来自候世达一派的“危险诱惑”
![](https://img3.doubanio.com/icon/u220697804-3.jpg)
这篇书评可能有关键情节透露
“复杂性科学到底是如何被研究的?” —— 这是本很棒的科普著作,书中整合了近些年科学领域中的很多新潮词汇,并对此有着有着严肃,却简单易懂的说明。另一方面,如果你已经入门,本书可能又过于简单了:“什么嘛,这讲的太少了!”
![](https://img3.doubanio.com/view/thing_review/l/public/p5830633.jpg)
本书是我之前写过的一篇读书笔记:最赛博朋克的睡前读物《我是谁,或什么》一书的作者候世达的学生,梅拉尼・米歇尔博士的科普作品。她在本书中提到自己进入复杂性科学领域的“机缘巧合”:毕业后当了数学老师,无意间看到候世达的GEB《哥德尔,爱舍尔,巴赫》,之后经历无数次“套瓷”并成为候世达的学生,完成了关于关于人类类比能力的研究后获得博士学位。毕业后5年内,任职于著名的圣塔菲研究所(SFI),进行复杂科学的研究和学术交流。
本书具有很强的科普性质,娓娓道来复杂性科学(Complexity)的历史源流和学科内容。或许现在有些人会批判复杂性科学,称之为诱惑性的骗局;但作者在本书中,用恰到好处的比例将其优缺点逐一列举。话说回来,复杂性科学到底是什么?——具体来讲,就是这世界上有些系统过于复杂,不能单凭还原论和线性系统去理解(还原论是指,比如我们为了理解一个乐高积木拼成的建筑玩具,就把它都拆开来看就好了);取而代之地,我们应该发掘新的研究方法和范式。
举个例子,我们无法用还原论解释一堆脑细胞(神经元)是如何涌现出意识的;也无法解释无数只蚂蚁如何用身体建造出一座桥,迅速越过沟壑的(昆虫群落);也无法说明像免疫系统,网络一类的复杂系统中,个体是如何一起协作并产生整体行动的。大脑和网络,甚至和宇宙都有某种同构性(虽然有点神秘主义的意味hhh)——那么,复杂性科学应该如何进行研究并应用呢?——这门学科更像是一个复合交叉的大杂烩领域。
在复杂性科学中,学科之间的壁垒是几乎不存在的,我们可以通过数学计算去深入理解如“分形(如下图)”一类的自然现象。也因此,本书中囊括了数学,物理,计算机科学,遗传方面的知识,或许会吓退一些理科小白(比如我)。但作者非常nice,很耐心地讲解了理工科领域的基础知识,其实很适合入门。
![](https://img3.doubanio.com/view/thing_review/l/public/p5830632.jpg)
![](https://img9.doubanio.com/view/thing_review/l/public/p5830635.jpg)
我现在经常惊叹于生物学家,天文学家,数学家看世界的角度。我也经常在想,如果我在自己小时候就能了解到这种自然科学之美,那或许我当时的物理成绩和生物成绩会更好些(哈哈哈)。那么,让我们来看看本书具体讲了些什么吧(下文为读书笔记,包含部分书中原文)。
- 1-
首先,复杂性科学的第一要务,大概是定义复杂系统。它有几个特征:
- 复杂的集体行为,是由一个个遵循简单原则的个体组成,不存在中央领导者;
- 这些系统都利用内部和外部的信号,但同时也产生信号;
- 有适应性,可以通过改变自身的行为,增加生存/成功的机会。
与复杂系统相关的概念还有自组织,涌现,和混沌。自组织(self-organizing)是指不存在内部或者外部的控制者或领导者的系统;涌现(emergent)则指由简单的规则以难以预测的方式产生出复杂的宏观行为。混沌则是用来描述对初始条件有敏感依赖性的动力系统,比如我们之所以难以预测飓风,或者长期的天气预报,大概率是因为气象是混沌的,初始值只要有一丁点的误差,就会导致结果的千差万别。
而能抓住混沌本质的(初始条件的敏感性),则是一个很简单的数学公式:逻辑斯蒂映射(logistic map)。这个公式特别适用于研究种群的繁殖规模,比如兔子的繁殖数量。我们曾倾向于认为兔子的繁殖模式是线性的,即随着年限的增长,其数量也是呈线性增长。然而实际上,随着种群的迭代,兔子数量变化呈抛物线状。
![](https://img9.doubanio.com/view/thing_review/l/public/p5830634.jpg)
科学家们将兔子的出生率和死亡率合成一个数值R,然后来看种群规模的变化—— 大家惊讶地发现,种群规模的数学变化特别有趣,会最终归为一个相同的初始点,或者震荡周期(下图)——逻辑斯蒂映射能产生某种特定的噪声信息(明显的,不稳定的波动),这并不一定是因为我们的实验操作中存在某种交絡変数(confounding variable),而或许是由于这个方程的完全确定性的变化关系导致的。另外,这种特性也让研究者知道:
不管初始条件多么相近,长时间下来,它们的发展轨道可能完全不同。也就是说,即使我们的预测模型中的参数近乎完美,长期预测也在某种情况下是不可能的。
![](https://img3.doubanio.com/view/thing_review/l/public/p5830637.jpg)
![](https://img9.doubanio.com/view/thing_review/l/public/p5830636.jpg)
除了逻辑斯蒂映射(logistic map)出现了倍周期分叉(bifuracation)现象,任何具有单峰抛物线状(unimodal)的映射都有类似现象。R的收敛速度为4.6692016,具有普适性,我们将其称作费根鲍姆常数——不单是数学世界,研究者们还将其引入物理动力系统,成为了混沌理论的基石。换句话说,看似复杂的行为可能产生于确定性系统。
有趣的不止是这些,作者还在文中介绍了各类和复杂性科学相关的知识和概念。比如熵(entropy),热力学第二定律,麦克斯韦的小妖,统计力学,哥德尔的不完备定理,图灵机和不可计算性等,来说明构成复杂性科学基础的知识背景。
![](https://img1.doubanio.com/view/thing_review/l/public/p5830638.jpg)
- 2 -
其次,让我们再回到开头的两个例子:蚁群和大脑。每一只蚂蚁的任务都不同,它们之间是如何彼此协作,作为一个整体产生一个动作的?大脑内部是一个个细胞和神经元,它们是如何涌现出意识和认知的?
在这儿,冯诺伊曼发明的元胞自动机和Wolfram的四类元胞机,给出了一个很好的思考方向。元胞自动机是一个由大量简单的个体组成,每个个体由其四周的个体状态采取行动,而不靠中央控制的系统;随后,科学家们通过Wolfram的四类元胞机,能够用遗传算法发现四类元胞机的初始设置和通用规则,这也是建模的作用。在复杂系统中,信息计算可以为生物学的外在表现提供一种规律性的公式。研究者们发现,当只有很少信息时,对各种可能性的探索可能很随机,高度并行和分散;但是如果信息变多,探索会变得集中和确定。
蚂蚁和蚁群也可通过这种方式进行研究:每只蚂蚁根据周遭环境和外界信息反馈,来调整自己的行动。这样一来,个体的行为就必须是随机的,产生大量的数据并在信息本质上是统计的。这样的复杂系统中,微小的个体可以以并行的方式协同工作。同样,大脑中,神经元只与四周的数个神经元相连接,而神经元必须决定在何种刺激强度下被激活,使得大量整体的神经元被激活并表示某种特定的信号处理和输入——这又引出了另一个谜团:如果复杂系统不存在中央控制中心,那到底是谁在在察觉当下的环境情况,并作出对生物体适应性最有帮助的反应呢?又是如何涌现出了自我意识呢?
以上的例子只是作者举出的,无数个例子之中的两个而已。其他的相关领域,比如小世界网络(无尺度网络等于连接幂律分布),代谢比例理论等,都让我觉得生命如此精妙:自然界中的物质表现和人类的外在样貌,背后都是有一套精密的数学,物理公式在运作 —— 这大概是作者,以及其他复杂性科学家们一行人的极致浪漫吧。
![](https://img1.doubanio.com/view/thing_review/l/public/p5830639.jpg)
Anyway,本书只是复杂性科学的冰山一角,我也不过是盲人摸象了一把。要想真正了解这个学科并能够把它当作一个逻辑工具进行思考,一定还有很漫长的路要走。
书中提及的延伸阅读
- 考夫曼 《秩序的起源(The origins of order)》——褒贬不一。比如RBN模型不具备普适性,同时噪音对于模型的影响极大,因此很难应用在真实世界中,因为与实际世界的状态不符。
- 阿什比《大脑设计(Design for a brain)》
- <Small-world brain networks>&<Graph theoretical analysis of complex networks in the brain>
- 维纳《控制论》《人有人的用处》
- 米歇尔关于人类认知能力核心,类比能力的著述《作为感知的类比(analogy-making as perceptions)》