《复杂》by Melanie Mitchell（2009），一本科普书。
阅读时间：2026 年 4 月 27 日至 6 月 11 日，断断续续读的。随手记录了点东西在这里
背景
从牛顿力学到混沌：动力学的发展、混沌、量子的测不准原理与混沌的不可预测性。混沌不需要任何随机性，它是确定性系统的内在行为
从信息到计算：热力学、香农熵、哥德尔、图灵机。我记得熵分为结构性熵和随机性熵，由盖尔曼有效复杂性度量来提出。吉布斯熵与自由能：有动力学因素也有热力学因素。可以从吉布斯自由能出发讲讲动力学和热力学
从进化到遗传：拉马克、达尔文，1980 年代古尔德的生物约束与历史偶然因素。DNA 转录与翻译是不是一种图灵机与自指？
如何定义复杂性？其实在核心学科，基础概念尚未被定义是很常见的事，如物理中的“力”，生物中的“基因”。定义的方式有很多：层次性结构、分形与自相似、逻辑深度、热力深度、熵与算法信息量，柯氏复杂度（然而这是不可计算的）
对信息的处理源于 19 世纪末的热力学。麦克斯韦妖描述了这样一件事：
定义熵的概念：热力学有两种，可以互相转化；还有信息熵。对信息的擦除需要热量，不需要热量的信息处理是可逆计算。
DNA 转录与翻译是不是一种图灵机与自指？
计算机中的生命与模拟
香农定义信息：不确定性的消减。但是这里的信息是通信与工程上的含义，并不包含“意义”。
图灵定义计算：按规则对符号进行机械变换。然后发展图灵机
信息的双重使用：计算机程序既是程序能被执行，又是数据可以被处理，因此自复制的程序是存在的，冯诺依曼后半生在研究自复制自动机。该机器可能会有实体。
遗传算法模拟自然界的遗传对程序进行变异：按得分算概率选出双亲，交换基因片段并给子代变异，有时突变能产生宏观特征导致算法能长进一大截，而且通常是人没想到的。这块内容可能和可解释性有关？
计算是复杂系统为了适应环境而对信息的处理。元胞机是一种理想化的复杂系统，是一种图灵机，比如生命游戏
大写的计算
生命系统中，计算是分布式的。信息通过采样来实现通信，行为是随机的，动作是微粒化并行的。但是在这种系统中，并不存在中央控制或者领导者。
类比是在两个表面不同的事务上发现抽象的相似性能力。用计算机编码“模仿者程序”的结果表明，人无法探索所有可能，但如果不探索他们，就不知道哪种可能值得探索。为此有许多启发式算法，比如模拟温度机制，一种利用—探索的平衡
模型是对现实事物的抽象。对特定现象的数学描述引出数学模型，用简单的模型可以更好的理解一般性的概念。我们发现进化会产生合作，但现实世界又会有许多囚徒困境，比如公地悲剧。合作是如何产生的？可以用计算机模拟，分数最高的策略为优，比如针锋相对策略：对方反对我就反对，对方合作我就合作。若在模型中加入别的要素，比如社会规范（信誉分）和空间结构（距离度量），则合作产生机制要复杂得多。更复杂的模型则无法从数学上对他进行分析。所有模型只是对现实事物的抽象与近似，“所有模型都是错的”，模型只是揭露某种可能性
网络
“在理解自然界的巧合时，我们的数学水平不高，直觉也不咋样。”
网络是由边连接在 一起的节点组成的集合，网络思维关注事物之间的关系，1990 年代发展起来。网络存在在各处，并且在数百年中都有被研究。数学中以图论的形式研究网络，工程师研究电力网络、互联网，社会学家研究社会网络（如六度分隔理论），生物学中研究基因调控网络、代谢网络、食物网。然而这些概念近年来才被发现有有趣的共性。
小世界网络和无尺度网络很常见。小世界网络的平均路径很短，有高度的集群性，存在中心节点。社交网络属于这种。无尺度网络具有无尺度分布，频率与入度的平方成反比，遵循幂律分布，取值范围大，也是小世界网络。偏好附连机制促进无尺度网络的形成：结点度越高，形成新连接的概率越大。但是无尺度网络的形成还会有许多别的原因。
幂律广泛存在，有时候会比正态分布还要广泛存在，但对于幂律的起源还是个谜。实验发现，生物的代谢率与体重有 3/4 的幂律。20 世纪 90 年代发展出的代谢比例理论，把血管建模成分形网络，假定进化的网络能最小化养分运输时间、假定细胞需要使用单位养分，与数学证明四比例幂律理论。该理论存在很大争议。齐普夫认为语言的词频也有幂律分布，许多人常使用数学、信息论解释他，后来发现随机词语的词频也有幂律分布。
在进化与复杂化的过程中，生物学家发现基因并不是线性调控的，相反，他们连成了一张网，还有很多表观遗传机制（DNA 甲基化、组蛋白修饰、RNA 转录等等）一起调控生物的性状。进化发育生物学认为，生物的多样性主要来自于基因的开关（有时一种蛋白质来表现）以及所产生的基因调控网络的变化导致了进化，短时间生物巨大形变的原因在于开关的开闭，或者是基因表达力度的大小，而不是产生新基因。进化可能无法让生物产生重大结构性的变化，结构是由基因调控的，而不同物种基因差别比较小
进化论不只有适应主义者，还有历史主义者（认为历史偶然是主要变化）与结构主义者（组织结构没有自然选择也能发生）。考夫曼使用随机布尔网络对基因调控进行建模：给定入度 K, 二状态节点，以及随机的布尔规则，来观察网络随时间步的演化。发现 K=2 时处于一种混沌的边缘，把网络视作动力系统时可以将不同类型的细胞视作吸引子。但是噪声对该网络的扰动很大，很多人反对，需要发展更好的理论和模型来研究基因调控网络的问题
尾声
复杂系统从 20 世纪 50 年代的控制论、系统论发展而来。当时的控制论和一般系统论因为过于“泛泛而谈”，没有严格的形式化术语而式微，人们的兴趣也转到更实际的问题中去。
复杂系统目前还没有被很好的定义，需要一位牛顿类型的人物来创造定义合适的词汇。 5 个问题：
- 你为何研究复杂系统？
- 你怎样定义复杂性？
- 你喜欢的复杂性方面是什么？
- 在你看来，复杂性最成问题的概念是什么？
- 你如何看待复杂系统的未来？
我感觉也可以向人工智能方面提出这 5 个问题
AI 总结
使用 claude opus 4.8 high 模型。不用 fable 5 是因为因为安全问题被强行换模型了，Anthropic 公司坏。
Opus 4.8概念地图的核心是节点 + 带标签的边，所以我分四层给你：中心母题 → 五条主线（一级节点）→ 主线在各系统里的实例（用一张矩阵，这是地图的主体）→ 主线之间的连边（这才让它成为”网络”而非提纲）。
中心母题（图的圆心）
大量简单组分 + 无中央控制 + 局部规则 → 涌现出复杂的集体行为、信息处理、以及通过演化/学习实现的适应。
全书所有内容都是这一句话在不同系统里的变奏。下面五条主线就是从这个圆心辐射出去的。
五条主线（一级节点 + 一句话定义）
- A 涌现 / 无中控：整体行为不在任何单个组分里，也没有指挥者。
- B 计算 / 信息处理（SFI 的招牌隐喻）：把系统的运转重新描述为”采样—通信—并行处理信息”。
- C 适应 / 演化：系统通过自然选择或学习改变自身。
- D 度量难题（元层）：什么算”复杂”始终没有公认定义。
- E 统一的冲动与限度（元层）：跨学科找共同原理的雄心，与它该被警惕的过度延展。
主线 × 系统矩阵（地图主体）
横看一行 = 用三种透镜审视同一个系统；竖看一列 = 同一条主线在不同系统里的同构。A/B/C 是能落到每个系统的”操作性”透镜，D/E 是包在外面的框，所以矩阵只用 A、B、C 三列。
系统 A 涌现/无中控 B 信息处理/计算 C 适应/演化 蚁群 无蚁后指挥，信息素规则→集体觅食分工 信息素采样、随机行为、并行微粒动作（第 12 章明确当分布式信息处理讲） 群体层面优化觅食路径，但单只蚂蚁不学习 免疫系统 分布式防御，无中枢 淋巴细胞采样、识别抗原 克隆选择/亲和力成熟＝体内一场微型达尔文演化（很漂亮的同构） 元胞自动机 局部规则→全局模式（生命游戏、Rule 110） 可达图灵通用计算；她演化 CA 做密度分类，用”粒子”解释信息如何被处理 CA 自身不演化，但可用 GA 演化其规则（她的本行研究） 遗传算法 群体搜索出人意料的解（Robby 捡罐头） GA 本身是一种搜索/优化计算 直接模拟自然选择——适应的最纯粹形态 基因调控网络 基因连成网，开关组合→细胞类型/性状涌现 考夫曼随机布尔网络当动力系统看；细胞类型＝吸引子 evo-devo：靠开关而非新基因驱动巨变；但结构主义质疑”无需选择也能自组织” 新陈代谢/标度律 （偏”约束”而非典型涌现）3/4 律源于分形供给网络的几何 这一格最弱——她基本没用计算视角讲代谢标度，诚实标注”不适用” WBE 假设演化优化了运输网络（最小化运输时间） 经济/市场 无中央计划→价格与市场行为涌现 市场作为信息聚合/处理系统 主体策略在博弈中演化（针锋相对等） 读这张表本身就是上一轮说的”按张力组织”：你会立刻看到免疫系统和遗传算法在 C 列是同一个机制（都是变异+选择），蚁群和免疫在 B 列是同一种东西（采样式分布式处理），而代谢标度律在 B 列是空的——这个”空格”恰恰提示你：计算隐喻并非万能，这正通向主线 E。
主线之间的连边（让它成为网络的关键）
- A —“涌现的集体行为，本质就是分布式信息处理”→ B：在 Mitchell 的框架里这两条几乎是一枚硬币的两面，是她最核心也最该被你批判审视的等式。
- B —“演化/学习＝系统缓慢地获取并写入信息”→ C：适应可以看作一种慢速计算。
- A —“涌现的不可还原性正是复杂难以度量的根源”→ D：逻辑深度、统计复杂性都是想捕捉这种”既非有序也非随机”的东西。
- D —“既然连度量都莫衷一是”→ E：这是质疑”复杂性科学是不是一门统一科学”的最硬证据。
- B —“把一切都看成计算，强大但可能过度延展”→ E：代谢标度那个空格就是反例，隐喻的边界在这里现形。