模型的“必要的复杂性”

2020-03-15 19:06阅读:
文/姚斌
这是一篇关于思维模型的讨论文章。
1
丹尼斯·梅多斯和丹娜·梅多斯的《增长的极限》一书发表于1972年,实际上来自他们创立的的“增长的极限”模型。这个模型的要点是:“如果当前的世界在人口、工业化、污染、食品生产以及资源消耗方面的增长趋势保持不变的话,那么这个星球将会在接下来的100年之内的某个时刻达到其增长极限。”他们由此来警告全世界:人类现有路径的每一次扩张,几乎都会导致文明的崩溃。
“增长的极限”在那时作为第一个全球电子数据表,以数百种差别细微的情景进行了数百次的模拟,获得了巨大成功。有史以来第一次,整个地球的生命系统、地球资源以及人类文化,都被提炼出来,形成一个模拟系统,并任其漫游至未来。于是,模型无论如何进行权衡,几乎所有的模拟都预测到人口和生活水平要么逐渐萎缩,要么迅速膨胀,然后立刻破灭。
然而,这个模型极具争议性,而且受到极大的关注。在其后的20年里,备受怀疑。于是,在“增长的极限”模型发布20周年纪念日时,又略做改动,重新发布,使之运行在一个被称为Stella的软件程序上。增长的极限模型是一张用各种“库存”与“流”编结而成、给人深刻印象的网。库存(货币、石油、食物、资本,诸如此类)流入某些特定的节点(代表一般进程,比如说耕种),在那里引发其他库存的流出。举例说,货币、土地、肥料以及劳动力流入市场之后,就会引流出未加工的食物。而实物、石油和其他一些库存流入工厂则生产出肥料,从而完成一个反馈回路。由回路,次级回路和交叉回路组成的意大利面似的迷宫构成了完整的世界。每个回路对其他回路的影响都是可以调整的,而且视现实世界的数据比例而定。
凯文·凯利在详细地考察增长的极限模型后认为,选择这个特殊的模型有4个理由:首先,它重新发布要求人类在做出预测努力的时候,把它看着可以依赖的预测装置;其次,这个模型提供了方便的20年期进行评估;再次,增长的极限模型的优点之一在于,它是可以评论的,也就是说它是可以检验的;最
后,为地球上人类生活的未来建立模型是最野心勃勃的目标。无论成功还是失败,如此杰出的尝试都会教给我们如何运用模型预测极其复杂的适应系统。
2
然而,凯文·凯利也洞察到了其中的严重缺陷:
有限的总体情景。增长的极限模型是在一种颇为有效的假设上演绎大量微小的变化。它所探查的是那些“可能的未来”,绝大多数似乎都只是它的创立者那里才说得通。他们在建立模型的时候,就觉得有限的资源会枯竭是个合理的假设,于是他们就把那些没有建立在这个假设基础上的情景忽略掉了。但是,资源(比如稀有金属、石油或者肥料)并没有减少。
任何一种真正的预测模型,都必须具备能够产生“想象不到”的情景的能力。一个系统在可能性的空间要有充分的活动余地,可以游荡到出乎我们意料的地方,这很重要。说它是一门艺术,是因为模型拥有了太多的自由度,就变得不可驾驭的,而如果将其拘束得太紧,又变得不可靠的了。
错误的假设。甚至最好的模型,也会因为错误的前提而误入歧途。就增长的极限模型来说,它的一个关键性的原始假设就是认为世界只容纳可供250年使用的不可再生资源,而对于这种资源的需求在迅猛发展。在模型发布20年后,我们已经知道这两个假设全都是错误的,石油和矿物的储量增加了,而它们的价格却没有增加。同时,对某些原料的需求,比如铜,并未呈指数增长。1992年重新发布这一模型的时候,创立者对这些假设做了修改。现在的基础假设是污染必然会随意发展而增加。如果以发布模型20年以来作为指南的话,那么能够想象得到,这样的一条假设在未来的20年中也需要修正。
没有为学习留下余地。有人以增长的极限模型模拟1800年到1900年这段时间,结果发现“街上堆了一层有20英尺高的马粪”。因为当时的社会使用马来进行运输的比例正在增长,所以这是一个逻辑外推。批评者认为,增长的极限模型没有提供技术学习、效率提高,以及人类行为自律能力、改革发明能力的规则。
这个模型内连接的某种类型的适应。当危机发生的时候(比如污染增加了),资本资产就会转过来处理危机(于是污染的生存系数就降低了)。可是,这种学习,既非分散的,也非终端开放的。事实上,这两种类型建模都不容易。如果没有这种分散的终端开放的学习,要不了多少日子,真实的世界就可以胜过模型。现实生活中,印度、非洲、中国以及南美的人口并没有按照增长的极限模型假设性规划来改变他们的行为,而他们之所以适应,是因为他们自有的即时的学习周期。比如,全球出生率的下降速度快得超过任何人的预测,使得增长的极限这个模型措手不及。因此,必须把学习作为一种内在的回路植入模型。除了这些数值,模拟中或者说想要预测活系统的任何模拟中,假设的确切构造必须具有很强的适应性。
世界平均化。增长的极限模型把世界上的污染、人口构成以及资源的占有统统看做整齐划一的,这种均质化的处理方式简化了世界。但是,因为地球的局部性和区域划分是它最显著和最重要的特征,这样做的结果最终破坏了模型存在的目的。还有,源自各不相同的局部动态的动态层级形成了地球的一些重要现象。建立增长的极限模型的人也意识到次级回路的力量。可是,这个模型却完全忽略了对于世界来说极为重要的次级回路——地理。一个没有地理的全球模型,根本不是这个世界。在整个模拟中,不仅学习必须是分布式的,而且所有的功能都必须是分布式的。这个模型最大的失败就在于,它没有反映出地球生命所具有的这种分布式的本性——群集本性。
3
增长的极限模型是以1600年甚至1800年为起点运行的。然而,实际上它的创立者从来没有那样运行过。回溯是对各种预测模型进行实际检验的标准方法,增长的极限模型的建造者怀疑如果进行这样模拟的话,这个模型会产生出与事实不符的结果,这应该成为一种警报。从1600年开始,这个世界就已经进入了长期的增长。而如果一个世界模型是可靠的话,那么它就应该能够模拟出4个世纪以来的增长状况——至少作为历史来模拟。如果我们要相信增长的极限这个模型对于未来的增长确实是有话可说,那么这个模拟就必须能够通过对几个过渡期的模拟生成长期的增长。而这个增长的极限模型所能证明的,充其量也就是模拟出一个崩溃的世纪而已。
增长的极限模型的创立者之一丹娜·梅多斯说,我们的模型异常“强健”,“你得千方百计来阻止它的崩溃……总是有相同的行为和基本动态出现:过火和崩溃。”凯文·凯利认为,依靠这种模型来对社会的未来进行预测是相当危险的。系统的所有初始参数迅速向的终点汇聚,可历史却告诉我们,人类社会是一种显示出非凡持续膨胀的系统。
凯文·凯利看到,有一位名叫肯·卡拉科迪西乌斯的程序员建造了一个生态和进化的微型世界(一款游戏)。这个微型世界为那些扮演神的角色的玩家提供了工具,他们用这些工具可以创造出32种虚拟动物和32种虚拟植物。这些虚拟的动植物相互竞争、相互影响、相互捕食,然后进化。但是,这个微型世界最长运行的时间却只有一天。其原因是要保证这种复杂的世界不断地运行下去是一件十分困难的事情,因为它们确实喜欢崩溃。
同样的,“增长的极限”里面的那些情景之所以会崩溃,是因为增长的极限这个仿真模型善于崩溃。在这个模型里,几乎每一个初始条件都要么会导致大灾难,要么导致某种极少情况下的稳定状态,但却从来不会产生任何新的结构,因为这个模型天生不能产生某种终端开放的增长。“增长的极限”没有能力模拟出从农耕时代进入工业社会的自然发展过程。丹娜·梅多斯也承认:“它也不可能把这个世界从工业革命带向任何一种接下来会出现的、超越工业革命的阶段……这个模型所展示出来的是工业革命的逻辑撞到了无可避免的限制墙。这个模型有两件事情好做,要么开始崩溃,要么由我们作为模型的建立者对它进行干预、做出改变来挽救它。”
丹娜·梅多斯也指出:“当我想到这种结局是系统设计好让它发生的,而我们只是这么往后一靠然后作壁上观,就觉得有点宿命的感觉。但相反,我们在建立模型的时候,实际上把自己也放在里面。人类的智能进入到这个模型之中,去感知整个形势,然后在人类的社会结构里做出改变。这就反映了在我们脑中出现了系统如何升华到下一个阶段的图景,利用智能介入并重建系统。”
这是拯救世界的模型,可是它对一个不断复杂化的世界如何运转的建模不恰当。“增长的极限”走了一条采用自然来插手把它人文化并改变它结构的路子,不过这个工作不只是由模型的建立者来完成,也不只是发生在文化的起始点。这个结构的重建发生在全球60亿个大脑里,是每天发生、每个时代都发生的事情。如果说确实存在着去中心化的进化系统的话,那么人类的文化就是这样的一个系统。任何不能包容这种每日在数10亿头脑中进行分布式微型进化的预测模型,都注定会崩溃,如果没有这样的进化,文化本身也会崩溃。
3
凯文·凯利认为,一个真正的全球社会的预测模型应该满足下面这些条件:能够大量运行各式各样的情景;从一些更灵活、更有根据的假设开始;实施分布式学习;包括局部性和地区性的差异;如果可能的话,展现不断增长的复杂性。显而易见,“增长的极限”模型具有种种不充分性。它所突出的,不是增长的极限,而是某种特定的模拟的极限。
一个真正的系统要能够充分反映出真实的、进化着的世界,使得这个微型模型能够以比真实世界跑得更快的速度进行运转,从而把它的结果投射到未来。我们想要预测机制,不是出于预知命运的使命感,而是为了获得指引。理念上,只有圣塔菲研究所的斯图尔特·考夫曼或者大名鼎鼎的冯·诺依曼的机器才能自行创造出更为复杂的东西。
为了做到这一点,模型就必须拥有“必要的复杂性”。这个术语是20世纪50年代由控制论专家罗斯·艾希比创造出来的,他最早制作出一些电子自适应模型。每一个模型都必须一点一滴的提取出无数现实的细节,汇聚起来压缩成像;它必须浓缩了最重要的特质之一,就是现实的复杂性。艾希比总结了自己那些用真空管造出来的迷你模型试验,得出了这样的结论:如果一个模型过于急切地简化复杂现象,它就会错失目标。模拟的复杂程度,不得超出它所模拟的复杂性的活动领域,否则,模型就跟不上它所模拟的东西的曲折路线。
另外一位控制论专家杰拉尔德·温伯格,在他的著作《论稳定系统的设计》中,给这个“必要的复杂性”提供了一个非常贴切的比喻。温伯格提示说,想象一下,一枚制导导弹瞄准了一架敌机。导弹自己并非一定也是一架飞机,但是它必须具备与飞机的飞行行为复杂性旗鼓相当的飞行复杂性。如果这枚导弹不具备至少与目标飞行一样的速度,而且在空气动力学方面的敏捷速度也不如那架目标敌机,那它肯定打不中目标。
要想生成功能齐备的活系统,还必须拥有另外两种类型的复杂性:分布式存在以及无止境变化。一些研究者通过研究复杂系统得出的主要洞见是:一个系统要想进化成某种新东西,唯一的途径就是要有一个柔性结构,比如,像小蝌蚪那样可以变成青蛙。这就是为什么分布式存在对具有学习进化能力的系统如此重要的原因。一个分散的、冗余的组织能够在功能不受影响的前提下收放自如,因为它能够适应。它能够控制变化,我们才称之为“成长”。
直接反馈的模型,比如增长的极限,能够获得系统稳定,这是生态系统的一个特征。但是,它们不能学习,不能成长,也不能变化,而这三个复杂性是变化中的文化或者生命模型必备的。没有这种能力,世界模型就会远远落在不断运动的现实的后面。学习能力缺位的模型可以用来预估不远的未来,那时进化的变化很小。但是,要想预测一个进化系统,就需要这种模拟的人工进化模型包含“必要的复杂性”。