机器的振动突然升高，或心电曲线冒出一段反常波形，系统能否及时发现？这就是时间序列异常检测（TSAD）——从按时间排列的数据里找出异常点或区段。它近年是 NeurIPS、SIGKDD、VLDB 等会议的热门方向，但研究者 Eamonn Keogh 在 Reddit 发文称，一种已有约百年历史的简单方法，足以在常用基准 TSB-AD-M 的多数数据集上击败多种 SOTA 方法；SOTA 指在特定公开评测中取得当时最佳成绩。他展示的一条心电数据中，老方法甚至得到完美结果。
这套老方法是统计过程控制（SPC）：它用控制图判断数据是否超出正常波动范围，原本常见于工业质量管理。真正值得注意的不是“旧算法战胜 AI”，而是基准可能太容易。基线——检验新模型是否真有进步的简单参照——如果足够强且参数设置公平，复杂模型的领先才更有说服力。Keogh 并未断言这些新算法在所有场景都无效；他的批评集中在 TSB-AD-M 无法支撑有意义的领先结论。上述效果目前来自作者自述，供稿未提供完整实验设置或独立复核。