我们放弃了简洁公式，用AI理解复杂世界

当牛顿写下F=ma，当爱因斯坦提出E=mc²，人类坚信宇宙的终极真理一定简洁到能印在T恤上。我们用了几百年，靠拆解、归纳、提炼简洁公式，驯服了行星轨道、发动机、电路板这些复杂但可拆解的系统。但当我们面对气候变暖、经济危机、疾病传播这些真正的复杂系统时，所有简洁公式都失效了——这些系统里的变量会相互拉扯、自我演化，甚至会因为我们的观察而改变。直到2026年，我们才发现自己找错了方向：复杂世界的真理，根本就装不进人类的工作记忆里。

为什么简洁公式搞不定复杂系统

你可以把一架喷气式发动机拆成上万个零件，逐个研究后再拼回去，但你没法把气候拆成“云”“风”“温度”几个独立模块——云的形成会改变温度，温度变化又会影响风的走向，风再反过来吹散云层。这种像套娃一样的动态反馈，就是复杂系统的核心：它的行为不是组件的简单相加，而是从交互中“涌现”出来的。

圣菲研究所的科学家早在1980年代就发现了这个问题，他们提出了幂律分布、自组织临界性这些描述复杂系统的概念，但这些概念只能告诉你“系统会爆发式崩溃”，却没法精准预测“哪一天会崩溃”。经济学界曾试图用完美理性人的假设建模市场，结果模型越精致，离现实越远——因为真实的人从来不会按公式出牌。

我们被困住了，不是因为不够聪明，而是因为我们一直用“人类能理解的简洁”去要求世界。就像用直尺去量海岸线，越放大越发现永远量不准——复杂系统的本质，就是拒绝被简单压缩。

神经网络：装下百亿参数的“新理论载体”

2026年的今天，我们终于有了能装下复杂真理的工具：百亿参数的大型神经网络。

你可以把它想象成一个超级复杂的黑箱，里面有数以亿计的“开关”——每个开关对应一个参数。当我们用海量数据训练它时，这些开关会自动调整，最终形成一个能模拟复杂系统行为的“动态模型”。比如训练语言模型时，它会悄悄学会人类的语法、逻辑甚至文化；训练气候模型时，它能捕捉到海洋温度和季风之间的微妙关联，而这些关联是人类科学家穷其一生也未必能发现的。

这不是玄学，而是有科学依据的：神经网络的“泛函逼近定理”证明，只要参数足够多，它能逼近任意复杂的连续函数。更重要的是，它的架构——比如Transformer——是通用的：用同一个结构，既能学语言，又能学蛋白质折叠，还能学天气。这相当于我们找到了一台“通用复杂系统模拟器”，只要给它喂足够多的数据，它就能自己长出对应系统的“理论”。

当然，现在的我们还像古代的铁匠：知道怎么用它打出好用的工具，却还没完全搞懂它的内部原理。但这正是科学进步的常态——先有实践，再有理论。

机制可解释性：撬开黑箱的钥匙

如果神经网络只是个能预测的黑箱，那它顶多是个好用的工具，算不上科学理论。但机制可解释性的出现，正在把它变成真正的研究对象。

机制可解释性的核心，就是像生物学家解剖大脑一样“解剖”神经网络。科学家用“激活修补”技术，把模型在“正常输入”下的神经活动，替换到“异常输入”的计算过程中，看哪些神经组件是完成特定任务的关键。比如在语言模型里，他们找到了专门搬运“名字”的注意力头，还找到了负责数学推理的神经元电路。

这就像我们从一台复杂的机器里，拆出了一个个功能明确的齿轮和杠杆。更重要的是，这些从模型里发现的“电路”，反过来能帮我们理解真实的复杂系统——如果气候模型里的某个神经元集群，总是把海洋温度和台风路径绑定在一起，这可能就是我们之前忽略的气候规律。

我认为，机制可解释性才是真正的“复杂系统科学”：我们不再是先提出假设再验证，而是先让模型学会系统的行为，再从模型里提炼规律。这是一场科学方法论的革命。

我们花了几百年追求“能写在餐巾纸上的真理”，现在终于承认：有些真理就是庞大到超出人类的理解极限。但这不是失败，而是解放——我们终于不用再把复杂世界硬塞进简洁公式的框子里了。

未来的科学理论，可能不再是一串优雅的公式，而是一个百亿参数的模型；未来的科学家，可能不再是推导公式的人，而是能读懂模型内部“电路”的人。

复杂的世界，需要复杂的理论来匹配。 这不是对简洁美学的背叛，而是对真实世界的尊重。毕竟，宇宙从来不会为了让人类理解，就把自己变得简单。