《A New Kind of Science》—它的重要性遠遠被低估了

Stephen Wolfram 的這本《A New Kind of Science》——它的重要性遠遠被低估了

我試圖寫一組推文來理清我自己的理解路徑。可能又是幾個長文帖子串聯(lián)起來的形式，不為“講解這本書”，而是為自己構(gòu)建一條認知通路。

說實話，我第一次讀這本書大概是在三四年前，技術(shù)層面他做了什么，我大致是懂的。但我沒真正“看懂”它的深層含義。那時，我還無法理解他想重塑的，是整個世界的認知方式，而不只是一個算法模型或可視化工具。這本書的哲學(xué)分量，可能需要未來三十年才能真正顯現(xiàn)出來——當(dāng)我們社會中的許多軟件系統(tǒng)變成開放的、自動演化的、不可預(yù)測的系統(tǒng)時，我們或許才會真正“需要”Wolfram 提供的語言。

我試圖從頭開始說起。Wolfram 所采用的計算框架叫 Cellular Automata，很多中文譯作“元胞自動機”，也有人叫它“元細胞機”。不少人都跑過這類系統(tǒng)，比如康威的生命游戲（Game of Life），這個在我早期的印象中就是個“可視化游戲”。那時候我沒太當(dāng)回事：它沒有玩家，沒有目標(biāo)，沒有輸贏。怎么能叫游戲？

圍棋是游戲，Counter Strike 是游戲，那種黑白方格里長出點東西的東西，怎么能叫游戲？它甚至沒有對抗性。

但隨著我對系統(tǒng)演化、規(guī)則生成、認知建構(gòu)的理解加深，我開始明白：我們對“游戲”的理解本身也在進化。現(xiàn)代計算機研究中，已經(jīng)出現(xiàn)了許多“自我演化型”游戲系統(tǒng)，比如 Stanford 推出的 AI Town，就是一個非常典型的例子。

更生動一點說，這種系統(tǒng)其實更接近電影《失控玩家》（Free Guy）后半段所描繪的情景：一個游戲宇宙中的 NPC 不再等待玩家，而是自己演化出完整的行為路徑、社交結(jié)構(gòu)乃至微型文明。而玩家——我們?nèi)祟悺荒茉谝慌杂^察，就像在看另一個世界的物理定律和社會演化一樣。

這類系統(tǒng)的誕生，讓我們重新意識到：并不需要目標(biāo)或?qū)梗Y(jié)構(gòu)本身就可以生成復(fù)雜性，規(guī)則本身就可以孕育秩序。

這正是 Wolfram 真正想說的：世界不是被建模的，而是被演化的；不是用方程被寫出來的，而是用規(guī)則一步步運行出來的。

《A New Kind of Science》的重要性還沒有顯現(xiàn)，根本原因在于：Wolfram 提出的“規(guī)則”我們尚無法真正“使用”。

至少在當(dāng)前的技術(shù)范式下，我們還無法將這些規(guī)則推進到具備廣泛生產(chǎn)力的階段。復(fù)雜系統(tǒng)若要對人類有實際價值，必須涌現(xiàn)出可感知、可調(diào)用、可調(diào)度的“意義”結(jié)構(gòu)。而這正是當(dāng)前的斷層所在：并非所有元胞機都會涌現(xiàn)“意義”，即便它們呈現(xiàn)出高度復(fù)雜的圖案，也未必蘊含功能。

舉例來說，像 Conway 的生命游戲中經(jīng)典的“滑翔機槍”（Glider Gun），或某些規(guī)則下自然形成的金字塔形態(tài)，之所以被賦予“意義”，不是因為它們美觀，而是因為它們具備穩(wěn)定性、傳播性、結(jié)構(gòu)嵌套能力，可以在更高維度上被解釋為“計算單元”或“通信模塊”。

但問題在于——意義的涌現(xiàn)是昂貴的。

要讓結(jié)構(gòu)從“圖案”變成“功能”，至少需要以下三類資源消耗：

1. 計算資源（時間/空間）

Wolfram 為此運行了幾十萬步模擬，測試上百種規(guī)則，生成成千圖案。

但真正出現(xiàn)穩(wěn)定結(jié)構(gòu)、具備繼發(fā)行為的，只是極少數(shù)。這種“涌現(xiàn)”的篩選機制，極度類似自然選擇或宇宙演化：高熵中孕育秩序，但代價巨大。

2. 認知資源（模型/觀察者）

沒有觀察者，就沒有意義。哪怕元胞演化出類似滑翔機的結(jié)構(gòu)，若沒有一個智能體、或者觀測系統(tǒng)去識別它的重復(fù)性與傳播性，這個結(jié)構(gòu)仍是“無語的”。意義不是自然自足的，而是結(jié)構(gòu)與認知的交點。

3. 語義框架（語言/解釋機制）

即使元胞圖案中出現(xiàn)了完整的圖靈機，若我們無法將其“解釋”為某種語義單元，它依舊只是一個圖像。

意義 = 結(jié)構(gòu) + 解釋者 + 系統(tǒng)語境，三者缺一不可。

更重要的是，即便這三重條件全部滿足，我們?nèi)匀灰鎸σ粋€更困難的問題：

如何調(diào)用這些意義？

換句話說，哪怕我們從一個元胞機中發(fā)現(xiàn)了“計算結(jié)構(gòu)”，甚至“生命結(jié)構(gòu)”，我們又該如何將它編譯、調(diào)度、遷移到現(xiàn)實世界中，作為生產(chǎn)性的模塊使用？

這才是 《A New Kind of Science》 至今仍像遠星信號般存在的原因：

它證明了復(fù)雜性從簡單規(guī)則中涌現(xiàn)的可能，但尚未構(gòu)建起一個結(jié)構(gòu)性語言協(xié)議，讓我們將這些“意義”轉(zhuǎn)化為可調(diào)用的、可組合的現(xiàn)實生產(chǎn)力。

而這，也許正是我們下一代語言系統(tǒng)、智能系統(tǒng)、社會系統(tǒng)要去補的“結(jié)構(gòu)縫”。

從高熵現(xiàn)象中提取可調(diào)度結(jié)構(gòu)，是理解的起點；結(jié)構(gòu)壓縮先于原理揭示

Demis Hassabis 曾在多個場合強調(diào)一個極具顛覆性的觀點：自然界不是混沌無序的，而是由深層的結(jié)構(gòu)性機制驅(qū)動，而這些結(jié)構(gòu)既可以通過物理方程來刻畫，也可以被神經(jīng)網(wǎng)絡(luò)通過大量感知數(shù)據(jù)所“壓縮式習(xí)得”。這一觀點在 DeepMind 的視頻生成模型 Veo 中得到了生動體現(xiàn)。Veo 能夠生成諸如“汽車駛過積水”“刀切水果飛濺”的高真實感視頻場景，所展現(xiàn)出的物理反饋之細膩，遠超傳統(tǒng)基于流體力學(xué)方程的游戲物理引擎。更令人驚訝的是，這些效果不是靠預(yù)設(shè)規(guī)則，而是通過學(xué)習(xí)海量 YouTube 視頻中的結(jié)構(gòu)性動態(tài)，逐幀地“看懂”了物體如何在物理世界中運動與交互。

也就是說，Veo 并沒有學(xué)習(xí)“水的粘度”或“牛頓第二定律”，它只是通過觀察足夠多的“水如何動”的數(shù)據(jù)，成功建構(gòu)了一個結(jié)構(gòu)壓縮后的運動預(yù)測模型。在實踐中，這種模型已經(jīng)能夠精準(zhǔn)預(yù)測下一幀水花會如何飛濺、玻璃如何碎裂、光線如何反射。從技術(shù)效果來看，它確實達到甚至超越了人類物理程序員的手工建模能力。

那么問題來了：如果一個模型可以毫不依賴方程地精準(zhǔn)預(yù)測“下一秒會發(fā)生什么”，那它算不算真正“理解了物理”？這個問題既是工程問題，也是哲學(xué)問題。

從預(yù)測能力的層面看，它具備了高度擬真的“物理感”，能生成“看起來就是真實發(fā)生的”運動軌跡；但從抽象建模與解釋能力的層面看，它尚未掌握“變量”“守恒律”或“因果鏈條”等可以遷移和泛化的知識結(jié)構(gòu)。也就是說，它理解的是“水如何動的表現(xiàn)層結(jié)構(gòu)”，而非“水為何如此運動的機制層邏輯”。Demis 認為這正是邁向通用智能的關(guān)鍵路徑之一——先壓縮世界，再抽象結(jié)構(gòu)；先形成世界模型，再追問其成因。

這使我們必須重新思考“理解”的定義。Veo 不知道水是由分子組成的流體，也不知道動量守恒定律，但它比大多數(shù)人都“知道水下一秒會去哪兒”。這是否意味著“理解物理”不一定需要知道方程，而可以從大量現(xiàn)象中提煉出一套“可預(yù)測性極強的結(jié)構(gòu)”？Veo 實際上已經(jīng)在完成一種“現(xiàn)象壓縮式理解”——在高熵視頻流中提取可調(diào)度的結(jié)構(gòu)壓痕，并通過它們觸發(fā)系統(tǒng)性行為反饋。

這種路徑甚至可能顛覆我們對整個理科認知的傳統(tǒng)認定。我們習(xí)慣以為理解=先有模型、再去解釋、再做預(yù)測。但現(xiàn)在AI的學(xué)習(xí)路徑卻反過來了：先靠數(shù)據(jù)擬合出一個可用的預(yù)測系統(tǒng)，再逐步從中抽象出模型。這與許多人類科學(xué)家早期的認知路徑更為相似——我們不是先懂了流體力學(xué)再看水花，而是看水花多了，才總結(jié)出流體力學(xué)。

于是我們開始意識到，理解也許不是一種“先知性”的能力，而是一種“壓縮-預(yù)測-反饋”的過程。AI對物理的“理解”并不是終點，但它已經(jīng)構(gòu)建起“結(jié)構(gòu)理解”的前提條件：在現(xiàn)象中看見結(jié)構(gòu)，在結(jié)構(gòu)中逼近機制。

這就是為什么說：AI 不懂水是什么，但它知道水怎么動。而這份“知道怎么動”的能力，正在重新定義“理解”本身的邊界。而我們才剛剛站在這場認知革命的起點。

剛用Veo生成了個泰迪熊，我看要不要買幾個月玩玩。

三重邊界共同構(gòu)成了 AI 時代知識與科學(xué)方法的臨界框架

我相繼寫過 Stephen Wolfram，他在 A New Kind of Science 中提出了計算的不可約性（Computational Irreducibility）；我也寫過 Demis Hassabis 的系列，他代表了一種新的范式，即無顯式方程的科學(xué)探索（Equation-free Science）。而我認為，還必須再加上一個邊界，那就是語言的不可描述（Limits of Language）。這三種現(xiàn)象在 AI 時代尤為顯眼，幾乎像是撞在一起，凸顯出新的認識論邊界，也和我自己的理論發(fā)展密切相關(guān)。

首先，計算的不可約性由 Stephen Wolfram 提出，它的核心含義是：某些系統(tǒng)的演化過程沒有“捷徑”，不能通過更簡單的公式或解析方法直接得到結(jié)果，唯一的方法就是逐步運行整個計算。自然界中的很多復(fù)雜現(xiàn)象，例如湍流、進化、市場動態(tài)，正是這樣的不可約系統(tǒng)。它的啟示是，科學(xué)預(yù)測在一些領(lǐng)域必須依靠仿真與計算，而不再可能依賴完美的封閉公式。

其次，無顯式方程的科學(xué)探索由 Yannis Kevrekidis 等人推動，他們提出 equation-free modeling 思想。其核心觀點是：當(dāng)我們無法寫出控制復(fù)雜現(xiàn)象的顯式方程時，可以通過局部模擬器（如微觀動力學(xué)模型、Agent-based 模型）直接跳躍到宏觀統(tǒng)計規(guī)律。換言之，把計算機當(dāng)作實驗室，而不是僅僅作為公式推導(dǎo)的工具，用計算實驗替代傳統(tǒng)的解析方程。這一范式的意義在于，它標(biāo)志著科學(xué)從“方程中心”轉(zhuǎn)向“計算中心”，并成為復(fù)雜性科學(xué)與數(shù)據(jù)驅(qū)動科學(xué)的重要基石。

最后，語言的不可描述區(qū)域，來源于哥德爾不完備性、圖靈不可判定性，以及維特根斯坦“語言的界限即世界的界限”的哲學(xué)脈絡(luò)。即使有計算和實驗，依然存在一些現(xiàn)象、經(jīng)驗或感知無法被完整轉(zhuǎn)譯為線性語言。例如，復(fù)雜系統(tǒng)的全景狀態(tài)只能被近似描述；意識與感性體驗難以完全結(jié)構(gòu)化；高維認知空間在自然語言表達時必然會塌縮。其后果是：科學(xué)與哲學(xué)必須承認語言存在邊界，而要依賴數(shù)學(xué)、圖像、代碼、協(xié)議等擴展符號系統(tǒng)進入這些區(qū)域。

把這三者串聯(lián)起來，可以看到一條新的“科學(xué)邊界線”：

計算不可約性告訴我們：有些過程無“快速解”，這是預(yù)測的極限。

無顯式方程的科學(xué)告訴我們：有些現(xiàn)象無法建立封閉公式，只能靠實驗?zāi)M，這是建模的極限。

語言不可描述區(qū)域提醒我們：即使能仿真，最終的意義仍可能無法完全用線性語言表述，這是表達的極限。

換句話說，這三重邊界共同構(gòu)成了 AI 時代知識與科學(xué)方法的臨界框架：預(yù)測的極限、建模的極限與表達的極限。