读《涌现》有感

     这几天在读一本科普著作《涌现》，大约看了一半了，终于明白一点点他想说什么了。西洋跳棋和神经网络有一个共同的特点，就是组成元素简单，相互作用规则也很少，但是最后出来的结果却出人意料地复杂，比如西洋跳棋程序通过学习打败他的作者，神经网络系统中出现无法解释的复杂现象。
     从上面两个例子给我们这样的启示，是不是所有看起来非常复杂，毫无规律的自然现象背后的组成元素以及相互作用规律非常之简单，这就是还原论研究的内容。由确定性的规则出发，可以产生混沌结果。比如蚁群，蚁后并不是皇帝，管理整个蚁群，她只负责产卵。蚂蚁之间的相互交流规则也很简单，单个蚂蚁活不了一周，但是整个蚁群却表现出非常强的环境适应能力，能够抵御外侵，逃避洪水等等。也就是大量相互作用的简单个体组成的群体，可以表现出非常复杂的行为。神经元之间相互作用很简单，可是大量神经元在一起表现出超强的能力，记忆、视觉、推理等等。那么复杂多变的自然现象、社会现象背后是不是也有这样的规律呢？很多自然现象在我们找出其背后隐藏的规律之前，它显得非常复杂，不可预测，一旦知道其中的规律也就变得简单了。现在面临的问题和以前的问题有一个非常显著的区别，就是单个个体看来很简单，可是大量相互作用的个体组成的群体却涌现出不可预测的行为。
    因为这类复杂现象背后机制很简单，所以我们能够利用计算机强大的计算能力对其进行模拟。比如天气预报，单个因素对气象的影响已经研究得很清楚了，但是大量因素共同作用下的行为表现非常复杂，需要超级计算机才能处理。社会现象也与此有些类似，是不是也可以简化，建立计算机模型，对社会现象进行模拟，甚至对将来行为进行预测。单个真实的神经元也是复杂，但是我们不是从神经元本身，而是从他们之间的相互作用进行建模。对大量神经元表现出来的规律，不是由神经元本身决定的，而是他们之间的相互作用产生的，简化后的神经网络的确可以模拟真实神经元网络表现出来的行为。单个的社会个体之间是一个个具有智能的人，但是人与人之间相互作用与交流遵循一定的社会规律，我们可以对人这个元素进行简化。
    最关键的步骤是建模，众多特征中哪些是关键特征，众多相互作用中哪些是关键相互作用，只有简化后计算机才能处理，但是简化后的模型必须保留原有系统的特征。现实系统是非常复杂的，我们建立的模型只是从一个角度来透视这个系统，从多个角度的视图，我们就能建立物体的三维模型，也就是对系统全方位的理解。DNA的结构，我们无法用肉眼、甚至电子显微镜也无法直接看到，但是我们可以从不同角度用X光照射它，从衍射图得到关于它内部结构不同角度的视图，从而形成整体结构的理解，最后构造出比例模型。因为我们是从一个角度透视，所以可以暂时忽略对我们观测影响不大的特征，这对于科学研究非常重要，否则我们会陷入复杂性的泥潭中无法自拔。合理地简化，但又不丢失本质特征的模型，是这一学科得到高速发展前提，提出这个模型的人称得上是这一学科的奠基人。基于这个简化后的模型，我们可以得出很多非常有价值的结论。就拿Samuel的西洋跳棋来说，Samuel是一个超级棋手，他根据自己的经验总结出几个制胜因子，然后对各个制胜因子赋予不同的权重，各个权重还能通过学习进行调整。每个棋局的优劣根据各制胜因子的加权和来决定，这样就可以确定选择策略。正因为这种合理的简化，才使得下棋成为一门科学，而不是艺术。
    科学在过去的几百年里一直采用分析的方法，的确取得了很大的成就。单个个体的行为已经研究得很清楚了，可是许多个体或者一个系统各部件研究很清楚了，但是系统的总体行为还是非常复杂，不可预测。这种复杂性是由于各部件之间的相互作用引起的。
    涌现(Emergency)包含两方面的意思，很多简单要素组成的系统，涌现出不可预测的复杂性，比如智能、很强的适应能力等。是不是所有或者大部分复杂不可预测的系统，都可以还原为简单要素以及相互作用规则，这样就可以对这个系统进行建模，从而对系统将来的行为进行预测。比如房地产市场、股票市场等等，如果真能建立这样的模型，将具有极高的价值。
       如果真是如此，也怪不得Larry Page说，人工智能可以通过海量计算来实现。因为神经元是非常简单的，但是神经元构成的网络系统具有人类智能。