简介

精彩点评

• 

  苟文木水

  推荐

  复杂系统的科普读物，下一步是读其他书时想到相关理论。比GEB的可读性高很多……

• 

  suzy

  推荐

  复杂系统的“复杂”体现在“核心概念”难以清晰定义：什么是计算、什么是信息、什么是进化，包括什么叫“复杂”。

• 

  伯右

  推荐

  虽然很多方面现在已经取得新的进展，如脑机连接，大数据，AI等，但是回到这本书来看，可以说是理解世界新的思路。是否存在一种元规范，元动力，或者第一性动力链接了一切。

• 

  杨永波

  推荐

  想读读不懂系列，我只是觉得生命游戏很有趣想多了解一下，草率了 我们不过仅仅和有限的少数人接触，基于简单的人际原则交往，然而我们的社会如此复杂，我们体内的细胞仅仅只有分裂，死亡和周边环境交换物质和能量等等很少几个状态，然而我们有艺术，有科学，有情感，从简单到复杂，涌现究竟怎么产生的

• 

  董越——大周

  推荐

  2014年，我参加了美国大学生建模比赛，我选择的题目就是保罗*埃尔德什网络。那个时候，自己还没有意识到这是一个复杂系统，单纯凭着四天三夜不断的思考，来获取网络本身的特性，我们尝试将不同层级的个体移除看对整个网络的影响，以及将存在多个埃尔德什数的个体进行不同的定义来寻找共性。事实证明，并没有好的结果——我们没有获得很好的奖项，从功利主义来看，并没有给我带来什么。 但是，我也得到了好处，我开始真正对数学模型感兴趣。后来我读了一本《机器学习》的英文版教材，它是我在图书馆看到的对各种神经网络具有详细描述的书籍（但由于太古老还没有涉及卷积和递归神经网络），在其中它单独加了一章——遗传算法，这是我第一次真正接触复杂系统的描述方法。之后，我在接触仿真模拟时又遇到一个问题，就是伪随机数是如何产生的，大多数教材语焉不详，我只能自己去寻找答案，洛伦兹的混沌系统就是最好的答案。伪随机数确实不是真正的随机数，但在经历过一段时间后，他就可以摆脱原始简单的逻辑和参数（前提是在混沌点），而成为无法被预测的随机数据。这是我第二次接触复杂系统。 包括后续后来工作后，开始理解和尝试运用随机森林以及进一步扩展bagging算法，还有lgb和xgb等boost算法的应用，他们虽然还称不上复杂系统，但也给我带来了深刻的思考——为什么在结构中加入随机性，就可以增大基础学习器的泛化能力？为什么传统算法中精心准备的剪枝或者正则函数应用，反而不如在结构中加入随机性的效果来的更好（个人感觉其实相当粗暴，以加入随机性和大量基学习器为主）？最后的答案是：这恰恰模拟了进化的过程。生命从来不是由一个伟大的智能生命设计的，而是从一个个丑陋、低级的生命体开始，逐渐加入自我变化和自然选择，最后就可以达到越来越高级的形态。 很多时候，只要在模型中纳入随机性和大量个体，模型的泛化能力就会得到加强。这是很多模型体现出来的效果，但是为什么会这样？或者说，我们理解了其中的原因，会给我们的思想带来哪些进步，从而让我们可以更好的发展模型本身？这本书可以给我带来一个统一的视角，它整合了我很多碎片化的思想，从而真正加上了我对复杂系统实质性的理解——而在此之前，我甚至不知道我的很多想法都可以归结于复杂本身！

• 

  Bob

  推荐

  在相关领域摸爬滚打多年，我对复杂系统这一概念愈发抱有浓厚的兴趣。本书虽然在构建整体图景的努力上明显不足，但正像作者所指出的那样，人类在这个领域仍处于极为早期的阶段，我和作者一样，期待在不久的将来，能看到动力系统、计算理论、统计物理、随机过程、控制理论、博弈论等理论的深度融合，帮助人类更好地理解这个复杂的世界。

• 

  浅行

  推荐

  读此书再次让我感到数学的力量，世界是复杂的，希望这个复杂性是可理解的！

• 

  李亚琴

  推荐

  4.计算机模型 理想模型 麦克斯韦妖、图灵机、逻辑斯蒂模型和逻辑斯蒂映射、冯·诺依曼自复制自动机、遗传算法、元胞自动机、科赫曲线和模仿者等。 囚徒困境 囚徒困境悖论指的是群体中的个体由于只顾自身利益，整体上却使得群体中所有个体均受损的情形。 囚徒困境收益矩阵 该矩阵反应了只有双方都合作，收益才能最大化。 计算机模拟囚徒困境 针锋相对原则：针锋相对策略愿意合作，并且对愿意合作的对手以礼相待；但如果对方背叛，针锋相对策略就会回之以背叛，直到对手又开始合作为止。这样的策略打败了其他所有策略。 五、网络 1.网络科学 小世界 哈佛大学教授米尔格兰姆做了一场信件实验，他发现在送达的信件中，发信人平均经过5个熟人就送到了收信人的手中。这个发现后来被称为“六度分隔”。也就是说，你和任何陌生人之间所间隔的人最多不超过5个。 虽然后来心理学家柯兰费尔德研究发现，这场实验被曲解了，大部分信件都没有到达收信人手中。但六度分隔的小世界思想还是成了我们文化的传奇。 网络思维 网络思维意味着关注的不是事物本身，而是事物之间的关系。网络科学的目的就是提炼出这些共性，并以它们为基础，用共同的语言来刻画各种不同的网络。 对网络科学的理解不仅会改变我们对各种自然和社会系统的理解，同时也会帮助我们更好地规划和更有效地利用复杂网络，包括更好的网络搜索和万维网路由算法，控制疾病传播和有组织犯罪，以及保护生态环境。 什么是“网络” 网络是由边连接在一起的节点组成的集合。节点对应网络中的个体（例如神经元、网站、人），边则是个体之间的关联（例如突触、网页超链接、社会关系）。 小世界网络 米尔格兰姆的实验也许不能证明我们的社会是一个小世界，但我们的社会网络的确是一个小世界。从一个节点出发，用不了几步就能到达任何节点。一个网络只有少量的长程连接，相对于节点数量来说平均路径却很短，则为小世界网络。小世界网络经常表现出高度的集群性：任选3个节点A、B、C，如果节点A与节点B和C相连，则B和C也很有可能相连。 很多社会网络都具有小世界性。比如电影演员网络，多产电影明星凯文·贝肯与其他电影演员的关系，一般来说，与凯文·贝肯之间的路径很长，就说明该演员在演艺界混得不好。还有美国西部电网，线虫脑神经等。 无尺度网络 谷歌出现前，搜素引擎的做法是在一张索引上搜索你查询的单词，索引将所有可能的英文单词对应到包含有这个单词的网页的列表。这种方法，结果就会出现一大堆不相关的信息。20世纪90年代，谷歌提出了一种革命性的思想——“网页排名”，对网页搜索结果进行排序。其中的思想是网页的重要性（和可能的相关性）与指向这个网页的链接数量（入连接的数量）有关。这种方法，使得与搜索单词最相关的网页通常都位于列表的前面。 如果我们将万维网看作一个网络，节点是网页，边是网页之间的超链接，我们就 无尺度网络有4个显著特征： （1）相对较少的节点具有很高的度（中心节点） （2）节点连接度的取值范围很大（度的取值多样） （3）自相似性 （4）小世界结构 所有的无尺度网络同时也具有小世界特性，但不是所有具有小世界特性的网络都是无尺度网络。 无尺度网络具有稳健性。无尺度网络对节点的随机删除具有稳健性，但如果中心节点失效或是受到攻击就会非常脆弱。比如芝加哥的暴风雪可能会导致全国大面积的航班延误或取消。芝加哥是航班网络的中心节点。 而无尺度网络遵循的规律是什么样的呢？研究表明，它一定遵循连接度幂律分布，网页的入度分布大致是：入度为k的网页数量正比于1/k²。 2.真实世界中的网络 （1）大脑 一些研究发现大脑具有小世界特性，在几个不同的描述层面上都可视为网络。进化之所以喜欢具有小世界性的大脑网络，弹性可能是一个重要原因：我们知道神经元会不断死去，但幸运的是，大脑仍然能正常运转。 （2）基因调控网络 人类之所以比植物复杂，不在于基因数量，而在于基因如何相互作用。有很多基因的作用就是调控其他基因，即决定受调控的基因是不是表达。在调控网络中，节点代表单独的基因，边代表基因之间的调控关系。稳健性很重要，无尺度结构能让系统基本上不受这些错误影响。 （3）代谢网络 代谢途径之间相互作用，形成代谢反应网络，符合幂律分布，也就是无尺度网络。代谢网络中的节点是化学反应物。 （4）流行病 研究性传播疾病的流行病学家经常需要研究性关系网络，这个网络的节点代表人，边代表人之间的性伴侣关系，具备无尺度结构。这种情况下，只要移除中心节点，就有利于控制疾病的传播。 （5）生态与食物网 在生态学中，食物网的中心节点代表物种或物种群，有些科学家认为食物网具有无尺度结构和稳健性，另一些则不同意这种观点。目前，生物学界对这个问题持有争议。 网络思想的意义 在科学领域，网络思想为描述自然界复杂系统的共性提供了新的语言，也使得从不同领域得到的知识点能相互启发。 在技术领域，网络思想为许多困难问题提供了新的思路，例如，如何让网络上的搜索变得高效，如何控制流行病，如何管理大型组织，如何保护生态系统，如何应对疾病、犯罪和恐怖组织等等。 网络中的信息传播和连锁失效 这里的信息是指节点之间的交流。网络连锁失效是这样一个过程：假设网络中每个节点都负责执行某项工作，如果某个节点失败了，工作就会转移到其他节点，导致其他节点负荷过重而失效，从而引发网络大崩溃。 3.比例之谜 生物学中的比例缩放 1883年，德国生理学家鲁伯纳提出“表皮猜想”：动物表面积与体积的2/3次幂呈比例。不过，这个数据之后被证明与实际不符。在20世纪30年代，瑞典动物学家克莱伯经过测量表明，代谢率与体重的3/4次幂呈比例。这个幂律关系现在被称为克莱伯定律，不仅对哺乳动物和鸟类成立，对鱼类、植物、甚至单细胞生物也成立。 幂律与分形 幂律分布就是分形，它们在缩放尺度上都自相似，而幂律指数则是相应的分形维，维数量化的正是分布的自相似与放大倍数的比例关系。同时，我们也可以说，网络的度分布具有分形结构，因为它是自相似的；科赫曲线这样的分形导致了幂律，幂律描述的正是曲线的自相似与放大倍数的比例关系。 代谢比例理论 布朗、恩奎斯特和韦斯特通过计算表明：决定代谢率的养分输送速率与体重呈指数为3/4的比例关系。进化将我们的循环系统塑造成了接近于“思维”的分形网络，从而使我们的新陈代谢更加高效。 该理论可以应用到心率、生命期、妊娠期、睡眠时间、植物的代谢和细胞层面等方面。代谢比例理论初具雏形，却饱受争议。作者相信，随着时间的流逝，证据的天平最终会倒向胜利的一方。 4.进化，复杂化 生物进化是如何产生出个体如此简单、整体上又如此复杂的生物呢？通过前几章，我们可以看到生命这样精巧的复杂性居然是通过有利的突变和历史偶然的进步逐渐积累而成的。 遗传，复杂化 分子革命的出现，让人们更加深入地了解遗传学，了解基因背后的复杂性。DNA在自我复制的过程中会有小的随机变化；对有利变化的长期积累最终导致生物的适应性变化，并产生新的物种。 基因是什么 基因并不是相互分开的，有些基因相互重叠。 基因可以在染色体上移动，甚至移动到其他染色体。 单个基因可以编码多个蛋白质。 生物系统的复杂性主要来自基因网络，而不是单个基因独立作用的简单加总。 即使基因的DNA序列不发生变化，其功能也会发生可遗传的变化。 进化发育生物学 人类只有大约25000个基因，复杂性从何而来？人类在遗传上与其他物种很类似，为何我们的形态与动物差别这么大？根据进化发育生物学，这些问题的答案至少部分在于基因开关的发现。 物种形态多样性的主要来源不是基因，而是打开和关闭基因的基因开关。这些开关不参与编码蛋白质的DNA序列，通常长度为几百个碱基对。它们以前被认为是所谓的“垃圾基因”的一部分，但现在发现它们有基因调控的作用。 作者举了一个燕雀鸟喙的进化的例子，研究发现一个名为BMP4的基因可以通过调控生成骨骼的基因来控制喙的大小和形状；另一种名为钙调素的基因被发现与长细形的喙有关。 也正因为受到调控基因的调控作用，我们的进化既有多样性，又不可能无限变化。 基因调控和考夫曼“秩序的起源” 理论生物学家考夫曼可能是第一个发明和研究基因调控网络的简化计算机模型的人，他的模型结构是所谓的随机布尔网络，是从元胞自动机扩展而来。他认为生命存在于混沌的边缘。原则上自然选择对于复杂生物的产生并不是必需的，但一旦网络结构变得足够复杂，即有大量节点控制其他节点，复杂和自组织行为就会涌现出来。 在考夫曼的“第四定律”中，他提出，复杂生物的进化部分是由于自组织，部分由于自然选择，而且可能自组织才是起主导作用的。这一观点立刻引起了学界强烈的反响，人们对该发现争论不休，到现在也没有一个确切的结果。 作者表明，我们对生命系统复杂性的理解才刚刚开始。 六、尾声 作者在研究复杂系统的过程中，受到了诸多质疑，很多人认为复杂性的“普适定律”的可能性过于野心勃勃或模糊不清，但大部分人对这个领域及其对科学已经产生和将要产生的贡献还是抱以高度的热情。复杂系统科学正分化为两个独立的方向，沿其中一个方向，复杂性研究的思想和工具被提炼出来，并应用到更广泛的领域，如前面提到的物理学、生物学、流行病学、社会学、政治学和计算机科学等。另一个方向更有争议，它从更高的层面来审视这些领域，寻求及时性和预测性的数学理论，将复杂系统之间的共性严格化，并且能解释和预测涌现现象。 在该领域有个笑话——复杂系统的研究者在“等待卡诺”。包括作者在内的复杂系统的研究者都在等待一位卡诺或牛顿式的人物，发明一种能抓住复杂系统的自组织、涌现行为和适应性的起源和机制的数学语言。 复杂系统的研究才刚刚开始，对作者来说，实现这种远大目标的前景正是复杂系统研究真正的迷人之处。

• 

  鞠佳

  推荐

  一本写得很差的书。毫无阅读体验，充斥着大量枯燥乏味的专业术语，完全是一本专业博士论文，建议一般读者不要看这本书。作者从头到尾在自说自话，他只和专业学者探讨问题，根本没有从读者的角度来思考一本书应该怎样写才能吸引读者。虽然作者本人思想有深度，但根本不是一个好作者，或者说他完全不会写书。这种说对一般人来说，只是用来装逼用的。

• 

  来不及看一朵花怎么盛开

  推荐

  对于复杂科学，就像历史上所有伟大科学一样，在起步阶段充满了憧憬和争议。虽然没人能断定它最终能否比肩那些伟大科学，但毫无疑问的是复杂科学研究正在全世界掀起浪潮，引用邓肯·瓦特的一句话，“一大群饥肠辘辘的物理学家兴奋地循着新问题的香味涌来。” 这本书质量很高，是对复杂科学的概述，既可作为科普读物，也可作为综述文献（作者对每一个理论和结论都给出了原文引用，同时给出相反的批评意见及引用） ，无论是想了解当今科学发展的重要方向还是入门复杂系统研究都是不错的读物。

• 

  废梁

  推荐

  这个书看起来很快，提供了一个可以将很多领域放到同一个框架下进行思考的方法

• 

  大樊👊🏻 曌乾组织教练

  推荐

  对于我这种头脑简单的人来讲，能看这么一本专业或者说烧脑的书，已经很不错了。实话说，可读性不高，因为秉承了西方学术性书籍的特点，通过大量的论证来告诉你TA为什么有这个观点，而这个论证包括了太多的数学、物理等学科性知识，请原谅我已经只记得加减乘除了。所以，我只给三星，呵呵！ 但这本书最有意思的地方在于，列举了蚁群、大脑、免疫系统的例子，来告诉你很多个体是简单的，但是群体却是复杂的。比如如果将100只亚马孙热带雨林中的行军蚁放在一个平面上，它们会不断往外绕圈直到体力耗尽死去。然而，如果将上百万只放到一起，群体就会组成一个整体，形成具有所谓“集体智能”的“超生物”。他们会一起行军吃掉沿途所有的食物，并在晚上休息时由工蚁组成个球，幼蚁和蚁后在球中。再比如单个的神经元只会做简单的释放或接收化学信号，可是无数的神经元在一起，却构成了复杂的大脑。无论是蚁群还是大脑，都不存在一个中央指挥系统，但最后却完成了异常复杂的工作，神奇！ 还有一个非常有意思的地方在于，所谓群体复杂工作的发生，其实是由无数随机事件构成的。比如蚂蚁在找食物的时候，看上去是乱找的，但其实不是。它们在寻找到食物行进的路上，一边走一边释放信号信息。当找到食物后，会按照原来的路径返回，以此来强化自己来时留下的信号信息。当这种信息被不断加强，就有更多的蚂蚁知道要到哪里去搬食物了。当然，这个过程中，依然还是会有蚂蚁继续走别的路，万一要是能找到更好的食物呢？所以无数的随机中，有一些信号被加强，最终会出现某个行为。类似的，淋巴细胞也是如此，人体随机产生细胞，去和侵入的细菌病毒结合，结合成的就被不断复制，从而形成免疫。所谓偶然和必然的关系，可见一斑。但想想有点细思极恐。感觉能够让这些信息不断重复的背后，在于这么做的意义或价值是否有利于群体，即趋利避害的程度。从系统的视角看，凡是对系统有利的，就支持，不利的就淘汰。所以，与群体相比，个体是可以被牺牲的，残酷啊！ 快速地浏览了这本书，突然有种感觉，需要更多地抽离出来，去一个更大的、系统的视角来看问题。当可以站到更高的地方去看的时候，很多东西都会变得不同。哎，古人诚不我欺，“不识庐山真面目，只缘身在此山中”！

• 

  何雄哉

  推荐

  已知世界的疆域不断拓展，许多原本泾渭分明的学科领域产生了激动人心的交叉混融。新的学科领域层出不穷，以至于大部分人终其一生仅能窥其一斑——即便是勤学不辍的人。有人研究海岸线的分形问题，有人研究叶孔的开合策略，有人研究大脑神经元的自组织……闻所未闻却意义深远，把人一步步导向终极真理。有人试图寻找宇宙的源代码，即一个自复制的代码，由一到宇宙。这是一本增进智慧的书，书中的见解是你闻所未闻的。

• 

  d@x

  推荐

  "第一驱动" 系列. 有情怀有眼光的编辑团队, 甄选出的人类智慧之精华. 单是入选系列, 就已经代表了品质. 一旦开卷, 熟悉感扑面而来. .. . ~ [ 热2 ] 对于, '热2定律是否是真实的物理规律' 还是 '只是统计学的一个花招' 的争论, 由来已久. 生命是否违背热2, 从未消停过. 其中一个case是 'Maxwell demon': 妖可以在几乎不输入能量时, 减少系统的熵. 结论是: '麦妖'是要做判断和记忆运算的 -- 凡是 '记忆擦除运算' 都会造成熵增, 抵消系统的熵减. .. . [ entropy ] '热力学熵' (克劳修斯) 在19世纪, 热力学在工业的推动下, 快速成长起来. 最开始只是认为它是对于'浪费掉的能量' 的一个热力学量度. Δs = ΔQ/T (Q热量, T绝对温度) '玻尔兹曼熵' 直到后来玻尔兹曼发现了其信息属性. (遗憾的是, 其思想太过反直觉, 因而不容与学界. 大哥最终悲惨自戕.) s = k log(W), W 为样本的可能微观状态数量, k 为玻尔兹曼常数. '信息熵' Claude Shannon在此基础上, 建立了 '信息论', 并提出了与之相似的 '信息熵'. .. . [ calculation ] 'the universe is calculation.' 这是一个相当反直觉的陈述. 1900年巴黎国际数学家大会上, 德国大师David Hilbert提出了23个 '重大问题'. 其中, 乐观的认为 '数学是完备的', 且 '数学是自洽的'. 然而, 在短短几个小时后, 就被25岁的 Kurt Godel当场打脸 -- 数学如果是一致的, 就不是完备的. 即, 'Godel不完备定理'. 而对于 '是否有明确程序判断命题是否可证', 23岁的Alan Turing给出答案为: 否! 由此引发了 'Turing machine' -- 一种能进行任何数字和符号运算的机器, 信息处理机. .. . [ complexity ] 复杂性如何定义? 似乎一目了然, 却又莫可名状. 不过有三个衡量方向: 1多难描述 2多难构造 3组织形态如何. 1 '描述难度' 人类有30亿的碱基对中, 只有2%组成了gene (25000个). 其中非基因部分又称 "非编码区", 其作用包括: 防止染色体解体, 功能调控, 或未知, etc. 若以 '基因数量' 衡量复杂性, 人类基因还少于变形虫. 以 'Shannon entropy' 来衡量, 也有困难 -- 比如, 大脑的复杂性, 很难被转化成 '信息'. 1969年因 '基本粒子标准模型' 而获nobel的大神, 'the Quack & the Jaguar' 作者(理论物理大牛居然写书也这么好看! damn!), Murray Gell-man 提出 'effective complexity': 需要先用最简有效方式描述, 再衡量其复杂性 -- 最有序, 和最随机的, 复杂性最低. 而科学研究, 就是找到理论和解释, 和将信息压缩的过程. 再加上Ockham's razor. 2 '构造难度' 数学家Bennett提出了 'logical depth', 即 '构造该物的难度', 来衡量复杂性. 并认为, 逻辑深度之物, 本质上都是长期运算和动力过程的产物. 问题是, 想法很棒, 就是没法操作. 80年代末, Heinz Pagels提出 'thermodynamic depth'. 思路也是基于 '构造难度', 其定义是 '生成该物的全部时间序列, 及其过程所消耗的热力源和信息源的总量'. 还有一些基于信息论, 计算理论, 分形等的复杂性定义, 不下40种. (fractal的定义, 因人而异, 并非一定是直观的 '自相似', 但大体上都指 '在任意尺寸维度都有细微的结构'.) 3 '组织形态' 1962年, (政治学, 经济学, 心理学)大神Herbert Simon提出 系统复杂性可用 'degree of hierarchy' (层次度) 来衡量 -- 复杂系统由子系统组成. 高层功能的有效运转, 依赖低层系统的完善和完整. .. . [ cellular automaton ] '冯.诺依曼机' 是以cpu, 内存, 硬盘位基本模式的计算机模型, 从创立之初就奠定了现代计算机的架构, 一直没变. 它本质上是一个串行序列的连续计算. 与之差异的, 是 'cellular automata'(元胞自动机), 指大规模单元的并行统计运算. (蜂群, 和大脑, 就是以 cellular automaton 的方式在运算.) 讽刺的是, 人们为了区别, 称之为 '反冯诺依曼机', 然而它却又是变态冯诺依曼本人创造的 -- 并证明了, CA也是general turing machine (全部cellular的状态即为一个时序节点). (Turing证明了, 存在General Turing Machine. 冯诺依曼证明了, '自复制机', 也是General Computer.) 最简单的 CA 是1970年, 数学家John Conway创造的 "the life game": 二维格子阵列动态系统. 规则: 1创生(旁活=3), 2孤独死(旁活<2), 3挤死(旁活=4) 更复杂的模式不是没想到过, 只是运算量太大, 几乎无法实现. 另一个天才的变态Stephen Wolfram (1959年生于London, 15岁发表物理学论文, 创造了知识体系搜索引擎Wolfram Alpha那个神) 创造了 '一维the life game', 并发现了4中模式. 其中规则30(初始条件), 被用于生成伪随机数, 并申请了专利. 很难证明每个规则是否 GTM (Wolfram助手证明了规则110是GTM). 2002年, Wolfram提出了 'The Principle of Computational Equivalence' (运算等价性原理), 有4则: 1 自然界的过程, 皆为 '计算' 2 general computing, 在自然界广泛存在 3 'general computing' 是自然系统或过程的复杂性上限 -- 没有 '不可计算' 的行为 4 自然界各种过程实现, 在计算复杂程度上, 几乎等价 .. . [ calculation ] 生命活动被越来越多的被看作 '计算'. "免疫" 首先, 淋巴细胞(白细胞的一种) 表面布满各种受体, 可以适配不同形状的靶向分子(抗原)结构 -- 识别出了抗原, 像挂钩一样与之接合. 当接合数量超过某个阈值, B细胞就被T细胞激活, 被送到淋巴结, 大量复制, 释放受体到血液中. "蚁群" 蚂蚁的大脑很小, 只能执行非常简单的算法任务 -- 比如, 发现食物, 返回巢穴, 沿途留下 pheromones(信息素), 其它蚂蚁会沿着信息素寻去, 如果靠谱, 就会得到强化. 蚂蚁相遇, 会通过触须进行简单的交流 "我正在做什么任务", 然后会根据环境的需求, 和遇到同类执行任务的概率, 调整自己的工作. .. . [ model ] 模型, 是我们人为创造出来的思维抽象或简化, 是我们1理解(解释) 和2预测世界的框架. 'game theory' 是一个有效的框架和(许多互动场景的)简化模型. 在'prisoners' dilemma' 中, nash equilibrium 是 '背叛', 即 '最大数学期望策略'. but! 但是, 这只适用于 '单次'. 而对于多回合博弈, 最佳策略则是 '合作' -- 真人实验, 或遗传算法. 尤其当群体存在 '记忆' 时, '性本善' + '赏善罚恶', 产生了最佳的效果. 甚至可以扭转 '作恶者' 的策略逻辑, 迫使其就范. (一个有 '良好秩序道德' 的体系, 更容易让赏善罚恶发生正面激励效果. ) 而参与者 '信号明确' 且 '原则如一', 会更快速的引导周围博弈者进入稳定的策略模式. 对于没有记忆的 '元胞' 网络 (或生物网络, 比如蚁群), 其 '分布式状态' 本身就承担着 '记忆' 的功能, 时长远远大于单体记忆, 甚至寿命. 相对于混乱和高流动的环境, 稳定的环境 更容易形成群体长期记忆, 和稳定的良性规范 -- 比如小村庄相对于大都市. .. . [ network ] 真实世界网络大都有两个特点: 1小世界(分布式) 2无尺度(自相似, 分形) '自相似'不仅仅体现在结构上(连接分叉), 也体现在统计上(链接节点数量成幂率分布). '分布式' 注定了存在中心节点和长程传播路径, 确保了整体连接效率和成本的最优平衡. (比如婴儿大脑.) "交通网络" "神经网络" "代谢网络" 大部分细胞都有上百种代谢路径-- 每个节点是一租代谢的产物可能性. 全部可能性流程, 组成一个网络. 同样, 也符合幂率. "流行病" (性传播疾病), "性关系网" "食物网" "连锁失效" 网络中的关键节点故障, 导致压力过度集中中在另一路径, 导致过载失效的级联扩散效应. "preferential attachment" 无尺度(自相似, 幂率特性) 网络是如何产生的? 1999年俩物理学家提出了一种网络生长机制: preferential attachment(偏好附连) -- 链接多的节点, 获得新的连接的可能性更高 (朋友多的人, 更容易交到新朋友). PA不一定是所有自相似(幂率)网络的成因. 也有其它方式. 但其核心都是'the Matthew effect' -- 自因果. (这在 傅渥成 的 '临界' 一书中也有提到.) .. . [ proportion ] 生物不是封闭系统. 相反, 是个临界态的开放系统. 能量和物质流过, 转化为低熵的'信息'. 体型与散热, 并不与体重成正比 -- 平均功率时不同的. 但, 普遍认知的 "功率正比于表面积" (或体重的2/3次幂), 也与数据不符 -- 真实的数据是3/4次幂, 即 Kleiber's Law. (就是说, 体型较大的动物, 代谢率比表面积的限定要高.) 神奇的是, 不仅仅对哺乳动物成立, 对于鱼类, 植物, 甚至单细胞生物都同样适用. 类似的 "quarter-power scaling laws / 四分幂比利率": ~寿命与体重, 呈1/4幂率. ~心率与体重, 呈-1/4幂率. 原因? fractal 是产生幂率的模式. 身体的大小, 受限于代谢系统 '向细胞输送养料' 的3能力. 理论假设: 进化已经将 '养料输送' 的效率和时间优化到极致. 因而, 输送养料的 '最小单元' 是一致的. (实时也是如此, 所有动物的毛细血管尺寸相同. ) 以此(能量时间最优, 终端单元一致, 的分形结构)为假设, 计算得出, 任意尺寸的 "代谢输速率" 与 体重 呈3/4幂率分布. 关于'单一这事儿, 学界还有极大争议. 研究越细, 就越多声音跳出来称: "不可能有单一理论解释如此纷繁". .. . [ gene ] gene是什么? DNA转录RNA构造蛋白质实现生物功能, 只是故事的一部分. 还存在一些普遍误解: 1 gene不是完全独立. 有的片段互重叠, 甚至有嵌套. 2 gene不是固定不变的. 可在染色体上(甚至染色体间)移动, 即 "jumping gene". 于是染色体可以重排. 该变化比"基因复制错误或突变" 产生更大的变异率, 是导致多样性的重要机制 -- 也解释了近亲或同卵双胞胎的显著差异. 3 gene不是1对1. 片段会编码不同的蛋白质. 这很反直觉. 但事实是, 蛋白质数量超过基因数量. 解释是: alternative splicing(多重剪接)和RNA editing -- 相同原料, 不同加工方式. 4 生物系统的复杂性, 来自gene网络, 而非单一gene的作用. 5 甲基化: 即使gene序列不变, 也并不代表phenotype不变. 一些片段可以被甲基化-- 关闭功能-- 并且可遗传给后代. 6 trash gene: 以前认为是没有功能的噪音, 现在发现有调控基因表达的作用, 比如gene switch. 尤其是4, "网络效应" 基本否定了全部 "单一基因"的假设, 以及与之相关的专利体系. 而 'gene switch'的发现, 则很好的解释了, 为何人类和老鼠有90%, 与猩猩95%基因相同, 却在表达上如此不同. 天才的Kaufmann(先从事核物理, 后转向分子生物), 提出了所谓的 "候选的热力学第4定律": 生物体有天然的趋向更加复杂的倾向-- 低熵体的Matthew effect. 进化论者基本分为三个流派: 1适应选择论(古典Darwinism) 2历史偶然(随机漂变+棘轮积累) 3Kaufmann的生物体天然自复杂倾向. 而作者认为, 将3者统一, 才是故事的全貌. .. . . ~ 不得不说, 系统神作中, 女作者比例偏低. 然本书作者Melanie Mitchell, 确能位列大咖仙班. 也不奇怪, 男人思维 '像微积分'(单一, 少量数据), 而女性思维恰是 '网状的' -- 一如本书所论的 '复杂系统'. 对于complexity的衡量, entropy并不胜任--复杂, 不仅仅是 '负熵'! 而对于生命和信息来说, 极致有序(晶体) 或 极致随机(混乱) 都是信息和复杂性低态 -- 当然, 也远离了 '相变的临界'. '书不单行', 本书与 傅渥成的 '临界' 共览, 则更具启发. 尤其是对于 '秩序 vs. 复杂性' 的部分. Kaufmann的 '热4' (生命天然聚集负熵), 也为理解生命的产生铺设了通路. "生命是什么"? 本质上, 生命就是以计算(而非仅仅是动力学)为核心的, 复杂性聚集 -- 无论其形式是碳, 硅, artificial neural network, 还是其它. 理解生命, 必将借助复杂系统, 信息计算, 等框架, 而主流物理学显然不足. 确为神作, 乃理解进化和生命的基础思维框架. '圣贤庸渣', 此书中圣, 当之无愧! .

• 

  YiyaChen卫

  推荐

  自从1994岁在Amazon 上，出版了最早的（Complexity: The emerging science at the edge of order and chaos) 后，大批相关书籍出版，包括一些相关通俗易懂科普内容简介书出现。本书作者2011年这本书（她在2009年就出了第一个版本），从书目录看，的确可能会吓跑一批读者。但是，如果能够狠下心来读，就会发现它并不是那样高深不可测，非常难理解。 如同作者所言，她的确是写给那些非数学物理专业的读者。她从大现代生物学，现代物理学，特别是量子力学，现代几何学（拓扑学），及计算机大数据，网络信息学等角度，以大手笔，帮助人注意思考，其实早已经在宇宙世界都可以观察到，但几乎都完全忽略想象，例如，从对比一只小蚂蚁个体行为，到一群蚂蚁集体有效行为之质变，可以发现其中十分有趣，有规律的……。比如，蚂蚁用身体建造出一座桥，让蚁群能迅速通过沟壑。呵呵，这里不透剧情，当然，它与法国某心理学关心提到之，例如，所谓集体弱智，完全风马牛不相及。其实，从人的免疫系统，大脑神经元，大自然中一些固定模式及计算机网络系统等都有类似控制，……这就是本书从跨学科角度，对于“复杂性”概论所关注，介绍内容。 简言之，对于生命系统研究越深刻，对于此复杂性认识程度就越迫切。相信对于基因组中的所谓“黑洞物质”，例如，LncRNA 等在基因调控领域中的认识越深，就能够发现其“复杂性”越来越有特点。另外，像人们注意到人基因总体数字不大（3-4万），为什么其生命多样性的各个方面，又有如此重大作用？这种复杂性也是困惑科学界的世纪之问。 因为，由于此理论如此重要，……，所以，真搞不懂，现在一批理科背景，转行之新一代哲学研究专业人士，为什么还在关心，似乎必然走向失败的后现代西方哲学，例如，研究像“维特根斯坦”哲学等之流，而不是关心像”singularity or complexity “这一类，特别是与人类与科学技术大发展前景之广阔领域的研究？知道为什么可以如此断言吗？还不感觉可惜吗？相信读本书，应该有启发。 最喜欢书中第八章，从计算机复制到“生命是什么”这一古老传统的讨论，及遗传算法广泛应用前景。这本书中，还有大量宝贵历史人物照片及介绍科技内容的图表，一目了然。最后一章的访谈，严格说可以被认为是本书中精华中的精华。因为提高对话中语言，可以更加清楚知道作者的背景，该领域关注重点及展望。 另外一个非常有趣的想象是，随着AI的突起，自从1995年，以书名为“Singularity “相关内容的书从MIT 等地方出版了大量书。数年前，在Boston大街小巷书店，都可以看到它的有关小册子。而我们微信读书中，还为一批翻译的“xxxx简史”，欢喜跳跃，制作一批xx 粉丝。嘿，这也不知道什么了？呵呵！������ 也不知道，是否有人真认真思考过，这套特制丛书背后的“元故事”？当然，要感谢翻译作者的精彩文笔，同时盼望翻译更多在科学技术上与时俱进的创新好书！五星书，尽管它不一定是, 所有内容都是那样立马一读就通, 特别是技术性细节内容,例如，一些计算机语言程序等。总之，作者所观察角度或者视野高，它是一本开脑窍，长眼界的好书！ 尽管，一个通俗的复杂系统定义：“由大量相互作用的组分组成的系统，与整个系统比起来，组分相对简单，没有中央控制，组分之间也没有全局性的通讯，并且组分的相互作用导致了复杂行为。这里“复杂行为”指的是前面列出的那些术语（适应性、涌现，等）”。 然而，综合考虑现代免疫学在癌症治疗进展，现代生命信息学及与医学治疗在各种代谢途径通路研究过程中大量累积信息，及大数据，大脑科学和AI的发展应用，特别是，作者详细讨论了生物学与复杂性的互动，并将生物学与计算联系起来。信息处理在生命系统中扮演了什么角色？我们不能不想到，像作者也关心的一个大问题：什么时候能够出现一位像牛顿发明了微积分那样的人物，用全新数学语言。例如，它“结合动力系统理论、计算理论、统计物理、随机过程、控制理论、决策论等领域的理论研究“，回答生命科学中，本书讨论过的一些“复杂”问题？此复杂非常人所理解的复杂，这就是本书的贡献及不一般的介绍。