapolation）指模型对训练数据从未覆盖过的输入区间做出预测——它不是"答得不准"，而是"根本没有依据"。
模型学的是分布，不是规律
把训练数据想成散落在地图上的一片采样点。模型在点与点之间连线，这叫插值（Interpolation）；而把线延长到点没有覆盖的区域，就是外推。问题在于，神经网络本质上是极其勤勉的插值器：它被优化目标逼着在有数据的地方误差最小，对空白区域毫无约束。空白处长什么样，完全由它的归纳偏置决定——ReLU 网络在训练区间之外往往线性地一路延伸下去，树模型则干脆"卡"在叶子的取值范围内，永远预测不出更大的数。
一个好用的比方：只在北京开过车的人，第一次去重庆开山路。他的驾驶经验都是真的，但坡度、弯道、视野这些变量从未出现过，经验越熟练反而越危险——因为他会自信地用旧模式处理新路况。
和相邻概念的区别
| 概念 | 关注点 | 典型表现 |
|---|---|---|
| 泛化（Generalization） | 在同分布新样本上的表现 | 训练集外的正常样本，通常还行 |
| 分布偏移（Distribution Shift） | 输入或标签的分布变了 | 用户行为变化、季节性迁移 |
| 外推（Extrapolation） | 输入落在训练支撑集之外 | 预测从未见过的价格、长度、时长 |
关系上：外推是分布偏移里最极端的一类，也是分布外（Out-of-Distribution, OOD）问题中最难的一种——偏移还在"附近"，外推已经"出界"。
为什么不是"再训一下就好"
这是最常听到的误判。加数据确实能扩大覆盖范围，但新边界外立刻又出现新的空白区。外推失败的根源不是样本量不够，而是外推区域没有任何监督信号，模型无从判断自己是在合理延伸还是在胡说。时间序列预测未来、推荐系统遇到全新品类、模型回答训练截止之后的事件，都属于这种情况：你无法通过"多训一轮"枚举出还没发生的事。
工程上的应对思路，通常是承认外推存在，而不是假装它不存在：让模型在置信度低时表达不确定性甚至拒答；把已知的业务规则（单调性、守恒、上下界）作为约束注入；上线时用影子模式和小流量灰度监控偏离；对极端输入做兜底截断。
对从业者的一句话：指标掉在训练分布之外时，先问"这里有没有数据支撑"，而不是"再训几个 epoch"。