滚动预测（Rolling Forecast）是一种多步预测的做法：模型每次只预测下一步，然后把这一步的预测值当作已知输入喂回模型，再预测下一步，如此循环，一步步把未来“滚”出来。
可以想象夜里开车。车灯只照亮前方几十米，你按眼前这段路打方向；如果方向偏了一点，下一段路你看到的就是“偏了的那条路”，于是顺着偏差继续打，越走越偏。现实里你还有路边的护栏、路牌帮你纠偏；滚动预测里，模型没有这些，它只能信自己刚才的输出。
这就是问题的核心：误差会累积。数学上，第 t 步的误差会成为第 t+1 步的输入，第 t+1 步在此基础上再产生新误差，偏差不一定只是相加，有时会被放大。很多系统一旦进入“跑偏状态”，例如预测的轨迹已经出了车道、生成的句子已经离题，它自己很难走回来。
为什么训练时看起来很好、上线就崩？因为训练时模型看到的是真实历史数据，这叫 teacher forcing；推理时它看到的是自己生成的、带瑕疵的数据，两者分布对不上，这个现象叫曝光偏差（exposure bias）。模型从没学过“输入有错时该怎么办”。
它和相邻概念的区别：
| 滚动预测 | 直接多步预测 | 单步预测 | |
|---|---|---|---|
| 做法 | 一次一步，预测值喂回 | 一次输出未来 N 步 | 只算下一步 |
| 优点 | 长度任意、能吸收最新输入 | 无累积误差，各步独立 | 最简单 |
| 缺点 | 误差累积、长程发散 | 步数写死，步与步之间可能不连贯 | 看不到未来 |
滚动预测适合“未来的输入还不知道、需要边走边看”的场景，比如大语言模型（LLM）逐 token 生成、自动驾驶轨迹预测、库存与销量预测、气象外推、机器人动作规划。视频生成尤其典型：越往后，画面越容易糊、变形。
工程上的常见缓解手段包括：训练时也喂一部分模型自己的预测（计划采样，scheduled sampling）或给输入加噪；用多步联合损失训练；评估时不只看单步误差，而是看整条 rollout 的累计误差；在关键节点用真实数据重新对齐（re-grounding）；控制滚动长度，长于一定步数就换策略。
给从业者的一句话建议：单步指标好看不代表系统能用，请用闭环的、多步滚动的指标做验收。给普通人的一句话解释：这就是为什么 AI 写着写着会跑题，天气预报越往后越不准——不是某一步错得离谱，是每一步的小偏差被反复当成了事实。