复杂系统的特征

世界一直在熵增，我们在过去2个世纪形成的科学逻辑帮助我们的世界飞速的向前发展，可是了解的越多，我们越发现自己无知。万物之间的因果关系不断的被发现，人们将研究的触角从因果性移动到相关性，去探究更为复杂的系统。

生活中，复杂系统无处不在，比如天气、股票、以及人的思考过程。比如影响天气的因素很多，举例天气来说，地形、云层、海拔、气压，甚至几千公里外一只蝴蝶翅膀的偶尔振动，都会引起天气的变化，那怎么分析呢？

抓住复杂系统的主要特征，所有系统都有如下架构特征。

• ** 输入 ** ：系统的输入。
• ** 处理 ** ：系统内部的处理加工过程。
• ** 输出 **：系统的输出

输入端

输入端主要包含两部分，即信息和噪声。信息中有真实信息，也有可能有错误信息。

处理过程

处理过程在复杂系统内部来说更多的是个黑匣子。目前假设仍然不可探究。

但是所有的信息之间的关系我可以分为以下几种。

• 因果：信息与信息存在因果关系，比如数学公式推导。
• 非因果、相关：信息与信息之间不存在因果关系，只存在相关关系，比如啤酒与尿布。
• 非因果、不相关：信息与信息之间不存在因果关系，也不存在相关关系（或者说是弱相关，可以忽略）。

输出端

经过处理过程之后的系统输出，比如明天是否会下雨，这只股票是否会涨。

如何判断是否一个系统是复杂系统？我这里抽样出复杂系统的四个总体特征。

• ** 多因素 ** ：输入非常多，而非单因素输入，比如成功并不只由努力决定，产品成功也不仅由用户体验决定。
• ** 互相关 ** ：多个输入之间，输入与输出之间，存在很多并不明朗的相关关系。
• ** 非即时 ** ：多个输入之间，输入与输出之间，存在相关关系，并且具有一定的延时效应，这延时效应更不容易探究复杂系统。
• ** 有反馈 ** ： 输出会返回到输出端并以某种方式改变输出，从而影响处理过程。

一些面对复杂系统的处理方法

人生要面对无数复杂系统，而由于认知受限和有限理性。人类面对复杂系统决策的时候自然避免不了出现偏差。下面我们看看一些面对复杂系统的处理方法。主要有两类，一类是希望用有限理性去逼近，第二种是不关注内部黑匣子处理，只注重结果。

用理性逼近

权重法

这种是最基础的方法，输入因素有限，并且可以进行简单的有限或者客观度量，也就是对每一个影响输出的因素给予一个权重值，然后评估一个量值。

举例，我在15年租房的时候，首先确定了我的决策逻辑，如下图，然后对每次看房评估每一个因素的量值，算总分。（你觉得太麻烦了是吗？对于理性人的我可一点都不麻烦）

概率论

概率论是将逻辑真值从0、1，扩展到从0到1之间的所有实数。使用该范围的一个数值来表示某个命题真假的可能性。

举例来说，产生于20世纪70年代的专家系统，内部包含大量的程序性知识，即有个大量的内部逻辑。专家系统内部定义了一系列的规则（IF--then），IF部分是给定的输入，THEN是输入导致的输出。当然，其中最精妙的地方是引入了模糊逻辑。如下图（引用于《人工智能：智能系统指南》）

举个例子：TOM是个很高的家伙。

如何判断这句话的真假？比如身高181cm的男人确实是高的可能性是0.86。

由于人的认知吝啬局限性，决策过程中除开情感因素不说，更多的也是基于贝叶斯概率而非理性推导。

不关注黑匣子

由于复杂系统实在是太复杂了，从结果导向的角度出发，这里的方法就是不注重内部逻辑，注重输出结果。

基于大数据的机器学习是目前研究复杂系统的一个主流方式。

人工神经网络

这里主要说机器学习最常用的方法，人工神经网络，从仿生学的角度出发， 模拟神经元结构。

每个神经元有对应的输入与输出，利用大量的已知输入与输出序列，来不断逼近更为准确的权重值。机器不知道逻辑，从经验、实例、类比中学习

目前机器学习领域对部分复杂系统已经有了很好的效果。比如用机器学习预测分钟级天气情况（彩云天气APP），利用机器学习预测股票市场（西蒙斯）。

一起其他想法

很久之前就在思考复杂系统，来提高日常决策中的正确性。因果性已经慢慢不是这个世界的竞争优势（人人都能掌握）。而对多因素、互相关、非即时、有反馈的复杂系统的更好的决策，才是竞争的主要差别。从信息源头减少误差、噪声，认知局限，从处理过程更多的考虑更加周全，更好的应对复杂系统。

本文写的并不畅快，信息也杂乱无章，很多点到为止，没有做更多深入扩展，仅仅是自己的一些关于复杂系统不成体系的思考。

愿你读到这，对你有启发。

写作时间 : 2017年3月5日15:12 - 17:01