我们如何认识世界?很大一部分是依靠将世界还原为某个可以理解的模型。我们将物品价格波动和均衡还原为生产者和消费者供需关系的变化,我们将物体运动还原为各种力在牛顿三定律下的作用,我们将心理还原为生理,将复杂还原为简单,将抽象还原为具体。还原论最显著的运用莫过于机器学习。

在机器学习中,我们所做的一切都是在建立模型。机器学习的基本问题之一是预测一个变量的状态。我们猜测有哪些因素对目标产生决定作用,他们各自的权重如何,如何相互作用。在选取决定性变量的时候我们知道,一个变量的状态可能是由无数个变量的状态决定的,而我们不可能找到所有的变量,更不可能找出他们之间的所有作用关系。所以,机器学习使用的方法是:选取其中显著的变量,用不同的模型来模拟他们的相互作用,最终通过验证来选取效果最好的一个模型。这种方法正是还原论的绝妙体现:我们不可能认知世界的本来面目,也不可能认识到他实际上如何运行,我们的认知非常有限,于是我们只能将世界还原为一个更简单的版本。

在人类认知世界的历史上,我们很早就发现还原论的踪迹。第一位还原主义哲学家或许是泰利斯,他相信世界是由水组成的,物质是压缩过的水,空气是蒸发之后的水。后来的四元素论,原子论都是在这种还原论的体现。还原论的思想一直持续作用到现代,只不过我们使用的模型越发精致,越发需要高深的专业知识去理解,最典型的比如量子物理学。我们仍然依靠还原论来认识世界,虽然在直觉上我们认为还原论是一种粗略的简化:将自然事物降低至人类的层面。

还原论是一种简化,而任何简化都可能会犯的错误在于:过度简化以至于忽略掉了其中最重要的因素,或者错误的简化,选取了不重要的因素而忽略了真正决定性的因素。在机器学习中,如果我们的模型过度简单以至于忽略了一些重要的信号,我们很容易从结果中看出来:预测的错误略很高。但是如果我们对世界的认知过于简单却不是很容易看出来的。比如我们常常试图对他人的成功进行建模:找出他人成功的若干重要因素,一一加以模仿,以期可以复制这种成功。这种思维如此强大而普遍,但谁也没有验证这样的建模是否有效。

如同机器学习一样,我们也必须认识到,模型的认识是不能反映真实世界的。我们理解的是世界的本来面貌还是世界的真是面目在我们心中的投影呢?我们无法验证世界是否由原子组成,然而这一观念已经在我们的脑海中形成,而且面对艰深复杂的量子物理,我们多半不会去寻求更进一步的理解了:实际上我们生活在一个按照我们可以理解的方式运行的世界里,我们用我们可以理解的方式理解世界。