混沌 · 确定,却不可预测

0. 先把悖论摆上台

要理解这一章,得先把一个根深蒂固的世界观请出来,再看它在哪里裂开了缝。这个世界观叫确定论,它最有力的画像是拉普拉斯设想的那个「妖」:假如有一个智者,知道此刻宇宙里每个粒子的位置和速度,又掌握全部物理定律,那么对它来说,未来和过去一样,都是摆在眼前、确定无疑的。这个画像背后藏着一个我们几乎不假思索就接受的推论:既然规则是确定的、未来由现在定死,那么只要我算得够仔细,就该能把未来预测出来。确定,于是被悄悄等同于了可预测。

可这个推论有一道缝,而且这道缝又老又深,绝不是计算机时代才冒出来的新鲜事。早在十九世纪末,数学家 Poincaré 在研究三体问题(三个天体在彼此引力下怎么运动)时就撞见了它:有些确定的系统,你把起点挪动极其微小的一点,它后来的轨迹就会面目全非。他在 1908 年的《Science et Méthode》里把这层意思讲得很透,大意是,初始条件里一个我们察觉不到的微小差异,可以在结果里酿成一个我们无法忽视的巨大差异,于是预测变成了不可能的事。请记住这个时间点:这不是某种计算机的数值毛病,而是确定系统本身就能有的一种深层性质。这一章接下来要做的,就是把这道缝彻底撑开,看清楚「确定」是怎么和「长期不可测」共存的。

1. 一个没有半点随机的方程,怎么会算不准

Setup · 你默认「确定」就等于「可预测」

先把那个被悄悄接受的推论拎出来,正面检查一遍。它听上去天经地义:如果一个系统的规则里没有任何随机成分,每一步怎么走都被前一步唯一地决定了,那么只要我把起点测得足够准、把方程算得足够细,理应能把它推演到任意远的未来,顶多是再多花点算力、再造个更精密的模型的事。这个推论之所以诱人,是因为它把两件其实不同的事悄悄焊成了一件:一件是决定性,说的是现在唯一地决定未来,规律里没有掷骰子;另一件是可预测性,说的是你这个有限的观察者,真能把那个未来算出来。我们下面会看到,这两件事会在一类系统里彻底分家:它百分之百是决定性的,却对你这个观察者百分之百不可长期预测。

Build-up · Lorenz 的一次舍入意外,和它背后的机制

把这两件事掰开的,是气象学家 Edward Lorenz 的一段著名经历。大约在 1961 年,他在一台早期计算机上跑一个模拟天气的确定性模型,那个版本有十二个变量,方程彻底确定、没有一丝随机。有一次他想再看一遍之前那段演变,为了省事没有从头跑,而是把上一次打印纸上的中间数值手敲回去当新起点。打印纸只印了三位小数,而机器内部其实存着六位。就这么一个肉眼几乎看不出的舍入差异,新跑出来的天气演变,在模拟里没过多久就和原来那条完全岔开,最后变得毫不相干。同一组方程、同一台机器,起点只差在小数点后那截看不见的尾巴上,结果却走向了两个世界。

Lorenz 没有放过这个意外。他随后花了大约两年,把那个十二变量的天气模型一路精简,提炼成一个只剩三个变量的对流模型,并在 1963 年那篇 Deterministic Nonperiodic Flow 里,用这个干净的小模型把「确定却不可预测」讲得清清楚楚:日后那只形如蝴蝶双翼的著名吸引子,正是从这个三变量模型里长出来的。要紧的是,无论是十二个变量的天气模型,还是三个变量的对流模型,方程都百分之百确定;让它们变得不可预测的,从来不是掺进了随机,而是下面这个机制。

这个意外背后的机制,叫对初始条件敏感,而它的要害在于「敏感」二字是指数级的。设想两个起点,相差一个微小的量,记作 ε。在一个普通的、温顺的系统里,这点差异顶多也跟着线性地、不慌不忙地长大,你把起点测准十倍,预测就能多撑十倍。但在 Lorenz 这类系统里,两条轨迹的差距是按 ε 乘以 e 的 λt 次方在涨的,也就是随时间指数放大:这背后正是第 3 章讲过的那台正反馈引擎,误差自己喂自己、一轮轮翻倍,直到这点差距被放大到和整个系统一样大、再也涨不动为止。指数的可怕在于,你把起点测准十倍、一百倍、一万倍,也只是让那条发散曲线晚一点点抵达饱和,买来的预测时间是杯水车薪。

讲到这里必须诚实地补一段来历,免得你日后把一个有名的比喻安错地方。一提混沌,很多人脱口而出「蝴蝶扇一下翅膀,就能在远方掀起一场龙卷风」。这个蝴蝶的说法,出自 Lorenz 后来(一般记作 1972 年)的一次演讲,而不是 1963 年这篇论文;而且连那次演讲标题里的蝴蝶,都不是 Lorenz 自己起的,是会议组织者 Philip Merilees 替他拟的,Lorenz 早先自己用的意象其实是一只海鸥。更要紧的是,这个想法本身比那只蝴蝶老得多:前面说过,Poincaré 早在大约七十年前就在三体问题里看到了它的内核。所以稳妥的口径是:蝴蝶是个好记的比喻,但别把它当成这件事的起点,也别以为是这个比喻发明了这个道理。

Reveal · 确定 + 敏感 + 有限精度 = 长期不可测

把这一节收口。一个系统可以同时是彻底确定的和长期不可预测的,这两件事并不矛盾,把它们焊开的是三样东西的合谋:规则是确定的,所以未来由现在唯一定死,里头没有随机;系统对初始条件敏感,所以起点上一丁点差异会被指数放大;而你这个观察者永远只有有限精度的起点,测量也好、计算也好,小数点后总有测不到、存不下的那一位。这三样凑在一起,长期预测就塌了,而它塌的原因不是规则里混进了随机,恰恰相反,是确定的规则太忠实地放大了你那点不可避免的无知。

一组完全确定、没有半点随机的规则,只要对初始条件足够敏感,再配上你永远只有有限精度的起点,就足以长期不可预测:不可预测不是因为规则在掷骰子,而是因为微小到你察觉不了的起点误差,被确定的规则一丝不苟地指数放大了。

Implication · 你永远拿不到完美的起点

这件事有一个让人有点不甘心、却躲不掉的后果:你永远拿不到一个完美的初始条件。任何测量都有有限的精度,连计算机里的浮点数也只有有限的位数,小数点后面总有一截是你够不到的。于是对一个混沌系统,哪怕你手握完美的方程、完美的模型、无穷的算力,也照样测不远:那截够不到的无知会被指数放大,在某个时刻吞掉你的全部预测。这是一道原理性的极限,不是你的工具不够好、模型不够精,而是这类系统的本性如此。那么很自然的下一个问题是:Lorenz 那个三变量的对流模型,会不会只是个精心构造的怪胎?混沌是稀有的特例,还是其实到处都是?

2. 一行方程通往混沌,而且这条路是普适的

Setup · 混沌会不会只是复杂方程才有的怪癖

你可能会猜,要养出这种对初值敏感的怪脾气,系统总得足够复杂吧:得像 Lorenz 那样,好几个变量耦合在一起,背后还连着一套对流的物理。直觉上,混沌应该是结构繁复的系统才配得上的奢侈品。这一节要给你的,恰恰是反过来的震撼:混沌可以简单到极致,简单到只用一个变量、一行方程,就能把你一路领进它的深处,而且领你进去的那条路,还对一大类彼此毫不相干的系统长着同一副样子。

Build-up · 一行方程、倍周期级联,和那个普适常数

这行方程叫 logistic map,本是个描述种群数量的玩具:xₙ₊₁ = r·xₙ·(1−xₙ),意思是下一代的数量,由这一代的数量 xₙ 和一个叫 r 的增长参数决定,其中 (1−xₙ) 那一项扮演着「数量太多就会因为拥挤而回落」的刹车。你只要做一件事:把 r 慢慢调大,看着这行方程的长期行为变脸。r 比较小的时候,数量会稳稳地收敛到一个固定值;当 r 越过 3,这个固定值突然站不住了,系统开始在两个值之间来回跳,这叫倍周期;再调大,变成 4 个值的循环,接着 8 个、16 个,翻倍越来越快;到 r 大约等于 3.56995,这场翻倍的级联累积到了头,系统就此跌进混沌,此后大体上一片混乱,只偶尔夹着几座又恢复规律的「稳定岛」。

生物学家 Robert May 在 1976 年那篇 Simple mathematical models with very complicated dynamics 里,把这件事的分量点透了。他指出,这样一行确定到不能再确定的方程,在混沌区里吐出的轨迹,看上去和纯粹的噪声没有两样,毫无规律、上蹿下跳。这就逼出一个让当时很多人脊背发凉的警告:真实世界里那些看着杂乱无章的数据,比如一年年起伏不定的种群普查数字,也许根本不是什么随机噪声,而是某个简单的确定规则在悄悄生成的混沌。这正是「混沌不等于随机」这句话最锋利的化身:它长得像随机,骨子里却是确定。

而这条通往混沌的路,还藏着一个更漂亮的秘密。物理学家 Mitchell Feigenbaum 在 1978 年那篇 Quantitative universality for a class of nonlinear transformations 里发现,那一连串倍周期分岔并不是随便发生的:相邻两次分岔之间的参数间隔,每次都在以一个固定的比例缩短,而这个比例趋近于一个常数,约等于 4.669。真正惊人的不是这个数本身,而是它的普适:你换一个完全不同的方程,只要它也有个光滑的驼峰形状,它走向混沌时,相邻分岔间隔仍然收敛到同一个 4.669,跟方程的具体长相毫无关系。Feigenbaum 最初是用一台 HP-65 手持计算器一点点算出这个常数的;几年后,有人在液氦对流的实验里,真的从一缸流体的行为里测到了同一条倍周期之路。那一刻它就不再只是数学了:这个普适的节奏,真的住在物理世界里。

Reveal · 一条路、一整类系统、一个普适常数

收口这一节。混沌不是某个复杂方程的私人怪癖:一行只有一个变量的确定方程,就能沿着倍周期级联这条路一路走进混沌。而更深的一层是,这条路不属于某一个方程,它对一整类形状相似的系统都长一个样,样到可以用同一个 Feigenbaum 常数来标记;这个常数既出现在纸上的数学里,也出现在实验室那缸液氦里。混沌有它自己的秩序,它通往无序的那条路,本身是规整而普适的。

混沌不需要复杂的身世:一行单变量的确定方程就能沿倍周期级联走进它,而这条路对一整类「带光滑驼峰」的系统都长一个样,可以用同一个普适常数(约 4.669)来标记,这个常数既在数学里、也在真实流体里被测到过 —— 通往无序的路,本身是规整的。

Implication · 简单能生混沌,这对我们这本书很关键

这一节悄悄埋下了一个对整条路书都要紧的区分,值得先点一句、留到本章最后兑现。请注意,刚才那个吐出混沌的 logistic map,只有一个变量,没有任何「多部件交互」可言。也就是说,混沌可以极其简单、极其低维,它根本不需要很多部件凑在一起;而这恰恰和这本书反复强调的「复杂等于多部件交互涌现」是两条不同的轴。把这个反差先存进脑子,我们还差最后一块拼图:既然混沌轨迹看着像噪声、又对初值敏感得发散,那它整体上到底长什么样?又为什么能给预测画出一条谁也跨不过去的死线?

3. 混沌长什么样,又为什么给预测画了一条死线

Setup · 一个自相矛盾的画面

把前面两节摆在一起,你会撞见一个看似自相矛盾的画面。一方面,我们说混沌系统对初值敏感,两条挨得极近的轨迹会指数级地飞散开;另一方面,真实的混沌系统又都是有界的,Lorenz 那个对流模型再怎么跑,它的状态也永远困在一个有限的范围里,绝不会真的飞到无穷远去。这就奇怪了:如果近邻的轨迹一直在指数发散,它们怎么没把自己甩出宇宙,反倒老老实实地困在一个有限的形状里打转?把这个矛盾解开,你就看清了混沌的长相,也就拿到了预测视界这把尺子。

Build-up · 奇怪吸引子、Lyapunov 指数、预测视界

先看那个「有限的形状」。如果你把 Lorenz 系统每个时刻的状态都画成空间里的一个点,让它随时间连成一条轨迹,你会看到这条轨迹永远被吸进一个固定的、形如蝴蝶双翼的区域里盘旋,既不冲出去、也从不精确地重复自己走过的任何一条老路。这个系统长期被吸附其上的集合,就叫吸引子;而这一个尤其特别:它有界、永不精确重复(术语叫 aperiodic)、还是分形的(放大看细节,里头是无穷自相似的层次)。Lorenz 造出了第一个这样具体的怪东西,而数学家 Ruelle 和 Takens 在 1971 年那篇 On the nature of turbulence 里,给这一整类古怪的吸引子起了个名字,叫 strange attractor,也就是奇怪吸引子。

那么「飞散」和「有界」到底怎么共存?诚实的机制是一对相反的力在拉锯:伸展和折叠。一方面,系统在某些方向上不停地把挨近的轨迹往外拉,让它们指数分离,这是混沌的「飞散」;另一方面,空间又被一次次折叠,把那些已经分开的轨迹重新塞回那个有限的吸引子里,这是「有界」。量化这件事的工具叫 Lyapunov 指数,它衡量的就是近邻轨迹平均而言以多快的指数速率分离。对一个会收缩到吸引子上的耗散系统,所有 Lyapunov 指数加起来是负的(整体上相空间的体积在收缩,这保证了有界),但其中至少有一个是正的(在那个方向上近轨指数分离,这造成了敏感)。于是混沌有了一个干净的指纹:在一个有界的系统里,出现至少一个正的 Lyapunov 指数。这里要留个心眼,光有正指数还不够,一个会爆炸的简单系统也有正指数,关键是它还得有界,是「关在有限笼子里的指数分离」才算混沌。

这个分离速率,直接就给预测画出了那条死线。既然误差按指数放大,那预测就只在一个有限的时间窗里可信,过了这扇窗,初始的微小误差就被放大到淹没整个预测、让结果毫无意义。这个窗口有多宽,由那个最大的正 Lyapunov 指数定:它的倒数,大致就是预测还撑得住的特征时间,人们叫它 Lyapunov 时间。一个很好用的直觉是,误差每隔大致固定的一段时间就翻一倍,翻够了次数,你的预测就触到了视界、再往后连完美的模型都救不了你;至于「固定的一段时间」具体是多久,因系统而异,别去记一个死数。

Reveal · 混沌的指纹,直接画出预测视界

收口这一节。那个看似矛盾的画面,被一对相反的力解开了:伸展让近邻轨迹指数分离,折叠又把它们关回一个有界的奇怪吸引子里,二者合谋,系统才能既发散又困在有限的形状里。量化分离速率的 Lyapunov 指数,给了混沌一个客观的指纹:有界空间里至少一个正指数。而这同一个指数的倒数,就是预测视界:误差翻倍的节奏一旦定下,你能看多远也就定死了。

混沌的指纹,是「有界空间里至少一个正的 Lyapunov 指数」:伸展让近轨指数分离、折叠把它们关回有限的奇怪吸引子。而那个分离速率的倒数,就是预测视界 —— 过了它,被放大的误差吞掉一切,连完美的模型也无能为力。

Implication · 这条视界是内禀的

请注意预测视界这件事的归属:它是系统自己的性质,刻在那个正的 Lyapunov 指数里,而不是你的传感器不够灵、计算机不够快这类工具问题。把传感器和算力都升级到极限,你能把视界往后推一点点,但推不掉它,因为指数放大那截无知是抹不去的。这就把我们带到了全章最有名、也最切身的那个例子,以及它对你每天打交道的系统到底意味着什么。

综合 · 混沌、随机、复杂,是三件不同的事

先用这一章挣到的东西,把三个总被混为一谈的词分清楚,这也是整条路书要你拿到的一把关键尺子。混沌,是确定加上对初值敏感,它常常很低维,Lorenz 只用三个变量、logistic map 只用一个;它看着像随机,骨子里却没有半点随机。随机,是真正的掷骰子,结果里有无法被任何规则消去的偶然。而复杂,也就是这本书一直在讲的主题,指的是大量部件交互、在更大尺度上涌现出新行为。这里最容易被忽略、却最要紧的一点是:刚才那个吐出混沌的 logistic map 只有一个变量,根本谈不上「多部件交互」,可见混沌可以极简、极低维,它和第 1 章立下的「复杂等于多部件交互」压根是两条不同的轴;反过来,一个复杂系统也未必混沌,蚁群、城市、神经网络的精彩并不需要对初值敏感。两者会重叠,但请别声称谁包含谁:混沌讲的是确定性带来的时间不可测,复杂讲的是交互带来的涌现。

顺手把几个最常见的误解也钉死。其一,混沌不是混乱、不是随机:它百分之百确定,只是看着像随机。其二,确定推不出可预测:这正是全章的主线,确定的规则加上敏感加上有限精度,就长出了长期不可测。其三,蝴蝶效应不是说你扇一下翅膀就能按需在远方造出任何你想要的巨变,它说的是误差会被放大,是 error growth,不是给你一根能撬动结果的杠杆;你能放大的是无知,不是控制力。把这三条记住,你对混沌的直觉就不会跑偏。

这把尺子最有名的用武之地,是天气。气象学家 Zhang 等人在 2019 年那篇 What Is the Predictability Limit of Midlatitude Weather? 里给出了一个关键的结论:中纬度天气的可预测性有一个内禀的上限,也就是说,哪怕预报模型和初始观测都做到近乎完美,这个上限依然存在、抹不掉。现实中我们眼下能拿到的有效预报大致是一周出头;而那个内禀的极限,作为一个被广泛接受的估计,落在一到两周的量级上。这里要诚实地补一句:这个「一到两周」是个成熟的估计、不是已被钉死的常数,确切的上限学界其实还在争论,有人认为旧模型低估了它、真实上限可能更长,新一代机器学习天气模型也透出能再往后探一点的迹象。但无论那条线最终落在哪,有一点是确定的:天气测不准三周,根子上不是技术不到家,而是这个系统的预测视界本就有限,这是原理,不是借口。

最后,把这副眼睛对准你自己的世界,你会在一个想不到的地方撞见混沌的近亲。你大概早就被浮点数的不可复现坑过:同一段并行求和的代码,在 GPU 上跑两次,结果会在最后几位上对不齐;明明输入一模一样,连温度都设成了 0,产出却不是逐比特相同。它的根源是浮点加法不满足结合律,(a+b)+c 并不严格等于 a+(b+c),而 GPU 和并行归约每次把这些数相加的顺序都可能不同,于是同一批数据被加成了略微不同的结果。这里得说清楚一件事:这是个类比,不是字面意义上的对初值敏感。真正的混沌放大的是起点上一个真实存在的差异,而浮点这件事差在运算的顺序和每一步的舍入上,两次的起点在比特层面其实并不真的相同。但它们共享同一个深层教训:一个微小到几乎不可避免的差异,顺着系统放大成发散的结果,让「复现」变得异常困难。混沌,正是这一整类脆弱性为什么会是个反复出现的深层模式的原因;而浮点的不可复现、分布式系统里的时序竞争,是它在你日常工作里的表亲。

理解了这一点,你看长程预测的眼光就变了。无论是天气、市场,还是给系统做跨好几个季度的容量规划,只要那个系统的预测视界是有限的,你越想往远了预测,就越是在和原理对撞,撞得头破血流也没用。这里也得留个分寸:市场和经济并不是已经被证明的、干净的低维确定性混沌,它们更像是混沌式的动态、真随机、再加上会适应的参与者混在一起,所以请把它当成「有限预测视界」的类比,别真的说「经济是一个 Lorenz 吸引子」。但那个实用的教训是结实的:认清你手里哪些系统的预测视界很短,然后别再把力气砸在跨过视界的预测上,转而去押那些视界之内真正可为的事 —— 快速的反馈,和扛得住意外的韧性。这把混沌的尺子,最终量出来的不是绝望,而是分寸:知道什么能预测、什么不能,本身就是一种本事。

本章术语速查

• 混沌:完全确定(规则里没有随机)的系统,因为对初始条件极度敏感,而变得长期不可预测。判据是「有界空间里至少一个正的 Lyapunov 指数」。混沌不等于随机,也不等于复杂。
• 对初始条件敏感 / 蝴蝶效应:确定系统中,微小的起点差异被指数级放大(约按 ε 乘以 e 的 λt 次方),使长期预测不可能(Lorenz 1963)。注意:它说的是误差放大,不是给你操控结果的杠杆。
• 奇怪吸引子:混沌系统长期被吸附其上的集合 —— 有界、永不精确重复(aperiodic)、且分形。Lorenz 造出第一个具体例子,Ruelle 与 Takens 1971 命名了这一类。
• Lyapunov 指数:衡量近邻轨迹平均的指数分离速率。在有界系统里出现正指数,就是混沌的指纹;它的倒数(Lyapunov 时间)大致就是预测视界。
• 预测视界:误差指数增长使预测只在一个有限时间窗内可信,特征时间约为最大 Lyapunov 指数的倒数;过了它,连完美的模型也无能为力。这是系统的内禀极限,不是工具问题。

参考文献

入门必读

• Chaos: Making a New Science(James Gleick · Viking · 1987)· 把混沌理论的人物与思想讲成故事的科普经典,本章涉及的 Lorenz、May、Feigenbaum 都在其中(书 · 无 DOI)。

引用出处

• Deterministic Nonperiodic Flow(Edward N. Lorenz · Journal of the Atmospheric Sciences 20(2) · 1963)· 对初值敏感与第一个奇怪吸引子的源头(著名的「蝴蝶」比喻出自其后来的演讲、非本文,且演讲标题实由 Philip Merilees 拟;此处用期刊文章页,以避开含特殊字符的 DOI 链接)。
• Simple mathematical models with very complicated dynamics(Robert M. May · Nature 261 · 1976)· logistic map 的普及者,以及「确定方程能生成像噪声的数据」这一警告的出处。
• Quantitative universality for a class of nonlinear transformations(Mitchell J. Feigenbaum · Journal of Statistical Physics 19 · 1978)· 倍周期通往混沌的普适常数(约 4.669)。
• On the nature of turbulence(David Ruelle & Floris Takens · Communications in Mathematical Physics 20 · 1971)· 「strange attractor(奇怪吸引子)」一词的出处。
• What Is the Predictability Limit of Midlatitude Weather?(Fuqing Zhang 等 · Journal of the Atmospheric Sciences 76(4) · 2019)· 中纬度天气的可预测性上限是内禀的(即便模型与初值近乎完美)。
• Science et Méthode(Henri Poincaré · 1908)· 三体问题中对初值敏感的早期洞见,远早于计算机时代(书 · 无 DOI;有些资料误记为 1903 年)。

深 dive 资源(可选)

• The Essence of Chaos(Edward N. Lorenz · University of Washington Press · 1993)· Lorenz 本人对混沌的通俗回顾(书 · 无 DOI)。
• Nonlinear Dynamics and Chaos(Steven H. Strogatz · 2nd ed. · Westview Press · 2015)· 想亲手算分岔图、Lyapunov 指数时的标准教科书(书 · 无 DOI)。

下一章

混沌讲的是系统在时间上怎么变得不可预测;但系统还会在规模上突然整体翻盘 —— 明明看着稳稳的,越过某个阈值就一夜崩塌。下一章我们进入临界与相变:为什么沙堆会有各种大小的崩塌、为什么相变会让系统在一个临界点上性情大变,以及为什么「稳定」有时只是还没走到那个点。