23.1控制论怎么了？
"早上好，组织系统！"
这位愉快的演讲者优雅自如地整了整领带，微笑着说："在这个精心挑选的日子里，海军研究处和装甲研究基金会联袂发起这次研讨会，来探讨我个人认为非常重要的课题，我感到非常高兴。"
这是1959年5月仲春的一天。400名学科背景迥异的学者云集芝加哥，参加这个有望震惊科学界的盛会。与会嘉宾几乎涵盖了世界主要的科学分支：心理学、语言学、工程技术学、胚胎学、物理学、信息论学、数学、天文学和社会科学，等等。在此之前还没有过任何一次会议，召集过这么多不同领域的顶尖科学家们来花两天时间研讨一个主题。当然也从来没有为这一特别的主题举办过大规模的会议。
只有年轻而兴旺发达的国家，在对自己在世界格局里扮演的角色信心满满时才会思考这样的问题：自组织系统----组织是如何自举图存的。自举图存！这是置于方程式的美国梦。
"会议选择的时机对我的个人生活而言，也有特别重要的意义，"演讲者接着说道，"过去的9个月里，美国国防部一直在全力以赴地做着组织工作，这恰恰清楚地表明，要正确理解自组织系统的成因，我们还有很长的路要走。"
一早进入会场落座的人群里传来会心的笑声。讲台上发言的海军研究处主任约阿希姆·威尔博士，笑着继续说道："我想提请各位注意三个基础要素，它们值得好好研究。从长远来看，我们对计算机领域中存储器要素的基本理解，绝对且不可避免地将运用到'自组织系统'内。谈到电脑，如今大家可能和我一样，认为它不过是一种工具，一种帮助记忆从一种状态转入另一种状态的工具。"
"第二个要素，生物学家们称之为分化。很显然，任何能够进化的系统，都离不开遗传学家们所说的本质上属于随机事件的突变。将一个群推往一个方向，将另一个群推往另一个方向，这需要一些最初的触发机制。换句话说，为使长期的自然选择规律发挥作用，必须依赖包含噪声的环境提供触发机制。"
"第三个基本要素在我们论述庞大的社会组织时，也许会以最纯粹最易理解的方式自行体现出来。就本次会议的目的而言，姑且让我称之为从属性，如果你愿意，也可以称之为执行功能。"
看看这些术语：信号噪声、突变、执行功能、自组织。说出这些词的时候，dna模型尚未建立，数字技术尚未应用，信息管理系统专业尚未出现，复杂性理论尚未诞生。很难想象这些想法在当时是多么离经叛道，多么具有革新性。而且又是多么正确。35年前的刹那之间，威尔博士概述了我在1994年出版的一整本书。我在那本书里论述了适应性、分布式系统的突破性科学以及这门科学导致的突发现象。
尽管1959年的这次会议上的预言是非凡的，我却看到了值得一提的另一方面：35年来，我们对整个系统的认识提高得是多么少。尽管本书中提及了近期取得的巨大成就，但是很多关于整体系统的自我控制、变异分化和从属性等基本问题还是迷雾重重。
在1959年这次会议上递交论文的全明星阵容汇集了自从1942年起就常在一起召集小型会议的科学家们。这些私密的，只能凭邀请函参与的聚会由梅西基金会发起并组织，后来以梅西会议闻名。在当时紧张的战时气氛下，与会成员多为跨学科的学术精英，着重考虑重要组织问题。这9年里，会议邀请的几十位人工智能研究者中包括格雷戈里·贝特森、诺伯特·维纳、玛格丽特·米德、劳伦斯·弗兰克、约翰·冯·诺依曼、沃伦·麦克洛克和罗森布鲁斯，这次群星闪烁的聚会因其开拓性的观点----控制论，即控制的艺术和科学，而以控制论群体闻名于世。
有些事情初期并不显眼；而这次却不是。梅西会议的与会者从第一次会议中，就能想象到自己开启的异端之门后面会是怎样瑰丽的美景。尽管他们都有资深的科学背景，又是天生的怀疑论者，但是，他们仍然马上意识到这种革新的视角能使自己余生的学术事业为之一变。人类学家玛格丽特·米德后来回忆说，自己参加第一次会议时，为那些横空出世的思想兴奋不已，以至于"直到会议结束我才注意到自己咬掉了一颗牙齿"。
这个核心组的成员包括生物学、社会科学还有现在我们称为计算机科学等领域的主要思想家，虽说这个群体那时仅仅才开始创立计算机概念。他们最主要的成就是清晰地描述了控制和设计语言，从而为生物学、社会科学和计算机学效力。这些会议的卓越成果得益于当时另类的方法：严格地把生物视为机器，把机器视为生物。冯·诺依曼从数量上比较了大脑神经元和真空电子管的运算速度，大胆暗示两者可以类比。维纳回顾了自动控制机器进入人体解剖学的演变历史。医生罗森布鲁斯预测了人体及细胞内的自我平衡线路。史蒂文·海姆斯在《控制论群体》一书中详细讲述了这群颇具影响力的思想家的故事，他说到了梅西会议："即使是像米德和弗兰克这样的人类社会学家也成了从机械视角理解事物的拥护者。在这一理念中，他们把生命体描绘为熵的衰减装置，赋予人类自动控制装置的特色，把人的思维看成计算机，并以数学博弈论来看待社会冲突。"
在大众科幻小说刚刚问世、尚未成为当今对现代科学有影响力的元素的时代，梅西会议的与会者常常使用极度夸张的隐喻，很像如今的科幻小说家。在一次会议上，麦克洛克说过这样的话："我特别不喜欢人类，从没喜欢过。在我看来人类是所有动物里最卑鄙最具破坏性的。如果人能进化出活得比人自己更有趣味的机器，我想不出为什么机器不应该十分快乐地取代我们，奴役我们。它们也许会过得快活的多，找出更好玩的乐子。"人道主义者听到这种推测惊惧不已，但在这种的噩梦般泯灭人性的情节背后，隐藏着一些非常重要的理念：机器有可能进化，它们也许确实能比我们更好地完成日常工作，我们与精良的机器享有相同的操作原理。这些理念就是下一个千年的绝好比喻。
就像米德在梅西会议后写的："控制论群体没有考虑到的是，一系列具有很高秩序的卓有成效的新发明陆续问世。"特别是产生了反馈式控制、循环性因果、机器的动态平衡和政治博弈理论等观念，并且都渐渐进入主流，直到今天，它们成为了基础得近乎泛滥的理念了。
控制论群体并没有按照自己安排的解决问题的时间表找到相应答案。几十年后，研究混沌、复杂性、人工生命、包容架构、人工进化、模拟仿真、生态系统和仿生机器的科学家们将会为控制论中的问题提供一个框架。对《失控》进行片面概述的人也许会说本书是控制论研究现状的最新资料。
但是本书也令人颇为迷惑。如果它真是探讨控制论的，为什么全书罕见"控制论"这个术语呢？从事尖端科学研究的早期开拓者如今在哪里？为什么老一辈的学术权威和他们的杰出想法没有处在他们那自然延伸的研究工作的中心呢？控制论怎么了？
在我最初和年轻一辈的系统开发者打交道的时候，这是困扰我的一个难以理解的事情。这些更为博学的人当然知道早期的控制论工作，但他们当中几乎没有一个具有控制论背景的人。好像在知识传播的过程中，那整个一代人都消失了，出现了一个缺口。
对于控制论运动消亡的原因有三种推测：
由于当时炙手可热但夭折了的人工智能研究领域抽走了大量资金，控制论研究因资金枯竭而中止。人工智能的失败在于，开发出了效用，却牺牲了控制论。人工智能只是控制论研究的一方面，但是，当它得到政府和大学的大部分资金时，控制论其余大量待研究的课题就消失了。刚毕业的学生们纷纷进入人工智能研究领域，于是，其他领域后继乏人。之后，人工智能研究自身也陷入停顿。
控制论是批处理计算模式的受害者。信息传递是控制论的最主要的妙策。这种需要测试其想法的试验，要求计算机以全面考察的模式全速运算多次。这样的要求对于保护主机的严格律条来讲显然不合时宜。因此，控制论理论几乎很少对此进行实验。后来廉价的个人电脑开始风行于世，但在大学里采用却是出了名的慢。连中学生都把苹果ii型机搬回家了，大学里还在使用穿孔卡片。克里斯·朗顿在苹果电脑上做出了平生第一个人工生命实验。多恩·法默和朋友用组装电脑，发现了混沌理论。实时掌控一台完备的通用型计算机是传统控制论需要但从未做到的事情。
"把观察者放进盒子里"这句话扼杀了控制论。1960年，福瑞斯特英明地提出，可以把系统观察者作为一个部件加入一个更大的元系统，来获得对社会系统的创新观点。他给自己的观察设立一个称为二次指令控制的框架，或称之为观察系统的系统。这个真知灼见在以下一些领域是有的放矢的：比如家庭心理治疗，临床治疗师得在理论上把自己融入这个家庭以求疗效。但是，当临床治疗师给病人录像，之后社会学家给临床治疗师观看病人录像的情况录像，然后再为自己观察治疗师录像......时，"把观察者放进盒子里去"就陷入无限回归。到了20世纪80年代，美国社会控制论名册里就充满了临床治疗师、社会学者以及主要兴趣在观察系统的效用上的政治学者们。
以上三种原因一致行动，以至于到了20世纪70年代末，控制论就此枯萎消亡。绝大多数控制论的研究停留在本书述及的水平：不切实际地拼织一幅宏大的画卷。真正的研究人员要么在人工智能研究室里遭遇挫折，要么在俄罗斯偏僻的科研机构里继续工作，在那里控制论研究作为数学的分支确实继续进行着。在我看来，没有一本正式的控制论教科书是用英文写成的。
23.2科学知识网之缺口
我们称为科学的知识构架中存在着裂缝，一个缺口。热衷于科学的年轻人填补了这个缺口，他们没有背负睿智前辈们强加的包袱。而这个缺口让我对科学的空间充满了好奇。
科学知识是一种平行的分布式体系。没有中心，没人处于控制地位。其中容纳着无数智慧的头脑和分散的书籍。它也是一个网络，一个事实和理论互相作用互相影响共同进化的体系。但是作为在崎岖不平的神秘王国中并行探索的行动者的网络来说，科学研究的领域远比我在这里已经谈及的任何领域都更为宽广。仅仅适当地论述科学的结构，就需创作出比我至今已完成的著述更冗长的一本书。在此结尾的章节中，对此复杂体系我只能点到为止。
知识、真理和信息在网络和群体系统内流动。我一直醉心于科学知识的构造，因为看上去它似乎凹凸不平、厚薄不匀。我们共同了解的很多科学知识都发源于一些小的领域，而在这些领域之间却是大片无知的荒漠。我可以将现在的观察数据解释为由正反馈和吸引子带来的结果。一点点知识就可以阐释周围的许多现象，而新的阐释又启发了知识自身，于是知识的角落迅速扩大。反之亦然，无知生无知。一无所知的领域，人人都避而远之，于是愈加一无所知。结果就出现这样一幅凹凸不平的图景：大片无知的荒漠中横亘着一个个自成体系的知识山峰。
在此由文化产生的空间中，我最着迷的是那些荒漠----那些科学认知的缺口。对于未知的事物我们能知道些什么？进化理论隐现的最大希望是揭开生物体为什么不改变的神秘面纱，因为静态比改变更为普遍，也更难解释清楚。在一个变化的系统中，我们对于不变能了解多少？变化的缺口向我们明示了变化整体的什么情况？因此，我跃跃一试要探个究竟的是整体空间中的认知缺口。
这本特别的书遍布缺口以及整体。我不知道的远远多于我知道的，但是很不走运，论述我不知道的却远远难于论述我所知道的。由于无知的本性，我当然也无法知道自己所拥有知识的所有缺口。承认自己无知真是个不错的秘诀。科学认知也是如此。全面勾绘出人类在科学认知上的缺口或许就是科学的下一次飞跃。
今天的科学家相信，科学是不断革新发展的。他们通过进行着微小变革的模型来解释科学如何发展。按此观点，科研学者建立起一种理论来解释事实（比如，因为可见光是一种波，所以能生成彩虹），而理论本身又能指引寻找新的事实。（你能弯曲光波吗？）又是收益递增法则，把新发现的事实整合进理论体系，使得理论更加有力也更加可靠。偶尔，科学家们会发现不易用理论解释的新事实（光有时的表现像粒子）。这些事实被称为异常事件。当与起支配作用的理论一致的新事实不断涌现时，最初的异常事件就被搁置不理。到了某个时刻，经验证，累积的异常事件太大、太讨厌或太多了，再也无法忽略了。这时，必然会有一些激进分子提出变革性的另类模型来解释异常事件（比如，光的波粒二象性）。旧的理论被扫地出门，新的理论迅速占据优势地位。
按照科学史家托马斯·库恩的说法，起支配作用的理论形成被称为典范的自我强化思维，来指定哪些是事实，哪些只不过是干扰。在此典范内，异常事物是些微不足道的、稀奇古怪的、凭空幻想的或是不合格的数据。赞同典范的研究计划就会获得拨款、实验空间和学位认可。那些忤逆典范的研究课题----那些涉猎分散琐事的课题，就什么都得不到。然而，拒绝了资金支持和学界信任而又作出伟大变革发现的著名科学家比比皆是，这样的故事已经很老套了。在本书中，我引述了几个那样的老套故事供大家分享。其中一个例子介绍了涉及的那些被忽略的工作，是用拥有与新达尔文教条相抵触思想的科学家们所做的。
库恩在他那本有创意的著作《科学变革的结构》（thestructureofscientificrevolutions）中提到，科学史上真正的发现，只能"从了解异常事物开始"。进步源自对反面意见的认可。受到压制排斥的异常事物（及其发现者）凭借反面事实揭竿而起夺取王位，颠覆一系列已确立地位的典范。新的理论至少在一段时间内占居优势地位，直到它们自身也僵化起来并对后起的异常事物麻木不觉，最后自己也被赶下宝座。
库恩的科学典范更替模式如此令人信服乃至自己也变成一种典范----典范的典范。现在，我们在科学领域内外随处可以看到典范和推翻典范的事例。典范更替成为我们的典范。如果事物没有真正地那样演化，那么，这个事实就是异常事物。
阿兰·莱特曼和欧文·金戈里奇在1991年的一期《科学》杂志上发表的论文《异常事物何时出现？》声称，和库恩的占统治地位的科学模式相反，"只有在新的基本概念范围内对某些异常事物做出令人信服的解释，它们才能为大家所公认。在此之前，那些特异的事实在旧框架内要么被当作假想的事实，要么被忽视"。换句话说，最终颠覆典范的真正异常事物，最初甚至没被看作异常事物。它们被视而不见。
基于莱特曼和金戈里奇的文章，这里有一些简短的例子来解释"事后识别"。
南美洲和非洲的地形就像锁和钥匙一样契合，这一事实从未困扰过20世纪60年代前的地质学家们。对此现象的观察，以及对大洋中脊的观察也未对他们或他们的大陆成形理论造成任何困扰。尽管自打第一次有人绘制大西洋海图时，这一显著的契合就被注意到了，但这个即存的事实甚至不需要解释。只是后来对此有了解释，大家才事后识别这一契合。
牛顿精确测量了很多物体的惯性质量（使物体运动的内在动力，就像钟摆开始往复的动力）和它们的引力质量（以多快的速度向地表坠落），以此来确定这两种力是均等的，如果不均等，在做物理学运算时可能就会互相抵消。几百年来这两者的关系从未有人质疑。可是，爱因斯坦却惊讶于"牛顿定律在宇宙中的大厦基石里找不到任何位置"。和别人不同，他对此穷追不舍，最终成功地以创新的广义相对论阐释了这个现象。
几十年来，宇宙动能和重力能之间几乎精准的平衡----这对作用力使膨胀中的宇宙得以在暴涨和坍塌间维持平衡，让天文学家顺便注意到了这种现象。但是，这个现象从未被当作一个"难题"，直到1981年革命性的"宇宙膨胀"模型问世，才使这一事实成为令人不安的悖论。对此平衡的观察，开始并不是异常事物，直至典范更替后，回顾过去，它才被看作麻烦制造者。
以上例子的共同主题都是说，一开始异常事物都只是人们观察到的事实，完全不需要解释。这些事实不是引起麻烦的事实，它们只是事实。异常事物不是典范更替的原因，而是更替的结果。
在一封写给《科学》杂志的信里，戴维·巴拉什讲述了自己的经历。1982年他写了本生物社会学的教科书，书中他写道："自达尔文开始，进化生物学家们常被此现象烦扰：动物常常做一些看上去利他的行为，而往往自己要付出极高的代价"。1964年，威廉姆·汉密尔顿出版的包括适应性理论的刊物开创了生物社会学。他的理论提供了尽管有争议但是切实可行的方法来解释动物的利他行为。巴拉什写道："受莱特曼－金戈里奇论文的启发，我当时回顾了大量1964年以前的有关动物行为和进化生物学方面的教科书，却发现，事实上----和我上面引用的主张（生物学家的烦扰）相反，在汉密尔顿顿悟之前，动物界出现的明显的利他行为并没困扰进化生物学家们（至少他们没有对此现象投入精力做多少理论探究或是实验考察）。"他在去信的结尾半开玩笑地建议，生物学家们"来给大家上一课，讲讲我们所不了解的，比如说动物的行为"。
23.3令人惊讶的琐碎小事
本书的最后章节是个简短的课程，讲述我们，或至少是我，所不了解的复杂的自适应系统和控制的本质。这是一份问题的清单，一份缺口的目录。即使对非科学工作者来说，其中很多问题看起来也是愚蠢、浅显、琐碎或几乎不值得一提的。同样，相关领域的专家们也许会说：这些问题是科学发烧友们扰乱人心的疯话，是技术先验论者闭门造车的冥想，都无关紧要。而我读到一个精彩段落，才获得灵感写下了这一非传统的课程。那个精彩段落是道格拉斯·霍夫施塔特写的，早于彭蒂·卡内尔瓦那晦涩难懂的有关稀疏分布式计算机存储器技术专论。霍夫施塔特写道：
我先从近乎琐碎的事物开始观察，发现对于日常熟知的事物，我们看到其个体就能自然联想到其所属类别的名字。比方说看见楼梯，无论它多大多小，是螺旋的还是直上直下的，是雕栏画柱还是朴素无奇，现代的还是古老的，脏乱的还是干净的，想也不用想，"楼梯"这个标签总能自然而然地蹦达出来。显然，电话、邮箱、奶昔、蝴蝶、飞机模型、弹力裤、八卦杂志、女鞋、乐器、密封球形救生器、旅行车、杂货店等等，莫不如此。借此外界物质刺激物间接地激活我们大脑记忆区的某处，这种现象完全融入了我们的生活和语言，以致大多数人难以对此留意并产生兴趣，更别提对此感到惊讶了，然而，这或许正是所有心理机制的最关键之处。
对没人感兴趣的问题惊讶不已，或者对于没人认为是问题的问题惊讶不已，这也许是一个更好的科学进步的典范。
我对自然和机器的运行之道感到无比惊讶，这也是写作本书的根本动力。我写这本书是想努力向读者解释我的困惑。当写到某些我不懂的事情时，我会与之较劲，认真研究，或大量阅读相关书籍直到能理解为止，然后重新提笔写下去，直至被下一个问题难住。之后，我会重复这个过程，周而复始。我总会遇到使写作无法继续的问题。要么是没人解答问题，要么是有人根本不理解我的困惑，而给出落入俗套的答复。这些拦路的问题一开始绝未显得这么举足轻重，成为一个让我无法继续下去的问题。但实际上它们就是原型异类。就像霍夫施塔特对于人类头脑具有识物之前先分类的能力感到惊讶却获赏识一样，这些未解之谜在未来也会产生深刻的见解，也许是革命性的理解力，也许最终会成为我们必须解释的公认事物。
读者们看到这里列举的大部分问题似乎就是我在上述章节中已经回答过的问题，也许会感到困惑。而事实上，我所做的一切就是围绕着这些问题，测量其范围，然后向上攀爬，直到自己卡在某个虚假的顶点。以我的经验来看，迷恋别处的部分答案往往能引出大部分很好的问题。本书就是寻找有趣问题的尝试。但是在探索途中，一些实在平常的问题却困住了我。以下就是这些问题。
我在本书中常用"涌现"这个词语。在把什么都弄得复杂化的专业人士那里，这个词有点这个意思："各个部分一致行动生成的组织。"但是当我们撇开含糊不清的印象细读这个词，其涌现的含义就渐渐消失了，实际上这个词没有特别的意义。我试过在每个用到"涌现"的地方，用"发生"来取代，效果似乎还不错。我们可以试试。全球的秩序发生自各地的规则。我们用涌现要表达什么意思呢？
还有就是"复杂性"，它到底是什么？我把希望寄托在两本1992年出版的科学著作，书名同为《复杂性》，作者分别是米奇·沃尔德罗普和罗杰·卢因，因为我希望其中一本能提供实用的复杂性的衡量方法。但两位作者围绕这一主题写了书，却都不敢冒险给出有用的定义。我们怎么知道一件事物或一个过程就比另一样更复杂呢？黄瓜比卡迪拉克更复杂吗？草地较之哺乳动物的大脑更复杂吗？斑马比国民经济更复杂吗？我知道复杂性有三到四种数学上的定义，但没有哪种可以大体上解答我刚刚提出的这类问题。我们对事物的复杂性如此无知，以至于我们还提不出关于复杂性是什么的恰当问题。
如果进化日趋复杂化，为什么？如果真相并非如此，那为什么它看上去似乎如此呢？复杂真的比简单的效率更高吗？