复杂性科学，将彻底颠覆我们对世界的认知

1894年，物理学家、诺贝尔奖得主阿尔伯特·迈克尔逊（Albert Michelson）宣布，科学即将终结，不久之后，人类便会解开所有未知之谜。

看上去，似乎大部分的基本原理都已牢固确立，但如此大胆而劲爆的预测常常会沦为一个笑话。很快，相对论和量子力学革命就在物理学界引发了一场大地震。

渐渐地，我们还发现，那些与人类生活最密切相关的生物学、社会学、经济学、政治学等等，恰恰不受任何基本原理的管辖。

越是深究人类自身与社会的运转，我们越能发现更多意料之外的复杂性。从20世纪起，科学开始在学科之间建立起桥梁，寻找适用于复杂性本身的原理。

“复杂性研究”的对象是复杂系统行为背后的普遍原则。在这些系统中，大量成分以非线性方式展开互动。

在这里，“非线性”是指，单去理解个体成分，是无法理解整个系统的；非线性交互导致“整体大于部分之和”。

复杂系统科学家想要理解，在蚁群、细胞、大脑、免疫系统、社会团体和经济市场中，这些集体复杂性是如何产生的？它们虽截然不同，但却似乎存在着某种相似性，这令研究者颇感兴趣。

它们全都呈现出自组织性：系统成分通过自行组织，在没有任何核心或外部“控制者”的情况下，表现出一个连贯整体的行为方式。

复杂系统能够以个体成分无法实现的复杂程度，实现信息的编码与处理。复杂系统会演化，它们以一种开放的状态，持续发生着改变，逐渐学习并适应。

这类系统无法被精确预测，也不会呈现出便于科学家理解的平衡态。

当然，所有重要的科学发现都会改变我们对自然的理解，但我认为，复杂性研究在此基础上更进了一步：它不仅有助于我们理解那些重要现象，更会改变我们看待自然和科学本身的方式。

以下就是复杂系统科学改变我们理解方式的一些例子，也许会让你意想不到。

• 一周以后的天气预报为何不准？

• 渔业人口的年变化数预测为何很难？

• 股市泡沫和崩盘为何无法预知？

过去，人们普遍认为，这类现象之所以难以预测，是因为其行为的高度复杂性，且还存在不少随机因素。

然而，复杂系统科学显示，即便是在基本规则极为简单、且完全确定的系统中，复杂行为和不可预测性也能产生。

通常，复杂性的关键在于系统之间交互规则的逐渐迭代。至于这种迭代是否是导致天气、股市和动物种群数量存在不可预测性的唯一原因，目前尚无定论。

在上文中，我引用了一句老话：整体大于部分之和。物理学家菲尔·安德森（Phil Anderson）则说得更为简洁，他说，复杂性告诉我们的关键一点是，“多则异，数量多了，结果的确就会不一样。”

蚁群就是一个绝佳范例。

正如生态学家尼格尔·弗兰克斯（Nigel Franks）所言，“单独来看，一只爬行中的行军蚁非常简单，若把100只行军蚁放在一处平面上，它们会兜兜转转，永不消停，直至累死。”

若是把50万只行军蚁放在一起，整体蚁群就成了难以预测的“超级生物体”，展现出高深、乃至骇人的“集体智力”。

脑部神经元、免疫系统细胞、创造力和城市中的社会运动、市场经济中的行为人等等，它们都遵循类似的道理。

复杂性研究显示，当系统成分之间以恰当的方式交互时，其整体行为——系统处理信息、决策、进化与学习的能力——能够与个体成分的行为形成明显反差。

21世纪初，首个人类基因组测序完成，科学界获益匪浅。美国前总统比尔·克林顿曾指出，有赖于人类基因组项目，“即便不说全部，大部分人类疾病的诊断、预防和治疗都将被彻底改变。”

的确，许多科学家都认为，只要绘制出人类基因的完整图谱，我们就能对基因运作有一个近乎全面的了解，知道哪些基因对应哪些性状，而这将为革命性的医疗发现和靶向基因疗法指明方向。

但如今，十多年过去了，当初预言的医疗变革还没有实现，不过人类基因组计划及基因学研究倒取得了巨大进展。

• 首先，人类基因（为蛋白质编码的DNA序列）约有2.1万个，远少于所有人的预期，仅仅与小鼠、蠕虫和芥菜的基因数差不多。

• 其次，这些编码蛋白质的基因仅占人类DNA的2%上下。

两个谜团油然而生：

• 如果人类基因数相对如此之少，那我们的复杂性源于何处？

• 至于那98%的非基因DNA——过去曾被轻蔑地称为“垃圾DNA”，它们的作用又是什么？

基因学家认识到，细胞中的遗传元素就像蚁群中的蚂蚁，它们的相互作用是非线性的，并以此形成错综复杂的信息处理网络。塑造生物体的正是这样一个网络，而非一个个基因。

另外，更令人吃惊的是：所谓的“垃圾”DNA是形成这些网络的关键。信息处理网络正日渐成为生物学中的核心组织原则。曾经的“细胞信号通路”如今已被称为“细胞信息处理网络”。

癌症治疗方面的新研究并不关注个体基因，而是着眼于被很多癌症所利用的细胞信息处理网络，对其施加干扰。

人们还发现，某些类型的细菌可通过“群体感应”网络进行交流，从而对宿主发起集体攻击；这一发现也在驱使人们研究针对感染的网络式疗法。

近二十年来，一种着眼于网络的跨学科科学逐渐崭露头角，并发展出相应的洞见与研究方式，应用于从基因学到经济学的各种网络。

在复杂系统领域内，就变革人类对世界的认知而言，贡献最大的也许要数“网络式思维方法”了。

2009年，诺贝尔经济学奖得主保罗·克鲁格曼（Paul Krugman）曾说，“几乎没有经济学家预见到这场危机，但这不是最堪忧的。更严重的是，这个领域根本无视市场经济中出现灾难性崩溃的可能性。”

至少在一定程度上，这种“无视”是源于对一种风险模型的依赖，而这种模型就是以正态分布为基础。

图表1：金融收益或损失概率的正态分布示例图。

（a）显示了风险的正态分布。我在其中标出了出现“灾难性损失”的位置。如图所示，出现这种损失的概率几近于零，可能比你当街被雷劈的可能性还小。所以，从图表上看，你完全不用担心，除非模型本身是错的。

（b）长尾分布示例图，图中只显示了损失一侧。长尾分布所预测的灾难性损失的概率远远高于正态分布。

正态分布即我们熟知的钟形曲线。经济学家和金融业人士常常使用这种分布，为投资的收益概率和损失风险建模。

复杂性研究显示，在高度网络化的非线性系统中，更精确的风险预估模型是“长尾分布”。

若2008年的风险模型采用了长尾而非正态分布模型，人们在预测“极端事件” 时（本例中为“灾难性损失”），就会得出更高的可能性。

如今我们已知，长尾分布是复杂系统的标志性特征，随着我们对这类网络的理解日益加深，许多领域中的风险模型都需要重新审视——从疾病流行到电网故障，从金融危机到生态系统崩溃。技术专家安德烈亚斯·安东诺普洛斯（Andreas Antonopoulos）作了简洁的概括：“复杂性本身便是威胁所在。”

在一些领域，“复杂性这门新科学”已成为了一种流行语。但它“新”到何种程度？跟“科学”又能沾上多少边？

在当代的复杂性研究之前，曾有上世纪四五十年代的控制论运动，六十年代的一般系统理论，以及近几年的系统生物学、系统工程学、系统科学等，它们与复杂系统科学有一个共同的目标：找到通用的原理，从而能够解释，系统级别的行为如何从低级别成分之间的相互作用中产生。这些不同的运动吸引了不同的社群，关注点也不尽相同。

于我而言，复杂性并非一门单一科学，而是由不同领域科学家构成的社群，他们有着共同的跨学科关注点、方式方法，以及看待科学问题的共同观念。

至于这种观念的具体构成，我们很难下定论。我觉得，这首先涉及一种观念，即想要理解复杂性，需要整合力学、信息学、统计物理学和进化论的概念。其次，计算机模型是传统科学理论和实验的重要补充。

迄今为止，复杂性并非一门统一的科学，借用美国哲学家威廉·詹姆斯（William James）的话来说，它依然只是“科学的一种希望”。而我认为，这个希望有着光明的前景。

在这个大数据时代，复杂性也许能提供“大理论”——即针对催生海量数据的复杂过程，提供一种科学的理解。从该领域过去的贡献来看，复杂性催生的“大理论”备受追捧，它将更加深刻地变革我们对世界的认知。

这值得我们翘首以盼。用剧作家汤姆·斯塔帕德（Tom Stoppard）的话说：“活在这个年代是最好的，你自以为懂得的一切，几乎都是错的。”