# 约翰·霍兰德 - 涌现 (Highlights)  ## Metadata **Review**:: [readwise.io](https://readwise.io/bookreview/29211224) **Source**:: #from/readwise #from/weread **Zettel**:: #zettel/fleeting **Status**:: #x **Authors**:: [[约翰·霍兰德]] **Full Title**:: 涌现 **Category**:: #books #readwise/books **Category Icon**:: 📚 **Document Tags**:: #artificial-intelligence #gave-up **Highlighted**:: [[2023-06-20]] **Created**:: [[2023-06-22]] ## Highlights ### 序言 写一本普通读者能看懂的书 - 而在一本为对科学感兴趣的非专业读者写的书中，则不应该有很多假设，写得过度简洁反而会对读者造成理解上的障碍。 ^550771279 ### 第1章 神秘的涌现现象 - 极其复杂的游戏往往只有几条规则。 ^550771281 #### 理解涌现 - 尽管人们通常认为建立模型并不是创立科学理论的关键，然而我的观点恰恰相反。每当科学家创立一整套描述世界的方程时，如牛顿方程或麦克斯韦方程组，他们其实就是在构建一种模型。每个模型都只描述世界的某一特定方面，而将其他方面看成是次要因素。如果模型构思得当，它将对可能出现的情况做出预测和计划，并且揭示新的可能性。 ^550771283 - 从国际跳棋和神经网络中我们看到了组合的巨大作用 ^550771284 - 在1969年，赫伯特·西蒙(Herbert Simon)进一步完善了这种见解，使它与我们的目标直接联系起来。他通过钟表匠的故事证明了这种见解的优势：制造一块手表时，先要制造组成手表的各个基础构件，然后再将这些构件组合成一个更大的构件，依次组装，直到造出一块手表。如此一来，我们便能够更容易地理解和控制复杂系统。 ^550771285 - 特别是，我们发现将那些基础的积木块（building block，回忆一下赫伯特·西蒙提到的手表子构件）重复组合的机制在这三个复杂系统中都起到了关键作用。我们进一步发现：1.这些组合机制之间的相互作用不受中枢模块的控制。2.随着机制之间相互作用的适应性不断提高，涌现现象出现的可能性也迅速增加。 ^550771286 - 这些新例子也说明涌现通常涉及一些相互作用持久存在的模式，尽管这些模式中的组成成分不断变换。不妨举一个简单的例子：在一条清澈的小河里，水流在一块石头前激起浪花，形成驻波。组成这个驻波的水分子不断变化，然而只要石头立在那里，并且水在不断流动，这个驻波就会持续存在。 ^550771287 - 我们可将一个可观察到的、持续存在的模式作为积木块，用来构成更复杂级别的持续存在模式。 ^550771288 - 人们在建立一个模型或完善一个科学理论架构时，往往并不会给出推导的过程。科学理论架构所推导出的标准结论，往往不会体现推导出这些理论架构的早期隐喻模型。 ^550771289 #### 研究涌现道路上的困难 - 20世纪50年代，这种关于自我复制的观点被彻底推翻了，因为约翰·冯·诺伊曼(John von Neumann)根据美国数学家斯塔尼斯拉夫·乌拉姆(Stanisław Ulam)提出的思想，给出了一种能自我复制的机器的描述(von Neumann, 1966)。 ^550771291 #### 在研究涌现的道路上继续前进 - 复杂系统可用较简单系统之间的相互作用来描述 ^550771293 - 我之所以特别强调“相互作用”，是因为人们现在对还原研究存在一个常见的错误观念：要了解整体，必须深入分析最基本的组成部分，并且将这些部分进行隔离研究。 ^550771294 - 简单机械地运用还原的观念，只是在孤立地研究各个组成部分，对于组成部分之间具有较强相互作用的系统，这种研究方法是行不通的。因此，我们必须既要研究各个部分，又要研究它们之间的相互作用。 ^550771295 - 涌现仅仅发生在整体行为不等于各部分行为简单相加的情况下。 ^550771296 #### 国际跳棋与神经网络 - 我和塞缪尔认为，如果能够充分利用防务计算器的种种潜在能力，我们就能够写出一些可以自适应的程序。这些程序能够通过学习来改变自身，就像前面提到的那样。用塞缪尔的话说就是，我们可以设计出一些程序，实现“只告诉计算机做什么，而不告知它怎么去做”这一目标。 ^550771298 - 塞缪尔的研究成果直接推动了人们对他命名的领域——机器学习的基本认识以及该领域的发展。 ^550771299 #### 忽略细节的数字 - 通过有选择地忽略某些细节，我们就能够得到在现实世界中反复会用到的积木块。 ^550771301 #### 熟悉的积木块 - 通过删除细节得到积木块，并且遵循限制条件将积木块进行组合，是获得建模过程的普适框架的关键因素。 ^550771303 ### 第3章 地图、博弈论与计算机模型 - 在利用对应性来构造模型时，我们先选择需要表示的细节或特征，然后开始构建模型，以便使模型的某些部分同现实对应物的每个细节都一一对应（见图3-1）。 ^550771305 - 在建模过程中，我们可以利用多对一的函数将多个细节不同的对象映射到模型中的同一个要素值上。 ^550771306 #### 博弈论 - 在博弈过程中的任何时刻，博弈的状态是该时刻以前博弈过程的结果，这个结果具有足够多的信息，能够决定将来所有的可能性。 ^550771308 - 对本书而言，博弈论最重要的概念就是博弈树(tree of moves)。树的根节点(root)是博弈的初始状态，第一层分支通向的节点，就是那些从树的根节点所表示的初始状态进行一步博弈动作后所能得到的所有状态。在第一层节点上的分支（第二层分支）通向那些从树的根节点所表示的初始状态进行两步博弈动作后能得到的状态，如此依次向下直到树的叶节点(leaves)。树的叶节点表示博弈的最终状态。叶节点同时也决定了博弈的结果。 ^550771309 #### 初露端倪的涌现 - 通过处理所选择的细节信息，我们通常能够抽取出复杂序列中重复出现的模式，比如锋面。当这些重复出现的模式固定地与一些有意义的事件联系在一起时，我们就称其具有涌现特征。 ^550771311 #### 动态模型 - 构建动态模型的目的是发现导致状态变化的那些不变的规律，这些规律大致类似于博弈规则。 ^550771313 #### 国际跳棋程序的启示 - 对显著特征和细节的敏感属于人类及其他哺乳动物与生俱来的一种能力：在面对复杂情景时，无论是在乡村还是城市，我们总能迅速地把周围环境分解为熟悉的元素。 ^550771315 #### 有关神经元的更多特征 - 一个真实神经元在发射了一个脉冲之后，它就会有一段时间无法再被激发，即要经过一段无法反应的绝对不应期（见图5-4）。 ^550771317 - 当脉冲在回路中循环时，由于受环境的刺激，越来越多的神经元会被带动起来。这种状况如果持续下去，整个网络将会进入一种“疯狂”状态，即所有的神经元都以极高的频率不断发射脉冲。 ^550771318 - 对于这种带回路的循环网络，随着它的容量的增长，那种随时间变化的激发阈值也有助于缓解脉冲的累积所带来的不利影响。由于神经元会周期性地进入休眠状态，所以脉冲的积累速度也会减慢。这种定期休眠的特征和神经元的疲劳状态共同作用，就能够确保带回路的循环网络不至于陷入“疯狂”状态。 ^550771319 #### 无限期记忆 - 带回路的神经网络产生了无限期记忆这种现象很好地将带回路的神经网络和前馈神经网络区分开来。 ^550771321