編者按：本文來自 微信公眾號盛盛GO（ID：fstalk） ，作者 傅盛；36氪經授權後轉載。
我一直認為，有些書屬於開天眼的書。比如《商戰》、《從0到1》、《軟件創新之路：沖破高技術營造的牢籠》。正是這幾本書，讓我對戰略和產品的理解，上了大臺階，受益至今。
而這一次，我要給大家推薦由梅拉妮·米歇爾著作的一本天書《復雜》。真的是燒腦，啃了一個多月。
01 復雜系統與熵增定律
不廢話，先說《復雜》第一部分精彩的前兩章。
很長一段時間，我個人一直非常遵循牛頓世界觀，認為所有事物都可準確預測，直到我遇到了這本書。它用昆蟲系統和免疫系統開篇解釋了“復雜系統”。
我們知道，單個螞蟻沒什麽智能，甚至沒什麽視力，但整個蟻群卻是一個高效運作的、難以解釋的、集體智能的復雜系統。同樣，免疫系統也是單一細胞在沒有中央控制的情況下一起高效工作。它們到處巡邏，並在遭遇入侵後，迅速摧毀入侵者，同時繁衍後代，產生抗體。以上，都不是被規劃出來的復雜系統。
而牛頓世界觀其實是一種“鐘表宇宙”，可預測，可規劃。數學家拉普拉斯認為，其中蘊含了如鐘表般精準預測的觀念。他曾在1814年斷言，根據牛頓定律，只要知道宇宙中所有粒子的當前位置和速度，原則上就有可能預測任何時刻的情況。
相反，混沌系統則是一種“非線性系統”，不可預測。如果系統是混沌的，在測量初始位置時，即使只有極其微小誤差，當預測其未來的運動時，也會產生巨大的誤差。對於這樣的系統，一點點誤差，不管多小，也會導致長期預測不精確。
簡言之，系統存在混沌。也就意味著，拉普拉斯式的完美預測，不僅實踐中無法做到，原則上也是不可能的。
正如，我們永遠也無法知道X小數點後的無窮多位數值。
這是一個非常深刻的負面結論。它與量子力學一起，摧毀了19世紀以來的樂觀心態——認為牛頓式的宇宙，會像鐘表一樣沿著可預測的路徑運行。
當然，看似混沌的行為，也有可能來自確定性系統。然而，一些簡單的、確定性系統的長期變化，由於對初始條件的敏感依賴性，原則上卻無法預測。
盡管混沌系統的具體變化，無法預測。可大量混沌系統的普適共性中，卻有一些“混沌中的秩序”。例如，通往混沌的倍周期之路，以及費根鮑姆常數。
因此，細節上，預測變得不可能，但在更高的層面上，混沌系統卻是可以預測的。所以，我的結論是——放棄確定性的直覺期待，用概率論的思維看待世界。
就這一點而言，原則就是堅決服從概率。比如，我不會要求同事把每件事都做成，但我要求他們努力在每件事上追求更高的成功概率。不因小概率錯幾次，就動搖。沒有一個人能在每件事上都做出正確的決定。勝利者，本質上只是能夠堅定不移地去實踐高概率的方向。
再說《復雜》第二章的熱力學定律，即熵增定律。
熵總是不斷增加至最大，直至可能的最大值。除非通過外部做功，否則自身永遠不會減少。比如，冷的地方，越來越冷。如果你不加熱，一杯水只會更冷。別的領域也一樣。比如，你的房間只會越來越亂，除非你刻意收拾。
這時候，麥克斯韋提出了一個著名的思維實驗——“麥克斯韋妖”來質疑熵增定律。什麽實驗呢？假設一個盒子裏，有一扇不消耗任何能量的門在盒子中間，中間有一個小妖，如果看到快的分子，就把它放到門左邊；如果看到慢的分子，就把它放在門的右邊。最後的結果就是：左邊全是快分子，就會熱；右邊全是慢分子，就會冷。然而卻沒有做功，最終左邊的熵，減少了。
為什麽沒做功，熵卻減少了呢？這豈不是違反了熱力學第二定律？
這個難題難住了當時所有天才。直到60年後，傑出的匈牙利物理學家Leo Szilard提出：小妖的“智能”，也就是獲得信息的行為，其實做功了。而Szilard也是第一個將熵和信息聯系起來的人。
這之前，全世界都認為人腦中想的東西和現實中分子運動之間，沒有任何關聯。而這個結論，第一次打通了信息學和熱力學。
由此可見，許多看上去相距甚遠的、不同的學科，微觀層面完全迥異，但在大尺度上有著驚人的一致性。只是有時候，我們過於埋頭鉆研自己的學科，而沒能在一個更宏大的視角去看待這些學科。這也是《復雜》這本書從諸多不同領域抽取不同例子想要提出的一個問題——所有的復雜系統有沒有一個底層的統一規律？如果有，會是什麽？
這也是接下來要講的《復雜》第二部分——計算機中的生命和進化。
02 計算機中的生命和進化
討論之前，我們必須明確：生命的特征是什麽？是自主？新陳代謝？自我復制？還是進化和適應？這些特征計算機可以實現嗎？
《復雜》從遺傳算法著手解答了這些問題。這部分內容，也是我覺得這本書最最最精彩的地方，甚至讓我的寫代碼之魂，重新開始燃燒。
舉個例子，清掃機器人羅比。它是一個可簡單而詳細闡述遺傳算法思想的例子。我們看到下圖的羅比，身處一個10*10的二維世界，同時周邊隨機散布著待清掃的罐子。羅比只能看到五個方向（東南西北中），只能有七個動作（向東移動、向南移動、向西移動、向北移動、隨機移動、不動和清掃罐子）。移動並清掃一個罐子得10分，移動但沒掃到罐子扣1分，撞墻扣5分，每次清掃，羅比會進行200個動作，這樣總分會是500分。我們用傳統策略（有罐子就清掃，然後就往有罐子的方向上移動並清掃，否則就隨機移動）測試10000次後，得到的平均分是346。
遺傳算法采取的完全是另一套策略：它把每次編碼看成一個生命體，由這些完全隨機產生的生命體自己去完成動作，不定義策略好壞，徹底隨機。
怎麽生成初始群體呢？最簡單的辦法就是隨機生產大量個體。在這裏，個體就是程序（字符串）。比如，初始群體有200個隨機個體，這是策略之一。然後，計算當前群體中各個個體的適應度，選擇一定數量適應度最高的個體作為下一代父母，將選出的父母進行配對，如此，再重復。
運行數代之後，比如得分比較高的A和B，註意比較高即可，我們就截取A的前半部分A1與B的後半部分B2，得到A1B2，再加上A2B1作為下一代，繼續跑，同時設置一個很小的突變概率。
如此演化了1000代以後，我們得到了下面這張驚人的曲線。1000代的時候，平均得分是480幾分（滿分500）。我們發現，第1代非常差，只有負80幾分，還不停撞墻。但，就是這麽一個起點非常差的清掃機器人羅比，通過拿出無數個體去觀察，不斷叠代之後，它甚至超出預料，產生了自己的策略——不是見地就掃，而是清掃完一片之後，再去清掃下一片。
圖 遺傳算法演化策略過程中，各代群體的最佳適應度（得分表現）
書中得出結論：顯然，效率更高的策略，完全是自動進化來的，人類甚至都沒能發現。這就是遺傳算法。雖然運算量極大，但它自己完成了從簡單的規則進化成為非常復雜的策略的過程。得到的結果，比人類精心打磨出來的策略，可能還要好。
03 元胞自動機
《復雜》的第三部分主要講大寫的計算，核心講元胞自動機。
怎麽理解呢？舉個例子，你可以想象，有很多格子，每個格子根據周圍的格子，決定自己亮還是不亮（見下圖）。具體發光規則，可以自己制定。就這麽簡單的規則，隨著時間序列一點點走下來，完成了極為復雜的演化，走出了一個極其復雜的圖形。
這就是元胞自動機。由馮·諾依曼發明，他甚至證明過，元胞自動機等價於通用圖靈機。他在通用計算機上很牛，但具有諷刺意味的是，這種結構被稱為非馮·諾依曼結構。
同自然界的復雜系統一樣，元胞自動機也是由大量簡單個體（元胞）組成。不存在中央控制。每個個體都只與少量其他個體交互。元胞自動機也能表現出非常復雜的行為。它們的行為，很難甚至不可能通過其更新規則來預測。
這種極為簡單的元胞自動機規則，究竟是如何產生出如此復雜的圖樣呢？沃爾夫勒姆曾說，這是他在科學中所遇到的最讓人驚異的事物，並認為，這幅圖包含了所有科學長久以來的一個謎團的線索——自然界的復雜性到底從何而來。
在他看來，自然界的很多東西，也能支持類似元胞自動機的通用計算，並跟《復雜》不約而同地提到了簡單到不能再簡單的螞蟻和最終繁衍到全世界的蟻群，以及同樣基於簡單規則而產生強大計算能力的免疫系統。
04 復雜系統背後有統一的大規律
說到這兒，大家可能也發現了，他們得出的結論其實就是——太多極為復雜的東西，在沒有中央控制的環境下，由單個個體產生，最終表述出了非常復雜的行為。
所以，看完這本書，我有三個很切身的感悟：
-
第一個感悟，從世界可能都是運算構成的角度來看，我更加堅信人工智能的崛起是有宏大理論基礎的。
-
第二個感悟，如果我們透過現象看本質，會發現所有這些所謂復雜系統的內在規律都是很相似的。包括公司和產品也一樣。或許，具體演化中遇到的問題不同，各自總結的規律不盡相同，但這些東西背後的原因，可能產生的路徑是有相關性的。本質相通。
-
第三個感悟，精準預測不可能，但概率依然存在。故而不期望凡戰皆勝，但務必追求勝的方法。
還有一個非常重要的啟發——就是自生長。公司或者產品本身，也是一個自生長的過程。有時，你覺得自己在控制產品，毋寧說，我們應該讓產品更多去自生長。
讀到遺傳算法那部分時，我就在思考，公司應當如此——堅決進行一代一代的繼承創新。每個人拿到產品時，就有自己的一個策略。你既能看到這個策略的成長性，當這個策略失效時，也要能快速生產下一代。
今天，我們思考問題的取勝辦法，已經不該是一兩個策略本身的成功，而是整個策略體系進化的成功。
與此同時，觸類旁通的能力以及知識面寬廣的重要性，更加值得強調。既然可能存在橫跨復雜學科的統一規律，我們面對自己的問題時更應該學會從別的學科尋找靈感，且變得可能。
比如，我正在學習達爾文的進化論，思考人類的祖先怎麽和恐龍競爭最後成功翻盤的知識，並由此思考獵豹怎樣轉型。
凡事皆有規律。各種復雜系統背後，統一大規律也許是有的。只有思考並認識到底層大規律，我們才有機會真正建立起“大思維格局”。那麽，我們讀的各種書，吸收的各種知識，實踐習得的各種經驗，都能裝得進去。而這本書的關鍵要領，也就在此。即擴展知識邊界，盡可能接近簡一律；觸類旁通，必能大成。正所謂，大道至簡。
隨附清掃機器人遺傳算法代碼：
( https://github.com/mpatacchiola/dissecting-reinforcement-learning/tree/master/src/5 ）
Tags: 復雜系統 系統 預測 誤差 混沌 復雜
文章來源：