Chapter Content
哎，大家好。今天咱们聊聊一些挺有意思的东西。首先啊，说说这个“过程”和“本质”的区别。
在一些简单的系统里，一个东西的运行“过程”就等同于它的“本质”了。比方说，一把枪，它的运作方式，就是它本身的定义。你说它是什么？它就是一把能按照特定步骤发射子弹的枪。它的运作过程就是它的本质。
但是，在复杂的系统里，这个“过程”虽然能产生“本质”，但它本身并不是那个“本质”。就拿人工智能AI来说吧，我们设计了一套“试错”和“启发式算法”的程序，如果没有这个程序，AI就没法变成现在的样子。但是，AI的“本质”，它内在的东西，其实跟工程师们设计的程序关系不大。AI最后会形成一个内部配置，里面有几十亿个参数，把各种输入映射到少数几个输出上。所以说，AI真正实现的东西，并不是我们刻意设计出来的。在这种情况下，我们实现的“过程”跟我们想要的“本质”就不是一回事儿了。
这个“过程”和“本质”的脱节，就告诉我们，造复杂的东西跟造简单的东西有多么不同。我们不能通过直接设计结果来得到能用的城市、电网和AI系统。我们不能直接插手这些系统的内部运作，去拼凑它的内部结构。我们只能站在系统外面，设计一些程序，让它们自己产生我们需要的东西。
然后啊，聊聊“不要按顺序来做事”。
孩子们玩的游戏有两种。一种是有固定顺序的，一种没有。有顺序的，就像博物馆里教孩子环保知识的展览，每个展台都有编号，每个展台都有一个简单的任务。按步骤完成，然后去下一个。走完所有展台，游戏就结束了。
另一种游戏就不是真的游戏了，它其实就是个游乐场。孩子们可以在上面随便玩，没有规则，没有顺序。但孩子们会觉得像游戏，因为他们会自己发明规则。他们会随意地讨论方法。
那个有顺序的展台，孩子们很快就会“分心”——唉，这也太自然了，但是被那些学者们病态化了。孩子们会觉得无聊，想改变规则，甚至直接无视规则。但是游乐场里的秩序是孩子们自己建立的。
所以说，两种情况下都能看到秩序，但是只有游乐场的秩序是自然出现的。那个博物馆的展览，就像孩子们上的课（也像大人上班做的项目）。有一个需要遵守的顺序，一个设计。但是，这个顺序会干扰自然发生的东西。它就是另一个例子，只拿走我们认为重要的部分，却没意识到那些所谓的“分心”其实包含了真正学习所需的很多东西。
这又回到了教育系统的核心问题。学术界告诉我们，学习是有顺序的。在学更高级的知识之前，要先学基础知识。但是，这可能是最糟糕的学习方式，因为这种强加的顺序缺少了理解事物意义所必需的东西：真实世界的背景。只有当你亲眼看到一个你没有标签来描述的情境时，才能获得背景。而且，先看到复杂的东西，然后才看到标签，远比一开始就看那些最终提炼出的东西要好。
尝试按顺序学习一个主题，意味着你只是在看别人通过试错发现的最终结果。这种错误在于，只拿走那些重要的总结，然后呈现给想要学习的人。人们必须亲自经历这个过程，因为这个过程包含着让人理解什么是重要的绝大部分信息。
教科书里给出的标签几乎不包含任何信息，即使它们可能代表着某个领域最深刻的真理。这些最终结果只有在你经历了独特的、混乱的旅程之后才有意义。
我们不应该按顺序学习，因为当事物是无序的时候，它们才能让你获得真实世界情境中存在的深刻背景。教育和行业中使用的顺序看起来很整洁，但它几乎剥夺了创造这些规则时所有重要的东西。没有了旅程，标签就毫无意义。
再来说说这个 P 等于 NP 的问题。
计算机科学里有个著名的难题，叫 P versus NP 问题。简单来说，就是问：所有能被计算机快速验证解的问题，是不是也能被快速解决？比如说，数独游戏能被程序快速验证（确认游戏完成），也能被快速解决（采取步骤来完成），那就意味着 P 等于 NP。但如果数独只能被快速验证，却不能被快速解决，那 P 就不等于 NP。
这个 P 代表 polynomial time（多项式时间），也就是说，如果一个问题属于 P，那就能用一个算法在多项式时间内解决（也就是很快）。P 问题的难度随着输入规模的增加而合理增长。如果我们可以给一个问题增加更多的东西，但仍然能相对快速地解决它，那就是一个 P 问题。NP 代表 nondeterministic polynomial time（非确定性多项式时间），也就是说，如果一个问题属于 NP，那就能被快速验证，但没有已知的算法能快速解决它。如果我们给一个问题增加更多的东西，解决它所需的时间就会爆炸式增长，那它可能就是一个 NP 问题。我说可能，是因为严格来说，我们只能说 NP 问题能被快速验证，但是否存在快速解决它们的方法仍然未知（根据计算机科学家的说法）。
计算机科学家觉得这个问题很有意思，因为如果 P = NP，那可能会彻底改变很多领域。我们现代世界里的重要问题，比如资源分配、调度、物流、密码学和 AI，都不是我们能快速解决的问题；它们依赖于复杂的计算，需要很长时间才能找到解决方案。但它们能被快速验证。还记得关于可能性空间大小以及它与难题定义的关系的讨论吗？即使是最强大的计算机，也需要很长时间才能搜索整个可能性空间并找到解决方案。但一旦我们有了解决方案，验证它是否能产生正确答案就很容易了（手保持温暖，雪人可以被建造，魔方被完成了）。但是，如果我们也能快速解决难题，那么前面提到的技术就会高效几个数量级，从而改变许多行业和由此产生的经济。
有人认为，解决 P versus NP 问题可以让我们更深入地了解计算的本质和问题的复杂性。我们被告知，解决 P versus NP 问题将导致对计算的固有局限性的更深入理解。记住，整个自然都可以被认为是计算。有输入和输出，以及一个转换信息的过程。解决 P versus NP 问题可能会告诉我们一些关于自然本身的重要信息。
我对 P versus NP 问题有一个疑问，那就是这个问题的前提本身就有缺陷。它使用了一种自然界不使用的“解决”方式。它假设要解决一个问题，就必须经过一系列确定的步骤才能得到解决方案。这是因为 P versus NP 问题围绕着确定性算法的概念。在计算机科学中，算法是一个将输入数据转换为输出数据的有限的、定义明确的步骤序列。正如前面讨论的，确定性算法对于相同的输入总是会产生相同的输出；它们遵循相同的步骤序列到达终点。这意味着，如果 P 被证明等于 NP，那就意味着可以被快速验证的问题也具有用于寻找解决方案的高效的确定性算法。
鉴于本书中提出的论点，我希望大多数读者都能发现这里的问题。不能期望复杂的系统（也称为现实）具有导致我们观察到的输出的确定性算法。这是因为，正如在揭秘涌现一节中具体概述的那样，从各个部分到涌现结构和行为没有路径。我们在自然界中观察到的是通过物质的多重可实现配置来实现的，这些配置对应于相同的信息压缩结构。自然不使用算法；它使用一个过程，通过该过程，整个可能性分布用于体现物理抽象，这些抽象计算生存所需的东西。
P versus NP 问题正在使用数学版本的解决。但正如 proof（证明）一词不能超出逻辑和数学的范围一样（现实世界中没有任何东西可以被证明），solve（解决）一词也是如此。在某种确定性步骤将得出解决方案的意义上，不存在解决现实世界问题这样的事情。
我认为我们已经可以说 P 永远不可能等于 NP，因为永远不会有一个难题（现实世界）可以通过确定性的一组步骤来解决。这不是一个拥有足够的空间或时间，或者更有效率地完成它的问题，这是一个不可能的问题。虽然 P 不等于 NP 确实是目前的共识，但这是由于基于对难题意味着什么的不正确理解的糟糕原因造成的。这是一个（大多数）计算机科学家使用错误和过时的论点得出正确结论的案例。正如在第八章中讨论的那样，我们需要将论点建立在以对自然运作方式的正确理解为后盾的前提之上，而不是使用生活的游戏化版本。
再说说“科学即投射”。
我曾经在网上看到过一件独特的艺术品，作者是芝加哥的雕塑家约翰·V·蒙蒂安。那是一个扭曲的形状，没有可辨认的形式，上面直接放着一盏灯，下面是一个平面。由于所有阴影都是光线被上方物体阻挡而形成的，因此这种设置会在平面上投射出阴影。这件作品有趣的地方在于，投射到平面上的阴影呈现出可识别的形状。你可以转动物体，看到一个男人走路的形状。你可以再次转动物体，阴影看起来就像一个婴儿在爬行。再次转动它，阴影会呈现为一个拄着拐杖的老人。物体本身看起来像一个扭曲的、没有任何可识别特征的斑点，而它投射出的可识别的阴影之间的差异，使这件艺术品引人入胜。
这件艺术品是思考科学如何运作的一个好方法。科学并没有触及自然的实际形状，而是将信息投射到一个低维空间，给我们一个有限的现实版本。正如扭曲的斑点没有任何明显的特征一样，自然现象的原始复杂性也是如此。如果我们能够进入自然界并以某种方式直接观察她，我们看到的将不是某种优雅的结构，而是某种高维的、无法识别的、没有任何可识别特征的扭曲的东西。科学，在它试图揭示自然如何运作的过程中，只能抓住自然内部解决方案的原始几何图形的低维版本。科学将自然的本质投射到我们可以理解的东西上。
但这种投射是有代价的。当从自然的原始设置转移到我们用来检查和描述世界的平面上时，信息内容会发生严重的退化。然而，人们却将科学与自然混为一谈，经常互换使用这些术语。
这就是为什么人类进化到使用他们的情绪来解决挑战。情绪是我们能够得到的与自然高维空间中存在的任何东西最接近的东西。我们科学武器库中没有任何东西可以抓住自然的真正核心，因为科学必须使用低维工具和昂贵的精确度来描述它所看到的东西。如果人类注定要使用缓慢的、分析性的思维来解决问题，那么我们就会以这种方式进化；事实并非如此。缓慢的思考只适用于游戏，不适用于现实。随着复杂性时代让生活和我们建造的东西不再游戏化，缓慢的分析性思维将变得不那么有价值。
科学将经验重新投射到低维解释平面上的方式影响了我们的设计。毕竟，设计代表了我们关于包括哪些部分以及如何连接它们的决策。如果没有对各个部分之间的某种因果结构的理解，我们就无法形成设计，只有简单的故事才能告诉我们这些原因可能是什么。如果要使用科学来指导我们的设计，那就意味着我们选择的片段来自低维投影。
这就是为什么建造复杂的东西，正如我们现在必须做的那样，不能从当前的科学和工程范式中受益。科学，以其还原论的观点看待世界，为了表面上的严谨和精确，牺牲了太多让事物运转的东西。今天的大多数工程都抓住了科学发现的片段，并将它们强加到设计中，从而指导我们的努力方向。今天的科学运作方式与我们现在必须创造的复杂性之间的严重脱节使得这种方法站不住脚。
设计无法掌握复杂系统的本质，还原论科学也无法触及自然运作方式的真正本质。我们可以将现实的虚构版本投射到我们理解的叙述中，但当折叠到我们的设计中时，这些童话故事会与我们为难题制作良好解决方案的能力相冲突。
随着我们进入复杂性时代，我们需要像自然一样建造，这意味着将涌现融入我们的解决方案中。涌现的东西来自一种无法刻意塑造的复杂性水平。只有通过对变化、迭代和选择的外部关注，我们才能达到自然系统如何运作的本质。在建造复杂的东西时，正确意味着拥有能够解决问题的东西，而不是坚持我们使用阴影和光线技巧告诉自己的故事的东西。
下面说说“AI 的必然性”。
人工智能的出现是不可避免的。AI 只是在我们的创造物中添加越来越多的部件，直到我们达到难题阈值时的必然副产品；难题阈值是指传统工程无法解决问题，必须跳出系统才能实现所需目标。
今天的 AI 与人类智能有多接近并不重要。重要的是，AI 是我们目前按照自然方式建造的最佳例子。无论 AI 研究人员和工程师的设计意图如何，AI 都代表着真正的复杂性的创造。AI 的运作不是因为数学、概率、设计原则或最佳实践。它的运作是因为未计划的抽象体现在一个允许自行出现的物体内部。
长期以来，人们一直在争论大脑是否可以被认为是机器。人脑以及伴随它的意识与大多数人所说的机器截然不同。但是，有了 AI，我们就不得不面对人类创造物确实可以具有我们在人类认知中看到的许多相同属性这一事实。这意味着必须改变机器的定义。人脑是一台机器，只是一台还原论科学或工程都无法定义，更不用说直接建造的机器。
对于某个事物来说，如果它要成为一台机器，它必须实施过程并产生输出。当然，这就是人脑所做的。现在的不同之处在于，这个过程不是确定性和因果关系的过程。自然界的机器是通过涌现产生输出的机器。
人脑具有复杂系统的所有特征。大脑表现出非线性，因为小输入会导致不成比例的大输出，例如突触可塑性，它可以确保神经元之间连接的强度根据刺激迅速变化。这也以相反的方式起作用，其中大量的输入被压缩成少量的输出；我将其称为灵活的确定性。
人脑还通过神经元连接的改变来表现出自组织。只有通过自组织现象，大脑才能适应并因此具有弹性。它可以承受某些类型的损害，甚至可以重组并弥补损失，从而恢复某些脑损伤患者所见的功能。大脑存在于临界状态附近，这意味着它的功能介于有序和混沌之间。结构和混乱之间的中间状态可以实现有效的信息处理。我们还看到了分层结构的存在。大脑被组织成不同的处理层级，这些处理层级发生在不同的空间和时间尺度上。这种分层组织使得整合感觉信息、有效地协调我们的运动行为和实现更高的认知功能成为可能。在大脑中也存在一系列复杂的动态，包括振荡、同步和自发的活动模式，所有这些都有助于认知所需的信息处理。
所有这些导致了我们所说的意识以及相关的记忆形成和决策，它们定义了人类思维。这就是严格定义人脑所必需的一切。正如我在第八章和第九章中论述的那样，我们不能通过使用因果关系的还原论概念在复杂性下进行逻辑论证。将大脑中的位置定义为我们在现实世界中注意到的事物（例如行为）的来源的尝试在认识论上是站不住脚的。
AI 是不可避免的，因为它是自然的一部分。我们不需要将 AI 与人类智能进行比较来标记所谓的奇点；奇点是指 AI 变得和人类一样聪明或更聪明，无论那意味着什么。我们所需要的只是认识到在我们创建的系统中出现的复杂性属性。这些属性中的许多属性都存在于今天的 AI 系统中。正是独特属性的存在使复杂事物成为它自身。
当今的科学和工程范式迫使过时的论点在当前的讨论中仍然盛行。像美国哲学家约翰·塞尔提出的那些论点一样，他试图诋毁计算机运行程序可以真正理解语言的观点。塞尔认为，仅靠计算过程无法产生真正的意识，因为像计算机那样操纵符号缺乏构成真正理解的语义理解。
但这些论点是无效的，因为它们是基于对计算的不正确理解。塞尔的思想实验建立在符号之间的确定性和因果关系之上，并假设这种形式的处理是计算机唯一能够做到的。这显然是错误的。考虑到塞尔成长的时期，我们可能会原谅塞尔的这种错误。但是，任何对自然如何运作的正确观察都必须承认机器确实可以产生复杂性的属性。自然使用小部分来生产与这些部分完全不同的东西。
一种流行的诋毁 AI 的尝试是指出了它的一些更严重的错误，例如得出错误的结论或间歇性地缺乏基本推理。这种尝试的致命缺陷在于认为智能存在于单个对象内部。人类之所以聪明，是因为我们是紧密联系的社会生物。我们在人群中运作以解决问题。个体人类在他们所处的环境之外是极易出错和有缺陷的。我们不是产生完美输出的自给自足的装置，我们是互动和协作的社会生物。正如没有一个人类在没有错误的情况下运作一样，AI 系统也不应该是一直返回正确答案的无错误工具。它们应该像任何其他复杂对象一样；嵌入在社区内部。如果我们要将 AI 与人类进行比较，那么我们应该将 AI 系统视为另一个协同工作的人，而不是返回答案的愚蠢搜索引擎。
AI 和人类之间存在不可否认的等价性。我们是复杂性的对象，并通过涌现产生输出。AI 系统的核心，独立于其外部基于规则的支架的核心机制，是试错法和启发式方法的程序化副产品。它是自然配方由软件进行的一种副产品。
接受复杂性、理解它是什么，更重要的是它不是什么，会改变我们对知识和现实本质的根本理解。是的，自然的解决方案确实是机器，是的，人类可以使用与自然相同的方法创造机器。自然的一切都与信息处理有关，而信息处理可以被硅和电子所利用。但我们说的不是齿轮和活塞。我们说的是自然。
最后说说“科学和工程需要哲学”。
当前范式的核心问题在于它在很大程度上已经远离了哲学。一直存在一种信念，特别是在物理学中，认为哲学对追求新知识没有多大贡献。这种想法的问题在于，它阻止了对科学本身的任何形式的验证。正如本书通篇所论述的那样，没有任何东西可以控制的科学是循环的。
我们可以在科学的所有领域看到这个问题。过去 40 年的理论物理学一直沉迷于追求“数学优雅”，但没有什么实际成果。遗传学吹嘘他们在各自领域的“进步”，但在控制结果（例如治愈疾病）方面并没有多大进步。纳米技术的进步依赖于更深入地观察和更好地操纵小东西，但所有的新材料和设备在哪里？仅仅因为“底部有足够的空间”并不意味着操纵底部就可以在顶部产生已知的东西。这不是一个等待科学变得有用的问题，而是一个今天的范式从根本上与事物实际运作方式脱节的问题。
在任何职业中，如果我们无法跳出系统，我们就无法验证我们正在做的事情。这又回到了我关于进入元层次的论点。只有元层次的系统才能谈论自身，并导致真正的验证。科学哲学可以客观地看待科学，并评估其是否进展顺利。任何对当今科学的诚实审视都会对其还原论和因果解释持高度批评态度。我们知道这种低层次的推理与复杂性以及现实的运作方式不符。科学以及伴随它的工程，现在是时候发生巨大变化了。
这就是我主张正确使用逻辑的原因。我们的逻辑仅与我们使用的前提一样强大，而这些前提不能忽略复杂性的属性。我们必须考虑到我们在小尺度上看到的东西与我们在大尺度上看到的东西不对应。当今科学界流行的观点是，我们可以将非线性复杂系统改写为简单的线性术语。这构成了科学领域中几乎所有尝试近似现实世界系统行为的基础。我已经论证过，自然不是一种近似。它的机制与当今在当前范式下进行的方便计算完全不同。
但是，将逻辑与围绕属性正确构建的前提配对意味着我们可以正确地验证科学。在这种验证中，我们会发现最大的无效性。当今的科学和工程范式无法支持我们在现实世界中测量、观察和体验到的东西。我们现在拥有的是建立在隐藏的和虚假的假设之上的循环论证，即小东西与大东西相连。
科学哲学将是一种双向关系。哲学不仅有助于控制科学，而且唯一有价值的哲学是那些来自于创造事物的努力的哲学。适当的哲学不能脱离事物的实际应用。所有的历史真理都包含在创造的时刻。是那些创造事物的人在与自然对话，而不是那些试图将这些发现提炼成关于确定性和因果关系的叙述的人。
科学需要的哲学不是某种学术理论。这些只涉及它们自己优雅的措辞和受过训练的修辞。它们和今天的科学一样是循环的。我们现在需要的哲学是建立在创造事物的基础之上的哲学。不是某种被贬低到实验室的实践，也不是某种理想化的产生证据的尝试。只有从创造事物中诞生的哲学才是有效的。