第二十二章：预言机
22.1 接球的大脑
「给我说说未来吧」，我恳请道。
我现在正坐在导师办公室的沙发上。我是经过了一段艰苦的跋涉，才来到了这个位于地球能量点之一的高山哨站——新墨西哥州洛斯阿拉莫斯国家实验室。导师的办公室里，贴满了各种色彩斑斓的过去的高科技会议的海报，勾画出他的近乎传奇的履历：他，还是标新立异的物理系学生时就拉一帮嬉皮黑客成立了一个地下组织，在拉斯维加斯利用可穿戴式计算机赢光了庄家的钱；他，通过研究滴水的水龙头，成了一帮离经叛道的科学家中的主要人物，是他们发明了迅速发展的混沌科学；他，是人工生命运动之父；他，现在在洛斯阿拉莫斯原子武器博物馆斜对面的小实验室里领导研究复杂性这门新科学。
导师多恩·法默，又高又瘦，看上去三十多岁的样子，很像戴了饰扣式领带的伊卡伯德·克瑞恩。多恩正在着手开始他的下一个不同寻常的冒险，开办一家公司，通过计算机模拟来预测股价，打败华尔街。
「我一直在思考未来，我有一个疑问」，我开口道。「你是想知道IBM的股票到底是会涨还是会跌！」法默带着一脸歪笑提示道。「不。我想知道未来为什么这么难以预测。」「哦，这简单。」
我之所以探询预测未来的问题，是因为预测是控制的一种形式，是一种尤其适合分布式系统的控制形式。通过预期未来，活系统能够改变其姿态，预先适应未来，以这种方式掌控自己的命运。约翰·霍兰德说：「复杂自适应系统所做的，就是预测」。
在对预测机制进行剖析的时候，法默最喜欢用这个例子来进行说明：「来，接着！」他说着就朝你扔过来一个棒球。你抓住了球。「你知道你是怎么接住这个球的吗？」，他问道。「通过预测。」
法默坚信你的脑子里有一个关于棒球是如何飞行的模型。你可以采用牛顿的经典力学算式f=ma来预测一个高飞物体的运动轨迹，但是你的大脑本身却并没有存储这样的基本物理学算式。更确切地说，它直接依照经验数据建立起一个模型。一个棒球手，成千次观察球棒击飞棒球的情景，成千次举起戴着棒球手套的手，成千次利用戴手套的手调整他的预测。不知怎么的，他的大脑就逐渐编制出一个棒球落点的模型——一个几乎跟f=ma不相上下的模型，只不过适用范围没有那么广而已。这个模型完全建立在过去接球过程中产生的一系列手/眼数据的基础上。在逻辑学领域中，这样的过程统称为归纳，它与导出f=ma的推演过程截然不同。
在天文学的早期，也就是在牛顿的f=ma出现之前，天体事件的预测都是根据托勒密的嵌套圆形轨道模型作出的——一环套一环。由于建立托勒密理论的核心前提（即所有天体都绕着地球转）是错误的，所以每当新的天文观察提供了某个星体更精确的运动数据时，都需要修正这个模型。不过，嵌套的复杂结构惊人地坚固，足以应付层出不穷的修修补补。每次有了更好的数据，人们就在圆环套圆环套圆环的模型里面再加一层圆环，用这种方法来调整模型。尽管有各种严重错误，这个巴洛克风格的模拟装置仍然行得通，而且还会「学习」。托勒密的这个头脑简单的体系，为日历的调节、为天象的实际预测，恰恰好地服务了1400年！
一个棒球外野手基于经验形成的空中飞行物的「理论」，很像托勒密行星模型的后期阶段。如果我们解析外野手的「理论」的话，就会发现它是不连贯的，即兴的，复杂的，而且是近似的。但是，它也是可以发展的。这是一个紊乱的理论，但它不仅有效，而且还能提高。如果非要等到每个人都能弄明白f=ma这个算式（况且，弄明白半个f=ma还不如什么都不懂）再行动的话，就根本没有人能接住任何东西。就算你现在了解了这个算式，也没什么用。「你可以用f=ma来求解飞行中的棒球问题，但你不能在外场实时解决问题。」法默说。
「现在，接着这个！」说着，法默又扔出了一个充好了气的气球。这东西在房间里放荡地漂来弹去，跟喝醉了酒似的。谁也接不住这东西。而这，正是混沌的一种经典表现——一个对初始条件具有敏感依赖的系统。气球在发射时的一点微不可查的变化，也能被放大成飞行方向的巨大改变。尽管f=ma这条定律仍然支配着气球，但是，另有一些力量，比如推动力、空气抬升的推与拉，造成了运动轨迹的不可预测性。在这混沌之舞中的歪歪斜斜的气球，反映的是太阳黑子周期循环、冰河时期的气温、流行性传染病、沿着管道流动的水的种种难以捉摸的华尔兹，更为切题的，是股票市场的波动。
可是，难道气球的运行轨迹真的不可预测吗？如果你试图用算式来解决气球那摇摇晃晃的飞舞运动，你会发现它的路径是非线性的，因此它几乎是不可解的，因此它也是不可预测的。尽管如此，一个玩任天堂公司（一家日本游戏公司）的游戏长大的十几岁的小孩，却可以学会如何接气球。虽说不是完全准确无误，但是却比单纯靠运气要强多了。只要接过几十次之后，小孩的大脑就开始根据所获得的数据来构筑某种理论，或者说构筑某种直觉，某种归纳。放飞了上千次的气球之后，他的大脑就已经构建出了这个橡皮球的飞行的某种模型。这样的模型虽然不能精确地预测出这球到底会落到什么地方，但是却能探查出飞行物的飞行意向，比如说，是往发射的相反方向飞，还是按照某种模式绕圈子。也许，随着时间的推移，这个人抓气球的成功率，要比纯粹靠运气去抓高上10个百分点。关于抓气球，你还能有什么更高的要求呢？某些游戏里，并不需要太多的信息就可以做出有效的预测。比如逃离狮口，或者投资股票的时候，哪怕只是比纯粹的运气高那么一点点，也是有重大意义的。
几乎可以明确地说，「活系统」——狮群、股票市场、进化中的种群、智能——都是不可预测的。它们所具有的那种混乱的、递归式的因果关系，各个部分之间互为因果的关系，使得系统中的任何一个部分都难以用常规的线性外推法推断未来。不过，整个系统却能够充当分布式装置，对未来做近似的推测。
为了破解股票市场，法默在推导金融市场动向方面下了大力气。「市场的可爱之处就是，其实不需要太多的预测，就可以做很多事情。」法默说。
报纸灰色的末版里，有股票市场上下波动的走势图，只显示两个维度：时间和价格。从有股票市场的那一天起，投资者们就已经在细心解读这个在二维之间摆动的黑色线条，希望从中找出某种能够预测股市走向的模式来。只要是可靠的，哪怕只是模糊的方向性提示也能让人获得不菲的收获。正因为如此，推介这样那样预测图表未来走向办法的昂贵金融通讯，才会成为股票界的一个永久附件。从事这个职业的人就被称为图表分析师。
在二十世纪七十年代和八十年代，图表分析师在货币市场的预测方面有了一点成功，这是因为，按照一种理论的说法，中央银行和财政部在货币市场中的强势角色约束了各种变量，因而可以用一种相对简单的线性算式来描述整个市场的表现。（在线性算式中，一个解可以用一条直线在图中表示。）而当越来越多的图表分析师利用这种简单的线性算式，成功地找出各种趋势之后，市场的利润也就越来越薄了。自然而然地，预测者们开始把目光投向那些更为狂野和更为杂乱的地方，那些仅由非线性算式统治的地方。在非线性系统中，输出与输入之间并不成比例。而世界上绝大多数的复杂系统——包括所有的市场——都是非线性的。
随着价格低廉、具有产业优势的计算机的出现，预测者们对非线性的某些方面已经能够理解。金融价格可以体现为一种二维曲线，而通过对这种二维曲线背后的那种非线性现象进行分析，提取出可靠的模式，就可以挣钱，而且是大钱。这些预测者可以推测出图形的未来走向，然后在预测上下赌注。在华尔街，人们把破解出这种或者那种神秘方法的电脑呆子称为「火箭科学家」——股市分析高手。而这些西装革履、在各种交易公司的地下室里工作的技术怪才们，其实就是二十世纪九十年代的黑客。多恩·法默这位前数学物理学家，还有那些原来跟他一起进行数学冒险的同事们，把美国境内离华尔街远得不能再远的地方圣达菲的四间砖房作为办公室，现在是华尔街最炙手可热的股市分析高手。
在现实中，影响股票的二维图形轨迹的因素不是几个，而是数千个。当我们把股票的数千个向量绘制成一条线时，它们都被隐藏起来，只显现出了价格。同样的情况也会发生在我们用图形来表示太阳黑子的活动或者气温的季节性变化的时候。比如，你可以在平面图上用一条简单的、随时间变化的细线表示太阳的活动轨迹，但是，那些影响到这条线的各种因素，却令人难以置信地复杂多样，相互纠结，反复循环。在一个二维曲线的表面背后，活跃着驾驭这条曲线的力量的混乱组合。股票、太阳黑子，或气候的真正图表都会包括一个为所有影响力准备的轴，因而这张图也会成为一种难以描绘的千臂怪物。
数学家一直努力寻找驯服这些怪物的方法，他们称之为「高维」系统。任何有生命的造物、复杂的机器人、生态系统或者自治的世界，都是一个高维系统。而形式之库，就是一个高维系统的建筑。仅仅100个变量，就可以创造出一群数量巨大无比的可能性。因为每一个变量行为都和其他99个行为互相影响，所以如果不同时对这个相互作用的群体整体进行考察的话，你根本无法考察其中的任何一个参数。比如说，哪怕是一个简单的只有三个变量的气候模型，也会通过某种奇怪的回路连回到自己身上，从而哺育出某种混沌，让任何一种线性预测都成为不可能。（最初就是因为在气象预测上的失败才发现了混沌理论。）
22.2 混沌的另一面
流行的观点认为，混沌理论证明了这些高维的复杂系统——比如天气、经济、行军蚁，当然还有，股票价格——本质上是无法预测的。这种设想如此坚不可破，以至于人们通常认为，任何一种用来预测这些复杂系统输出结果的设计，都是天真的，要不然就是疯狂的。
可是，人们大大地误解了混沌理论。它还有另外一个面孔。出生于1952年「婴儿潮」的多恩·法默用黑胶唱片打了个比方：
他指出，混沌就好象是一个双面都录有音乐的热门唱片。
正面的歌词是这样的：根据混沌定律，初始秩序可以分解为原不可预测性。你无法作远期预测。
另外一面则是这样的：根据混沌定律，那些看起来完全无序的东西，在短期内可以预测到。你可以作近期预测。
换句话说，混沌的特性，既载有好消息，也带有坏消息。坏消息是：可作远期预测的东西，即便有，也只是一点点。而好消息，也就是混沌的另一面则是：就短期而言，有更多的东西可能比其第一眼看上去更具可预测性。而无论是高维系统的长期的不可预测性，还是低维系统的短期的可预测性，都来源于同一个事实，也就是说「混沌」和「随机」是两回事。「在混沌中存在着秩序」，法默说。
法默肯定知道。早在混沌形成科学理论、成为时尚的研究领域之前，他就是探索这一黑暗领域的一位先驱。二十世纪七十年代，在时尚的加利福尼亚小城圣克鲁斯，多恩·法默和朋友诺曼·帕卡德共同建立了一个计算机迷嬉皮士公社实践集体科学。他们同住，同吃，同煮，一起寻找解决问题的方法，一起分享科学论文的荣誉。作为「混沌社」，这伙人研究的是滴水的水龙头和其他看似随机生成的设备的古怪物理学。法默对轮盘赌的轮盘特别着迷。他坚信表面上随机旋转的轮盘里，一定隐藏着某种秩序。如果有人能在这旋转的混沌中找出隐秘的秩序，那么……哎呀，他就发财了……发大财。
1977年，在苹果机这样的商用微机诞生之前很久，圣克鲁斯的混沌社造出了一组手动可编程的小微机，装在三个普通皮鞋的底部。这些计算机用脚趾键入信息；它们的功能，是预测轮盘赌中小球的走向。法默的团队从拉斯维加斯买来二手轮盘机架在公社拥挤不堪的卧室里，对其进行研究。这种自制的计算机，运行的就是由法默依据小组的研究成果编制的代码。法默的计算机算法不是基于轮盘赌的数学规律，而是基于轮盘的物理规律。从根本上说，混沌社的编码，在鞋子里的芯片内模拟了整个轮盘赌旋转的轮盘和弹跳的小球。它完成这种模拟只用了微不足道的4K内存，而那个时代，计算机还是一些需要24小时的空调和专门人员照顾的巨型怪兽。
这个科学公社，曾经不止一次把混沌的另一面翻出来，场景大致如此：在赌场里接上线，由一个人（通常是法默）穿上一双魔法鞋来测定轮盘操作员对轮盘的弹击、球的跳动速度以及轮盘摆动的倾角。附近，同社的一个人穿着第三只无线电信号联接的魔法鞋，在台面上实际下注。而在这之前，法默已经用脚趾头调整他的算法仿定了赌场的一部轮盘机。此时，就在小球落下到最终停下来之间的短短15秒左右的时间里，他的鞋计算机就模拟完成了这个球的整个混沌运行过程。法默用他的右脚大趾点击预测装置，生成这个球的未来落点的信号，其速度要比一个真球落到号码杯中的速度快上大约一百万倍。法默动一下左脚大趾，把这个信息传递给他的同伙，后者从他自己的脚底「听」到这个信息，然后，一本正经地在小球落定之前把筹码放到已经预先确定了的方格中。
如果一切都运转良好的话，这一注就赢了。不过，这个系统所预测的从来都不是那个会赢下赌注的准确号码；混沌社员是一些现实主义者。他们的预测装置预报出一小片相邻的号码——轮盘的一个小扇面——作为球在赌桌上的目的区。而参赌的同伙则会在小球停止转动的过程中在这个区域内遍撒筹码。最后其中一个赢得赌注。尽管下在它旁边的那些筹码输了，可这个小区域作为一个整体，往往能赢，而且足以超过赔率。从而挣到钱。
后来，因为这个系统的硬件不可靠，小组把整个系统卖给了别的赌博者。不过，从这次冒险中，法默却学到了三件对于预测未来非常重要的事情：
首先，你可以抽取混沌系统内在的固有模式，取得良好的预测。
其次，进行一次有用的预测用不着看得太远。
第三，即使是一点点有关未来的信息，也是非常有价值的。
22.3 具有正面意义的短视
法默牢记着这些经验，又跟另外五个物理学家（其中一个是前混沌社成员）组建了一个新公司。这一回，他们要破解的是所有赌徒的梦想：华尔街。而且，这一回，他们将用上高性能的计算机。他们会把这些计算机装上实验性的非线性动力，以及火箭科学家秘不外传的其它诀窍。他们将从旁思考，让这种技术在没有他们控制的情况下承担尽可能多的责任。他们要创造出一个东西，如果你愿意也可以说，创造出一个有机体来，它能自行完成数百万美元的赌博。他们会让这个有机体……（嗯，请把鼓擂起来）……预测未来。这帮老练的家伙有点虚张声势地挂出了新招牌：预测公司。
预测公司里的这些人领会到，要想在金融市场里挣到大钱，只要能够提前几天预见要发生的事情就足够了。的确，法默和同事们呆过的圣塔菲研究所最近的研究，就解释了「看得远并不意味着看得好」。当你埋首真实世界的复杂性时，少有清晰界定的选择，不完全的信息又蒙蔽了所有的判断，这个时候，要评判过于遥远的选择就达不到预期的目的了。尽管这个结论似乎符合人类的直觉，但是，我们还不清楚为什么它也应该符合计算机和模型世界。人类的大脑很容易分散注意力。但是，假定说，你已经拥有了无限的计算能力，而且专注地执行着预测的任务。那么，为什么看得更深更远还并不是更好呢？
这个问题的简单答案就是：当极小的误差（由有限的信息引起的）持续到非常遥远的未来的时候，将会汇聚成极为严重的误差。即使计算本身是免费的（而它从来就不是免费的），处理这些成指数增长、被误差污染的可能性所需要的代价也是巨大的，而且根本就不值得付出。圣塔菲研究所的研究员、耶鲁的经济学家约翰·吉纳考普劳斯和明尼苏达的教授拉里·格雷曾经用一个国际象棋比赛的计算机程序作为他们的预报工作的试验台。（最好的计算机象棋程序，比如顶级的「深思」程序，能够击败除几个最顶尖的大师之外的所有人类棋手。）
结果却和计算机科学家的预料完全相反，无论是「深思」程序，还是人类的象棋大师，其实都不需要看得太远就能下出非常好的棋。这种有限的前瞻就是所谓的「有正面意义的短视」。一般来说，这些大师会首先纵览盘面的局势，只对各个棋子下一步的走法做一个预测。接下来，他们会挑选出最可能的一种或两种走法，更深入地去考虑这些走法的后果。尽管每多向前推演一步，可能的走法就会以指数的数量级爆炸性地增长，但是在每一个回合，那些伟大的人类大师却只会把注意力集中在有限的几个最有可能的应对着法上。在遭遇以往经历过的熟悉环境、深知其间的利害取舍的情况下，他们偶尔也会往前多探几步。但是，一般来说，大师们（现在再加上「深思」）都是凭经验布置棋局。例如：首选那些增加选择余地的着法；避开那些结果不错但要求弃子求兑的着法；从那些毗邻多个有利位置的有利位置着手。在对局势的前瞻和切实通盘关注当前的状况之间取得平衡。
我们每一天都会遇到类似的折衷。无论在商业，政治、技术还是生活中，我们都必须预估隐匿在犄角旮旯的情况。可是，我们从来都得不到充足的信息来做出完全有见地的决策。我们经营在黑暗中。为了做出补偿，我们只能凭借经验，或者粗略的指导原则。而国际象棋中的经验规则，是可以指靠的相当不错的生活规则。（我的女儿们，这里注意了：首选那些增加选择余地的着法；避开那些结果不错但要求弃子求兑的着法；从那些毗邻多个有利位置的有利位置着手。在对局势的前瞻和切实通盘关注当前的状况之间取得平衡。）
常识使这种「有正面意义的短视」具体化。与其花费数年的时间去搞一本预测一切可能发生状况的公司员工手册——它在付印之际就过时了——不如采用那种有正面意义的短视，也不要去想那么远，这显然要好得多。也就是说，先设计出一些一般的指导原则来应对那些看起来一定会在「下一步」发生的事情，等那些极端事例真的发生的时候再来应付。如果你身在一个陌生的城市，又想在交通高峰时段出行，你可以在地图上计划好穿越整个城市的详细路线——想得比较远——或者，试探一下，比如「一直向西，到达沿河路时，再左转」。通常，我们两种方法都做一点。我们会尽量忍着不去想得太远，又确实会关注眼前马上要发生的事情。我们会蜿蜒向西，或上坡，或下坡，同时，不管到了哪里，都会拿出地图看看下一个马上要到的路口。我们使用的方法，实际上是由经验规则引导的有限的前瞻。
预测机制即使看起来没有先知的样子也一样好使。只要它能从随机和复杂的伪装背后发现有限的模式——几乎什么样的模式都行。
22.4 从可预测性范围里挣大钱
按照法默的说法，有两种不同的复杂性：内在的和表面的。内在的复杂性是混沌系统「真正的」复杂性。它造成晦暗的不可预测性。另外一种复杂性是混沌的另外一面——掩盖着可利用秩序的表面复杂性。
法默在空中画了一个方框。往上，表面复杂性增加；对角向上穿过正方形，内在复杂性增加。「物理学通常是在这里工作」，法默指着两类复杂性低端共聚的底角、那个简单问题所在的区域说道。「而到了那边」，法默指着方框中跟这个底角相对的那个上角说道，「都是些难题。不过，我们现在是要滑到这个位置，到了这里，问题就会比较有趣——这里表面的复杂性很高，而真正的复杂性仍然保持比较低的水平。到了这里，复杂的难题中有些成分是可以预测的。而那些正是我们要在股票市场中找的东西。」
预测公司希望能够借助那些简陋的计算机工具，那些占了混沌的另一面的便宜的工具，来消灭金融市场中简单的问题。「我们正在运用我们能找到的所有方法」，前混沌社成员，公司的合伙人诺曼·帕卡德说道。这个想法是把得到了验证的各种来路的模式搜寻策略都变成数据，然后「不断地敲打它们」，以此对算法进行最优化。找到模式最清晰的提示，然后使真相大白。这是一种赌徒的心态：任何利益都是利益。
激励法默和帕卡德的信念是从他们自己的经验中得来的：即混沌的另一面非常稳定，足以依赖。没有比他们在拉斯维加斯的轮盘赌试验中挣到的那一大把实实在在的钞票更能打消疑虑的了。不利用这些模式就太傻了。正如那位记录他们的高赢率冒险尝试的作者《幸福的馅饼》[1]一书里大声疾呼的那样：「干嘛不在鞋里穿上计算机去玩轮盘赌？」
除了经验之外，法默和帕卡德在他们通过混沌研究创造出来的颇受人敬重的理论中还注入了大量的信念。不过，他们现在还在测试自己的最狂野最有争议的理论。与绝大多数经济学家的怀疑相反，他们相信其他那些复杂现象中的某些区域也能精确预测。帕卡德把这些区域称为「可预测性范围」或者「局部可预测性」。换句话说，不可预测性在整个系统中的分布并不是统一的。绝大多数时间，绝大多数复杂系统也许都不能预报，但是其中一小部分也许可以进行短期预报。回头去看，帕卡德相信，正是这种局部的可预测性才让圣克鲁斯混沌社通过对轮盘上的小球的近似路径进行预报来挣到钱的。
即使真的存在这种可预测性范围，它们也肯定被掩埋在一大堆不可预测性之下。局部可预测性的信号，会被上千个其他变量产生的盘旋杂乱的干扰所掩盖。而预测公司的六位股市分析高手，则利用一种混合了旧与新、高端与低端的搜索技术来对这个庞杂的组合信号堆进行扫描。他们的软件既搜寻那些从数学上来讲属于高维空间的金融数据，也寻找局部区域——不管什么样的局部区域，只要它能够和可预测的低维模式相匹配就好。他们是在金融的宇宙中寻找秩序的迹象——任何秩序。
他们做的这种实时的工作，也可以称为「超实时」的工作。就跟在鞋子计算机里模拟出来的弹跳球会在真球停下来之前停下来一样，预测公司的这种模拟金融模式也会比在华尔街那边的实际运行要快。他们在计算机里重新制定股票市场的一个简化部分。当他们探测到正在展开的局部秩序的波动时，就会以比真实生活更快的速度进行模拟，然后把筹码下在他们想见的这一波动可能结束的点位。
戴维·拜瑞比曾经在1993年3月的《发现》杂志上用一种非常可爱的比喻来形容这种寻找可预测性范围的过程：「看着市场中的混沌，就好象看着波涛汹涌、浪花四溅的河流，它充满了狂野的、翻滚着的波涛，还有那些不可预料的、不断盘旋着的漩涡。但是，突然之间，在河流的某个部分，你认出一道熟悉的涡流，在之后的五至十秒内，就知道了河流这个部分中的水流方向。」
当然，你是没有办法预测水流在下游半英里处的流向，但是，就有那么五秒钟——或者，在华尔街那边，五个小时——的时间里，你却可以预测这个演示的进展。而这也正是你致用（或者致富）所需要的。找出任意一个模式，然后利用它。预测公司的算法，就是抓住飞逝的一点点秩序，然后利用这个转瞬即逝的原型来挣钱。法默和帕卡德强调说，当经济学家们遵循职业操守对这些模式的原因进行挖掘的时候，赌徒们却没有这种约束。预测公司的重要目标并不是模式形成的确切原因。在归纳式的模型中——预测公司构造的那种模型——事件并不需要抽象的原因，就跟具有意念之中的棒球飞行路线的外野手，或者一只追逐抛出的棍子的狗一样不需要抽象的原因。
应该操心的，不是这类充斥着因果关系循环的大规模集群式系统中因与果之间模糊不清的关系，法默说：「要击败股票市场，关键性的问题是：你应该关注哪些模式？」哪些模式掩盖了秩序？学会识别秩序而不是原因，才是关键。
在使用某个模型下注之前，法默和帕卡德会用「返溯」的方法对它做一个测试。在运用「返溯」的技术（专业的未来学家常用到的方法）的时候，要通过来自人力管理模型中的最新数据建立模型。一旦系统在过往数据里，比如说二十世纪八十年代的数据里发现了某种秩序，就把过去那几年的数据提供给它。如果系统能够依据八十年代的发现准确地预测出1993年的结果，那么这个模式搜索器就可以拿到奖章了。法默说：「系统得出二十个模型。我们会把所有这些模型都运行起来，用诊断统计学把它们筛一遍。然后，我们六个人就会凑在一起，选出真正要运行的那个。」这种建模活动，每一轮都可能要在公司的计算机上运行上好几天。不过，一旦找到了某种局部秩序，根据这种秩序进行预测就只需要百万分之一秒的时间。
最后的一步——也就是在它手里塞上大捆的真钱来实际运行这个程序——还需要这几位博士中的一位在键盘上敲一下「回车」键。这个动作就会把选定的算法投入到那个高速运转、钱多得能让脑子停转的顶级赛事的世界。割断了理论的缰绳，自动运行起来，这个充实起来的算法就只听到它的创造者们喃喃低语：「下单啊，呆瓜，下单啊！」
「只要我们能够超过市场盈利5个百分点，那么我们的投资者就能挣到钱了。」帕卡德说。关于这个数字，帕卡德是这么解释的：他们能够预测出55%的市场走向，也就是说，比随机的猜测高出5个百分点，不过，如果他们真的猜对了话，那么最终得到的结果会高出200%，也就是说，比市场的赢率高两倍。那些为预测公司提供金融支持的华尔街大佬（当前是奥康纳及关联公司），可以获得这个算法的独家使用权，作为交换，他们则要根据算法所得到的预测结果的具体表现支付公司一定的费用。「我们还是有一些竞争者的」，帕卡德笑着说道，「我知道有另外四家公司也在琢磨同样的事情」，用非线性动力学去捕捉混沌中的模式，然后用这些模式进行预测。「其中的两家已经发展起来了。里面还有一些我们的朋友。」
花旗银行就是使用真钱交易的竞争者之一。从1990年开始，英国数学家安德鲁·科林就已经开始搞交易算法了。他的预报程序首先随机生成数百个假设，这些假设的参数影响着货币数据，然后再用最近五年的数据来检验这些假设。最可能产生影响的参数会被传送到计算机神经网络，由它调整每一个参数的权重，以求更好地与数据吻合，采取给最佳参数组合加权的办法，以便产生出更优的猜测。这个神经网络系统也会不断地把得到的结果反馈回来，通过某种自我学习的方式不断打磨自己的猜测。当一个模型跟过去的数据吻合，它就会被传送到未来。1992年，《经济学人》杂志曾经有一篇文章这样写道：「经过两年的实验，科林博士估计他的计算机的虚拟交易资金能够获得每年25%的回报……这已经是绝大多数人类交易者期望值的好几倍了。」当时伦敦的米兰银行有八位股市分析高手在研究预测装置。他们计划由计算机生成算法。不过，和在预测公司一样，「在敲回车」之前，计算机生成的算法还是要由人类来评估。直到1993下半年，他们一直是用真钱交易。
投资者们喜欢向法默提出的一个问题是，他怎么证明人们确实可以凭借这么一点点信息上的优势就在市场中挣到钱。法默举了一个「现实存在的例子」，即华尔街上像乔治·索罗斯这样的人，通过货币交易或者其他别的的交易，年复一年地赚取数百万的金钱。成功的交易者，法默抱不平地说，「被那些学院派呸呸连声瞧不起，以为他们只是超级有运气而已——可是证据却显示说事情完全不是这样的」。人类的交易者会在无意识中学会如何在随机数据的海洋里识别出那些属于局部可预测性的模式。这些交易者之所以能够挣到数以百万计的美元，是因为为他们为了做出预测，先发掘出了模式（虽然他们说不清道不明），然后建成内部模式（虽然他们并未意识到）。他们对自己的模型或理论的了解并不比他们对自己如何抓住飞球的了解更多。他们就这么做了而已。不过，这两种模型都是基于经验，以同样的托勒密式归纳法建立起来的。而这也正是预测公司利用计算机来对飙升的股票进行建模的方法——以数据为起点自下而上。
法默说：「如果我们在现在所做的事情上取得基础广泛的成功，那就证明机器的预报能力比人强，而且，算法是比米尔顿·弗里德曼还要优秀的经济学家。交易师已经在猜疑这个东西了。他们感受到了它的威胁。」
困难的地方是要保持算法的简洁。法默说：「问题越复杂，最后要用到的模型就越简单。跟数据严丝合缝其实并不难，但如果你真的去做了，那你最后一定只是侥幸成功。概括是关键。」
说到底，预测机制其实是生产理论的机制，是产生抽象和概括性的设备。预测机制仔细咀嚼那些看似随机、被鸡爪刨过，源自复杂、活生生的东西的杂乱数据。如果有日积月累的足够大的数据流，这个设备就能从中分辨出星星点点的模式。慢慢地，这种技术就会在内部形成专门特定的模式，以解决如何产生数据的问题。这种机械不会针对个别数据对模式做「过度调校」，它倾向于有几分不精确的概括性的模糊拟合。一旦它获得了某种概括性的拟合，或者说，某种理论，它就能够做出预测。事实上，预测是整套理论的重点。法默宣称：「预测是建立科学理论之后最有用、最实在的结果，而且从许多方面来说，也是最重要的结果。」尽管制造理论是人类大脑擅长的创造性的行为，可是具有讽刺意味的是，我们却没有如何制造理论的法则。法默把这种神秘的「概括模式搜寻能力」称为「直觉」。华尔街的那些「走运的」交易员，利用的恰恰就是这种能力。
我们在生物学中也可以见到这种预测机制。正如一家名为「Interval」的高技术智囊公司的主管戴维·李德所说，「狗不会数学」，但是经过训练的狗却能够预先计算出飞盘的路径然后准确地抓住它。一般而言，智能或者聪明，根本就是一种预测机制。同样地，对预测与预报而言，所有适应与进化，也都是相对更为温和、分布更为稀疏的机制。
在一次各家公司CEO的私人聚会上，法默公开承认：「对市场进行预测并不是我的长期目标。老实说，我是那种一翻开《华尔街日报》看金融版的时候就觉得无比痛苦的人。」对一个死不改悔的前嬉皮士来说，这也没有什么可奇怪的。法默规定自己花五年的时间研究股票市场预测的问题，大挣一笔，然后转移到更有趣的问题上，比如，真正的人工生命、人工进化和人工智能。而金融预测，就跟轮盘赌一样，只不过是另外一个难题而已。「我们之所以对这个问题感兴趣，是因为我们的梦想是要生产出预测的机制，一种让我们能够对很多不同的东西都进行预测的机制。」——天气、全球气候、传染病等等——「所有能够产生很多让我们吃不透的数据的事物」。
「最终」，法默说道，「我们希望能够使计算机感染上某种粗略形态的直觉」。
至1993年年底，法默和预测公司公开报告说他们已经成功运用「计算机化的直觉」对市场进行了预测，而且采用了真钱交易。他们与投资者之间的协议不允许他们谈论具体的业绩表现，虽然法默非常想这么做。不过，他确实说过，再过几年，他们就能够获得足够多的数据来「用科学的标准」证明他们在交易上的成功不仅仅是统计上的运气所致：「我们确实在金融数据中找到了在统计上非常重要的模式。确实存在着可预测性范围。」
席奧多·莫迪斯（Theodore Modis, 1943～）：务分析师、未来学家、物理学家、国际顾问。
22.5 前瞻：内视行动
在对预测和模拟机制进行调研的过程中，我获得了一个去拜访位于加州帕萨迪那的喷气推进实验室的机会。那里正在开发一种最先进的战争模拟系统。应加利福尼亚大学洛杉矶分校的一位计算机科学教授的邀请，我来到喷气推进实验室。这位教授一直以来都在拓展计算机能力应用的领域。而和很多缺乏资金支持的研究者一样，这位教授也不得不依靠军方的资助进行他的那些前沿的理论实验。按照交易协议，他这一方需要做的，就是挑一个军事方面的问题来检验他的理论。
他的实验台要观察的是大型分散式控制并行计算——我称其为「集群计算」——能怎样提高计算机模拟坦克战的速度，是一种他并不太感兴趣的应用软件程序。另一方面，我倒真的非常有兴趣看一场顶尖水准的战争游戏。
一到实验室繁忙的前台，就直接进行安检。由于我拜访的是一个国家级的研究中心，而且当时美国军队在伊拉克边境正处于红色警戒的状态，保安已算是相当热情了。我签了一些表格，就我的忠诚和公民身份起誓，别上一个大徽章，然后就跟教授一起被护送到楼上他的舒适的办公室里。在一个灰暗的小会议室中，我遇到了一个留着长发的研究生，他借着研究如何用数学方法来模拟战争的名义，探寻关于宇宙计算理论的某种创新概念。接着，又见到了喷气推进实验室的头头。他因为我作为记者出现在这里感到紧张不安。
为什么？我的教授朋友问他。模拟系统并不是什么机密的东西；研究结果是发表在公开的文献中的。实验室负责人的说辞一大堆：「啊，嗯，你看，现在正在打仗，而且，我们在过去差不多一年的时间里都在泛泛推演那个情节——我们选择那个游戏纯属偶然，根本没有预测的意思——现在却真的打起来了。我们开始测试这个计算机算法的时候，总要选择一些情节，随便什么情节，来试用模拟的效果。所以我们就挑了一个模拟的沙漠战争，参战的……有伊拉克和科威特。现在既然这个模拟战争真打起来了，那么我们这里就多少有点像在现场。有点敏感。对不起。」
我没能看到那场战争模拟。不过，在海湾战争结束了大概一年之后，我发现其实并不只有喷气推进实验室一个地方偶然预演了那场战争。佛罗里达州的美军中央司令部在战前就推演了另外一个更有实用价值的沙漠战模拟。美国政府在战前对科威特战争做了两次模拟，愤世嫉俗者认为，美国政府两次模拟了科威特战争，这描画出它帝国主义的嘴脸，以及蓄谋已久发动科威特战争的欲望。而在我看来，预测性的种种场景，与其说它狠毒，倒还不如说它诡异、离奇以及具有指导性。我用这个实例来勾画预测机制的潜能。
在世界各地，大概有二十四个操作中心进行着这种以美国为蓝军（也就是主角）的战争游戏。这些地方绝大多数都是军校或者训练中心下属的小部门，比如阿拉巴马州马克斯韦尔空军基地的兵棋推演中心，罗德岛钮波特美国海军军事学院传奇的全局博弈室，或者堪萨斯州莱温沃斯的陆军野战理念部的那个经典的「沙盘」桌面推演装置。而为这些战争游戏提供技术支持以及实用重大知识的，就是一些躲在无数准军事智囊团里面的学术人员或者专业人士，这些智囊团要么沿华盛顿环城路撒布，要么窝藏在如喷气推进实验室、加利福尼亚的劳伦斯·利弗莫尔国家实验室等各个国家实验室角落的研究区夹道里。当然了，这些玩具战争模拟系统，都冠以首字母缩写，比如：TACWAR, JESS, RSAC, SAGA，最近的一份军事软件的目录上，列出了有大约四百种不同的军事游戏或者其他的军事模型，而且都是列架销售的。
美国的任何一次军事行动，其神经中枢都会设在佛罗里达州的中央司令部。中央司令部，作为五角大楼的一个机构，其存在的目的就是像猎鹰一样替美国国会和美国人民紧盯住一个主要的战局：蓝军对红军——这个超级大国之间的游戏，而其中唯一配做美国对手的是苏联。二十世纪八十年代，诺曼·施瓦茨科夫将军到任的时候，却并不接受这种观点。施瓦夫茨科夫——一位有思想的将军——提出了一种新的看法，而他用来表达这个新看法的那句话，在全军上下广为流传：「苏联狗不出猎」。于是，施瓦夫茨科夫将他的作战计划制定者们的注意力引向替代战局上。而高居榜单前列的，就是伊拉克边境沿线的中东沙漠战争。
1989年初，中央司令部的一位官员，加里·威尔，开始以施瓦茨科夫的直觉为基础建立战争模型。他和一组军事未来学家一起搜集整理数据，以便能够创造出一个模拟的沙漠战争。这一模拟的代号是「内视行动」。
任何模拟都只能做到与它们的基础数据一样强，而威尔希望「内视行动」能尽可能地贴近现实。这意味着，要收集当下驻中东部队的近十万的细节数据。这部分工作，绝大多数都极度沉闷乏味。战争模拟需要知道部署在中东的车辆数目，食物和燃料的物资储存量，武器的杀伤力，气候条件等等。而这些细枝末节的东西，绝大部分都没有现成，甚至军方都不容易弄到。所有这些信息都处在持续不断的变化之中。
一旦威尔的团队形成军队组织的方案，战事推演员就会编制整个海湾地区的光碟地图。而这个模拟沙漠战的基础——这块疆域本身——则是从最新的卫星数字照片中转过来的。等这个工作结束之后，战争游戏的玩家就会把科威特、沙特这些国家的地形压缩到CD上。这时他们就可以把这些数据输入TACWAR这个计算机战争游戏主体模拟程序里。
威尔是从1990年初开始在虚拟的科威特和沙特战场上进行沙漠战争的。七月，在佛罗里达州北部的一个会议室里，加里·威尔向他的上级概述了「内视行动」的各种成果。他们审看了这样的一种局势：伊拉克入侵沙特，然后美国/沙特反击。意想不到的是，威尔的模拟恰恰预测了一场为期三十天的战争。
就在两周之后，萨达姆·侯赛因突然入侵了科威特。最开始的时候，五角大楼的高层们还根本不知道他们已经拥有了完全可操作的、数据翔实的模拟。只要转动启动钥匙，这个模拟程序就预测无尽的变局下这个地区可能发生的战事。当这个有先见之明的模拟程序的消息传出之后，威尔就像玫瑰般闻着都香。他承认说：「如果等到侵略发动时才开始着手去干的话，那我们就永远都赶不上趟了。」未来，标准的军备条例可能会要求给指挥中心配置一个盒子，里面运转着包括种种可能的战事的并行宇宙，随时发动。
萨达姆入侵之后，战事推演员立刻把「内视」转向运行变化无穷的「真实」局势的模拟。他们的注意力重点集中在一组围绕变量产生的可能性上：「如果萨达姆不断地进攻事态会怎样？」对预测到的三十天内的战事做迭代运算，威尔的电脑只花了大概15分钟的时间。通过在多个方向上运行这些模拟，威尔的团队很快就得出了这样一个结论：空中力量将是这场战争的决定性因素。进一步精确的迭代非常清楚地显示，如果空战打赢了，美国就能取胜。
不仅如此，根据威尔的预测机制得到的结果，如果空中力量确实能够完成分配给他们的任务，那么美国的地面部队就不会有重大的损失。而高级官员对这一结论的理解就是：先行进行精确的空中打击，是美国低伤亡率的关键。加里·威尔说，「在保持我们部队的绝对最小伤亡这方面，施瓦茨科夫非常强硬，以至于低伤亡变成了我们所有分析工作的基准。」
这样一来，预测性的模拟给了军方的指挥团队这样的信心，即美国可以以最小的损失换得战争的胜利。这种信心引领了沉重的空中打击。威尔说，「模拟绝对影响了我们（在中央司令部）的思维。不是说施瓦茨科夫事前对此没有强烈的感受，而是模型给了我们信心去贯彻这些理念。」
作为预测，内视行动确实获得了非常好的成绩。尽管在最初的军力平衡上有些变化，而且空中作战和地面作战的比例方面有一点小的差异，但是模拟出的三十天空中与地面的战役与真正发生的战事非常接近。地面战斗基本上是按照预测逐步展开的。和所有不在现场的人一样，模拟人员对施瓦茨科夫在前线那么快就结束了最后一轮的较量感到惊奇。威尔说：「不过，我得告诉你，我们当时并没料到能在一百个小时的时间里[在战场上]取得这样的进展。根据我的回忆，我们当时预测的是要用六天的时间来进行地面战，而不是一百个小时。地面部队的指挥官曾经跟我们说，他们当时曾经预想行动得会比模拟所得出的结果快。结果他们行动得确实像自己预测的那么快。」
按照这个战争游戏的预测机制的计算，伊拉克人的抵抗会比实际中他们的抵抗要大一些。这是因为，所有的战斗模拟都会假设说敌对方会全力以赴调用他们的所有可用的资源。但是实际上伊拉克根本就没有那么用力。战事推演员曾经厚着脸皮开玩笑说，没有一种模型会把举白旗纳入武器序列。
由于战争进展实在太快，结果这些模拟者再也没时间依次考虑下一步的模拟：即以日报模式预报战事的进展。尽管计划者尽可能详细地记录了每天发生的事件，而且他们也可以随时计划到未来，但是，他们还是感觉：「最初的12个小时之后，就不需要天才来推算未来的发展了。」
22.6 预测的多样性
如果硅芯片足以起到水晶球的作用，引导一场超级军事战争，如果那些在小型电脑里快速运行的算法足以提供预测技术看透股票市场，那么，我们为什么不改装一台超级计算机，用它来预测世界其他国家呢？如果人类社会只是一个由各种人和机器组成的大型分布式系统，为什么不装配一个能够预测其未来的设备呢？
即使对过去的预测做一点浮皮潦草的研究，也能看出这到底是为什么。总的来说，过去那些传统的预测还不如随机的猜测。那些陈年的典籍，就如坟场，埋葬着各种对未来的预言——从来没有实现过的预言。虽然也有些预言击中了靶心，但是，我们没有办法预先把罕有的正确预言和大量的错误预言区分开来。由于预测如此频繁地出错，而相信错误的预测又如此诱人，如此令人迷惑，所以有些未来学家原则上完全回避作出任何预测。为了强调试图预言无可救药的不可靠性，这些未来学家宁愿蓄意夸张地陈述他们的偏见：「所有的预测都是错误的。」
他们说得也有一定的道理。被证实为正确的长期预测显得如此之少，因此以统计的眼光看来，满眼都是错。而根据同样的统计计量，正确的短期预测是如此之多，因此所有的短期预测都是对的。
对于复杂系统最有把握的说法，莫过于说它下一刻跟这一刻完全一样。这个观察接近于真理。系统是持之以恒的东西；因此，它只是从此刻到彼刻不断重复的过程。一个系统——甚至一个有生命的东西——都少有变化。一棵橡树，一个邮局，还有我的苹果电脑，从某一天运行到第二天，几乎没有丝毫变化。我可以轻松地保证对复杂系统作出一个短期的预测：它们明天会跟今天差不多。
还有一个老生常谈的说法同样正确：从某一天到第二天，事情偶尔也会发生一点变化。可是，能预测到这些即刻发生的变化吗？如果能的话，我们是否可以把这一系列可预测的短期变化积攒起来，勾勒出一种可能的中期趋势？
可以。尽管基本上长期预测还是不可能，但是对于复杂系统来说，短期预测不仅可能，而且必要。而且，有些类型的中期预测完全可行，并且越来越可行。尽管对当下的行为做一些可靠的预测，会有爱丽丝漫游奇境式的离奇感觉，但是人类在社会、经济和技术各种方面的预测能力，会有稳步的增长。至于为什么，我在下面会说。
我们现在拥有预测许多社会现象的技术，前提是我们能够在合适的时机抓住它们。我奉行席奧多·莫迪斯[1]1992年的著作《预测》[2]对预测的功用和可信性情况的精确总结。莫迪斯提出了在人类互动的更大网络中建立有序性的三种类型。每一种都在特定的时间构成了一个可预测性范围。他把这一研究应用到经济学、社会基础设施和技术领域之中，而我相信，他的发现同样适用于有机系统。莫迪斯的三个范围是：不变量、成长曲线和循环波。
不变量。对所有优化其行为的有机体来说，自然的、无意识的趋势逐渐向其行为中注入了随时间推移极少变化的「不变量」。尤其人类，是最有资格的优化者。一天有二十四个小时是一个绝对的不变量，那么一般而言，人生几十年，虽然其间隔、所完成的事业不尽相同，但是很明显，人类都趋向把一定量的时间用来干这些琐事：烹饪、旅行、打扫卫生。如果把新的行为（比如，乘坐0201483408航班[3]，而不是步行）纳入基本维度（比如，每天奔波要花多长时间），就会看到，这种新行为的模式持续展现的是原有行为的模式，同样可以预测（或预言）它的未来。换句话说，你以前是每天走半个小时路去上班，现在则是开半个小时车去上班。而在未来，也许你会飞半个小时去上班。市场苛求效率的压力，如此冷酷，如此无情，致使它必然将各种人造系统推向最优化这单一的（可预测）方向。追踪一个不变量的优化点，往往会提醒我们注意到一个规则的可预测性范围。比如说，机械效率的提高是非常缓慢的。到现在为止，还没有一种机械系统的效率能够超过50%。设计一个运行效率达到45%的系统是可能的，而要设计一个效率达到55%的系统，就不可能。因此，我们可以对燃料效率做一个可靠的短期预测。
成长曲线。一个系统越大、层次越多、越是去中心化，那么它在有机成长方面取得的进展也就越多。所有成长的东西，都拥有几个共同的特点。其中一个，就是形状为S形曲线的生命周期：缓慢地诞生、迅速地成长、缓慢地衰败。全球范围内每年的汽车产量，或者莫扎特一生中创作的交响乐，都相当精确地符合这种S形曲线。「S形曲线所具有的预测能力，既非魔法，也非无用」，莫迪斯写到。「在S形曲线那优雅的形状下面，隐藏着一个事实，即自然的生长过程遵循着一种严格的定律。」这个定律说明，结局的形态与开端的形态相对称。这个定律以数千生物学的历史，以及形成制度的生命历史的经验观测值为基础。这个定律还与以钟形曲线表述的复杂事物的自然分布有着密切的联系。成长对初始条件极度敏感；然而成长曲线上的初始数据点几乎毫无意义。不过，一旦某个现象在曲线上形成不可遏止的趋势，有关它的历史的数字快照就会形成，并在预测这个现象的最终的极限和消亡方面起颠覆性的作用。人们可以从这条曲线中抽取它与竞争系统的一个交界点，或者一个「上限」，以及这个上限必然水平拉开的数据。并不是每个系统的生命周期都呈现光滑的S形曲线；但是，符合这个曲线的系统无论种类或者数量都相当可观。莫迪斯认为，服从这一生长定律的东西比我们设想的要多。如果我们在恰当的时机（其生长过程的中期）检验此类生长系统，这种由S形曲线定律概括的局部有序状态的出现，就为我们提供了另外一个可预测性范围。
循环波。系统明显的复杂行为，部分地反映了系统环境的复杂结构，这是赫伯特·西蒙在大约三十年前指出的。当时，他利用一只蚂蚁在地面的运动轨迹作为例证。一只蚂蚁歪来扭去地穿过土地的线路，反映出的并不是蚂蚁自己复杂的移动，而是它所处环境的复杂结构。按照莫迪斯的说法，自然界的循环现象能给运行其间的系统注入循环偏好。莫迪斯曾经为经济学家康德拉基耶夫[4]所发现的56年经济周期所吸引。而且，除了康德拉基耶夫发现的这个经济波，莫迪斯还补充了两个类似的周期，一个是他自己提出的科学发展中的56年周期，另一个是阿诺夫·古儒柏[5]研究的基础设施更换的56年周期。其他作者已经提出了各种假说来说明这些明显波动原因，有人认为它来自于56年的月亮运动周期，或者是第5个以11年为周期的太阳黑子周期，甚至还有人将其归结为人类隔代周期——因为每个28年期的代群都会偏离其父辈的工作成果。莫迪斯辩称，本初的环境周期引发了许多尾随而来的次生和再生的内部循环。研究者只要发现了这些循环的任何片段，就可以利用它们来预测行为的范围。
上述三种预测模式表明，在系统提高了能见度的某些特定时刻，秩序的无形模式对关注者来说会变得清晰起来。这就好像下一个鼓点，几乎可以预先听到它将要发出的声音。不一会儿，干扰把它搅浑覆盖了，那种模式就消逝了。可预测性范围也有大惊喜。不过，局部的可预测性确实指向一些可改进、可深化，也可延长为更大东西的方法。
尽管成功地进行大型预测的几率非常之小，但是，试图从过去的股票市场价格中析取长波模式的业余和专职的金融图表分析师并不因此气馁。对于图表分析师来说，任何一种外在的周期性行为都是可以猎取的猎物：裙裾的长度，总统的年龄、鸡蛋的价格。图表分析师永远都在追逐神话般预测股价趋势的「领先指标」，用来作为下注的数值。多年来，图表分析师一直因为采用这种说不清道不明的数字逻辑方法而受到嘲笑。不过，最近一些年来，一些专业学者，比如理查德·斯威尼[6]和布莱克·勒巴朗[7]却说明图表分析师的方法往往切实可行。图表分析师的技术准则可以简单到令人乍舌：「如果市场保持上涨趋势有一段时间了，就赌它还会继续上涨。如果它处在一个下跌的趋势，就赌它还会继续下跌。」这样的一种准则，就把一个复杂市场的高维度简化为这样简单的两部式规则的低维度。一般来说，这种进行模式寻找的办法行之有效。这种「涨就一直涨，跌就一直跌」的模式，要比随机的碰运气运作得好，因此也比普通投资者的炒作要强得多。既然对于一个系统来说，最可预测的事情就是它的停滞，那么，这种有序模式的出现并不是出乎意外——尽管它真的令人惊讶。
和图表分析主义相反，另外一些金融预测人员依靠市场的「基本面」预测市场。这些被称为基本面分析师的人们试图理解复杂现象中的驱动力量、潜在动力以及基本条件。简单来说，他们要找的是一个理论：f=ma。
另一方面，图表分析师是从数据中寻找模式，并不关心自己是否明白这个模式存在的理由。如果宇宙中确实存在着有序，那么所有的复杂性的有序，其未来路径都会（至少是暂时地）在某处以某种方式揭示出来。人们仅仅需要了解可以把什么信号当作噪音而忽视。图表分析师按照多恩·法默的方式进行组织归纳。法默自己也承认，他和他那些预测公司的同事是「统计意义上的严格的图表分析师」。
再过五十年，计算机化的归纳法、基于算法的图表分析、以及可预测性范围，将会成为值得尊敬的人类事业。股票市场的预测，则仍然是一件古怪的事情，因为与其它系统相比，股票市场更多的是建立在预期之上的。在一个靠预期取胜的游戏中，如果所有人都分享这个预测的话，准确的预测就不会提供赚钱的机会。预测公司真正能够拥有的，只不过是时间上的领先。只要法默的团队开发某个预测性范围挣到了大钱，那么其他人都会冲进来，多少模糊了模式，大多数情况下，会把挣钱的机会拉平。在一个股票市场中，成功会激发起强烈的、自我取消的反馈流。在其他系统中，比如说成长性网络，或者一家正在扩张的公司，预测反馈不会自我取消。通常来说，反馈是自我管理型的。
席奧多·莫迪斯（Theodore Modis, 1943～）：务分析师、未来学家、物理学家、国际顾问。
《预测》：Predictions
0201483408航班：0201483408为《失控》（英文版）的国际标准书号（ISBN）。
尼古拉·康德拉基耶夫（Nikolai D.Kondratieff, 1892～1938）：俄国经济学家及统计学家，因提出康德拉季耶夫长波闻名于西方经济学界。
阿诺夫·古儒柏（Arnulf Grubler）：英国科学家，国际应用系统分析学会的一名研究员。他在奥地利维也纳理工大学获得博士学位后，先后在意大利里亚斯特（Trieste）理论物理国际研究中心等机构任职。
查德·斯威尼（Richard J.Sweeney）：博尔顿苏利文/托马斯A.国际金融组织主席。斯威尼教授专长于国内国际金融货币经济学以及国家政策。其当前研究重点在美联储对外汇市场的影响，财政交叉截面分析办法，以及欧盟、美国的立宪提案等。
布莱克·勒巴朗（Blake LeBaron）：芝加哥大学经济学哲学博士，布兰代斯大学金融学教授，金融理论家。
22.7 以万变求不变
最早的控制论学者，诺伯特·维纳，曾经殚精竭虑地要说明反馈控制的巨大力量。他当时脑子里想的就是简单的冲水马桶型的反馈。他注意到，不断地一点点地把系统刚刚实现的微弱的信息（「水平面还在下降」）注入系统，在某种意义上引领了整个系统。维纳总结说，这种力量，是时间平移的一项功能。在1954年，他这样写到：「反馈是控制系统的一种方式，它把系统过去的运行结果重新输入系统，从而完成对系统的控制。」
感知现实的传感器里没有悬念。除了此时此地，还需要知道什么与现在有关的别的东西吗？显然，关注当前对系统来说是值得的，因为它几乎没有什么别的选择。可是，为什么还要在已经过去的和无法改变的东西上消耗资源呢？为什么要为了当下的控制而袭扰过去呢？
一个系统——不管是有机体、企业、公司、还是计算机程序——之所以花费精力把过去发生的事情反馈到现在，是因为这是系统在应对未来时比较经济的做法。因为，要想预见未来，你就必须了解过去。沿着反馈回路不断冲击的过去，给未来提供信息，并控制着未来。
不过，对于一个系统来说，时间平移还有另一条通往未来的途径。身体中的感觉器官，那些能够拾得几英里之外的声波和光波信息的感觉器官，其功能有如对当下进行衡量的仪表，而且更像是对未来进行衡量的量具。地理位置遥远的事件，从实用的角度来说，是来自未来的事件。一个正在靠近的捕猎者的图像，现在就变成了关于未来的信息。而远处的一声咆哮，则很快就变成一只扑到跟前的动物；闻到一股盐味，表明潮汐马上要变化。所以说，一个动物的眼睛就是把发生在时/空远处的信息「前馈」到位于此处/现在的身体中。
有些哲学家认为，生命能够起源于一个笼罩着空气和水这两种介质的行星上并不是一件偶然的事情，因为水和空气，在绝大多数光谱下都具有令人惊讶的透明度。清洁、透明的环境，使得器官能够接收来自「远处」（未来）的含有丰富数据的信号，并对来自有机体的信号进行预处理。因此，眼睛、耳朵和鼻子都是能够窥视时间的预测机制。
根据这个概念，完全浑浊的水和空气可能会通过阻止远处事件的信息传至现在而抑制预测机制的发展。生存在浑浊世界中的有机体，无论是在空间上还是在时间上，都会受到束缚；它们会缺乏空间去发展适应性反应。而适应，就其核心而言，要求对未来感知。在一个变化的环境中，不管这环境是浑浊还是清澈，能够预测未来的系统都更可能存续下去。迈克尔·康拉德写道：「归根结底，适应性，就是利用信息来应付环境的不确定性。」格雷戈里·贝特森则用电报文体简洁地说：「适应就是以万变求不变。」一个系统（根据定义是不变的）适应（变化）的目的就是为了存续（不变）。火烈鸟改变自己就是为了继续生存。
如此来说，那些被卡在当下动弹不得的系统，更常受到变化的奇袭而死去。因此，一个透明的环境，会奖励预测机制的进化，因为预测机制把生命力赋予复杂性。复杂系统之所以能够存活下来，因为它们具有进行预测的能力，而一种透明的介质，则能够帮助它们进行预测。相反，浑浊却会完全阻碍复杂的活系统的预测、适应以及进化。
22.8 系统存在的目的就是揭示未来
后现代人类在成形的第三种透明介质中畅游。即每一种现实都能够数字化。即人类每一次集群活动的测量都可以通过网络传输。即每个个体生命的生活轨迹都可以变形为数字，并且通过线路发送。这个联网的行星，已经变成了比特的洪流，在玻璃纤维、数据库和各种输入设备组成的清澈壳体里流动。
数据一旦流动，就创造出透明。社会一旦联网，就可以了解自己。预测公司的那些火箭科学家，能够比老派的图表分析师获利更多，那是因为他们工作在一个更为透明的介质里。网络化金融机构抛出的数以十亿计的数字信息凝结为一种透明的氛围，预测公司据此侦测出那些正在演变中的模式。流经他们工作站的数据之云，形成了一种清澈的数据世界供他们仔细探查。从这清新空气的某些片段他们能够预见未来。
与此同时，各种工厂大批生产摄像机、录音机、硬盘、文本扫描仪、电子表格、调制解调器和卫星电视天线信号接收器。这些东西分别是眼睛、耳朵或者神经元。它们连接起来，就形成了一个由数十亿个裂片组成的感觉器官，漂浮在飞速运行的数字组成的清澈介质之中。这个组织的作用是把那些来自远处肢体的信息「前馈」到这个电子身体中。美国中央司令部那些战争博弈者可以利用科威特的数字化地形、实时传输的卫星图像、以及通过全球定位信息进行定位的（无论在地球的哪个位置，误差范围在50英尺之内）手持传送器分段传送过来的报告预测——通过集体心智的眼睛去了解——即将到来的战斗过程。
归根结底，揭示未来不仅仅是人类的向往，也是任何有机体，也许还是任何复杂系统所拥有的基本性质。有机体存在的目的就是揭示未来。
我给复杂系统的工作定义是一个「跟自己对话的东西」。也许有人会问，那么：复杂系统跟自己说些什么呢？我的回答是：它们给自己讲未来的故事，讲接下来也许会发生的故事——无论这个「接下来」是以纳秒还是以年计算。
22.9 全球模型的诸多问题
二十世纪七十年代，在讲述了数千年关于地球的过去、关于天地万物的传说故事之后，地球行星上的居民开始讲述第一个关于未来可能发生的故事。当时的高速通讯，第一次为他们展示了自己家园全面的实时视图。来自太空的图像非常迷人——黑色的远景里优美地着悬挂一个云蒸霞蔚的蔚蓝色球体。而地面上正在发生的故事就没那么可爱了。地球每一个象限发回来的报告，都在说地球正在分解。
太空中的微型照相机带回了地球的全貌照片，惊艳绝伦，用老式的辞意表达：是既令人振奋又令人恐惧。这些照相机，连同由每个国家涌出的大量的地面数据，组成了一面分布式的镜子，反映了整个地球系统的画面。整个生物圈越来越透明。地球系统开始预测未来——像所有系统都会做的那样——希望知道接下来（比如说，在下一个二十年里）可能发生什么事情。
从环球外膜收集的数据中，我们获得了第一印象——我们的地球受伤了。没有一种静态的世界地图能查证（或者反驳）这个景象。也没有一个地球仪能够列示随着时间推移而起落的污染和人口图表，或者破译出一个因素与另一个因素之间的那种相互关联的影响。也没有任何一种来自太空的影片，能够诠释这个问题，继续下去会怎样？我们需要一种全球预测装置，一个全球假设分析的数据表。
在麻省理工学院的计算机实验室里，一位谦逊的工程师拼凑了第一份全球电子数据表。杰伊·福瑞斯特从1939年开始就涉猎反馈回路，改良转向装置的伺服机制。福瑞斯特和他在麻省理工学院的同事诺伯特·维纳一起，沿着伺服机制的逻辑路径直到计算机的诞生。在为发明数字计算机提供帮助的同时，他还把第一台具有计算能力的机器应用于典型工程技术理念之外的领域。他建立了各种能够辅助公司管理和制造流程的计算机模型。这些公司模型的有效性，激发了福瑞斯特新的灵感。他在波士顿一位前市长的帮助下，建立了一个城市模型，模拟整个城市。他凭借自己的直觉，非常正确地意识到级联反馈回路——虽然用纸笔不可能进行追踪，但是计算机却能轻而易举地追踪——是接近财富、人口和资源之间互相影响的网络的唯一途径。那么为什么不能模拟整个世界呢？
1970年，在瑞士参加了有关「人类处境」的会议之后，福瑞斯特坐在返程的飞机上，开始草拟第一个公式，一个将会形成他称之为「世界动态」模型的公式。
粗糙不说，而且是份草图。福瑞斯特的粗糙模型反映出明显的回路和力量，他的直觉感到是它们统治着大型经济体。至于数据，只要现成，他都抓过来用来做快速估计。罗马俱乐部，资助了那次会议的集团，来到麻省理工学院，对福瑞斯特拼凑起来的这个原型进行评估。他们受到眼前所看到东西的鼓励。于是，他们从大众汽车基金会筹到资金聘请福瑞斯特的伙伴丹尼斯·梅多斯对这个模型做下一步的工作，继续完善它。在1970年剩下的时间里，福瑞斯特和梅多斯共同改进「世界动态」模型，设计更为周密的流程回路，并满世界地淘选最近的数据。
丹尼斯·梅多斯[1]和他的妻子丹娜[2]，还有另外两个合著者，一起发布了一个功力增强了的模型，里面存满了真实的数据，名为「增长的极限」。作为第一个全球电子数据表，这一模拟获得了巨大的成功。有史以来第一次，整个地球的生命系统、地球资源，以及人类文化，都被提炼出来，形成一个模拟系统，并任其漫游至未来。「增长的极限」模拟系统作为全球警报器，也是非常成功的。它的作者们用这样的结论提醒全世界：人类现有路径的每一次扩张，几乎都会导致文明的崩溃。
「增长的极限」模型得出的结果发表后的许多年里，在全世界范围内激发的社论、政策辨论和报纸文章成千上万。一幅大字标题惊呼：「计算机预测未来令人不寒而栗」。这个模型的发现要点是：「如果当前的世界在人口、工业化、污染、食品生产以及资源消耗方面的增长趋势保持不变的话，那么这个星球将会在接下来的100年之内的某个时刻达到其增长极限。」模型的制造者们曾经以数百种差别细微的情景进行了数百次的模拟。但是，无论他们如何进行权衡，几乎所有的模拟都预测到人口和生活水平要么逐渐萎缩，要么迅速膨胀然后立刻破灭。
这个模型极具争议性，而且受到极大的关注，主要是因为其中蕴含着显著清晰又令人讨厌的政策意义。不过，它永久性地把有关资源和人类活动的讨论提升到了必要的全球范围。「增长的极限」模型的并没有成功的孕育出其他更好的预测模型，而这恰恰是它的作者们希望做到的。相反，在其间的20年里，世界模型都受到怀疑，主要是因为「增长的极限」引发的种种争议。具有反讽意味的是，在（二十年后的）今天，公众唯一看得见的世界模型，仍然是「增长的极限」。在模型发布20周年纪念日的时候，作者们只略做改动又重新发布了这个模型。
重新发布的「增长的极限」模型，运行在一个被称为Stella的软件程序上。Stella采用由杰伊·福瑞斯特在大型计算机上制订出的动态系统方法，再把它移植到苹果电脑的可视化界面上。「增长的极限」模型是一张用各种「库存」与「流」编结而成、给人深刻印象的网。库存（货币、石油、食物、资本诸如此类）流入某些特定的节点（代表一般进程，比如说耕种），在那里引发其他库存的流出。举例来说，货币、土地、肥料以及劳动力流入农场之后，就会引流出未加工的食物。而食物、石油和其他一些库存流入工厂则生产出肥料，从而完成一个反馈回路。由回路，次级回路和交叉回路组成的意大利面似的迷宫构成了完整的世界。每个回路对其他回路的影响都是可以调整的，而且视现实世界中的数据比率而定。比如，每公斤肥料、每公斤水，能在一公顷的田里生产出多少粮食，又会产生多少污染和废料。确实，在所有的复杂系统里，单一调整所产生的影响都无法事先估量；必须让它在整个系统中展现出来之后，才能进行测度。
活系统必须为存活而预期。可是，预测机制的复杂性绝不能盖过活系统本身。我们可以详细地考查「增长的极限」模型，以此作为预测机制固有困难的实例。选择这个特殊的模型有四个理由。首先，它的重新发布要求把它（重新）看做人类的预测努力可以依赖的预测装置。其次，这个模型提供了方便的二十年期进行评估。它二十年前侦测到的那些模式是否仍占有优势？第三，「增长的极限」模型的优点之一在于它是可以评论的。它生成的是可以量化的结果，而不是含糊其辞的描述。也就是说，它是可以检验的。第四，为地球上人类生活的未来建立模型是最野心勃勃的目标。无论成功还是失败，如此杰出的尝试都会教给我们如何运用模型预测极其复杂的适应系统。人确实要反躬自问：到底有没有信心模拟或预测像世界这样一种看起来完全不可预测的进程？反馈驱动的模型能够成为复杂现象的可靠预报器吗？
「增长的极限」模型有很多可抨击的地方。其中包括：它并非极度复杂；它塞满了反馈回路；它演练情景。但是，我从模型里还发现有如下弱点：
有限的总体情景。「增长的极限」与其说是在探索各种真实存在的多样性的可能的未来，倒不如说它不过是在一组颇为有限的假设上演绎大量微小的变化。它所探查的那些「可能的未来」，绝大多数似乎都只是在它那些作者们那里才说得通。二十年前建立模型的时候，作者们觉得有限的资源会枯竭是个合理的假设，他们就把那些没有建立在这个假设基础上的情景忽略掉了。但是，资源（比如稀有金属、石油或者肥料）并没有减少。任何一种真正的预测模型，都必须具备能够产生「想象不到」的情景的能力。一个系统在可能性的空间要有充分的活动余地，可以游荡到出乎我们意料之外的地方，这很重要。说它是一门艺术，是因为模型拥有了太多的自由度，就变得不可驾驭了，而把它拘束得太紧，它就变得不可靠了。
错误的假设。甚至最好的模型，也会因为错误的前提而误入歧途。就「增长的极限」来说，它的一个关键性的原始假设，就是认为世界只容纳了可供250年使用的不可再生资源，而且对于这种资源的需求在迅猛发展。二十年过后，我们已经知道这两个假设全都是错误的。石油和矿物的储量增加了，而它们的价格却没有增加；同时，对某些原材料的需求，比如铜，并未呈指数增长。1992年重新发布这一模型的时候，作者对这些假设做了修改。现在的基础假设是污染必然会随着发展而增加。如果以过去的二十年作为指南的话，我能想象，这样的一条假设，在未来的二十年中，也需要修正。这种基本性的「调整」必须要做，因为「增长的极限」模型需要它……
没有为学习留下余地。一批早期的批评者曾经开玩笑说，他们用「增长的极限」模型模拟1800～1900年这段时间，结果发现「街上堆了一层有20英尺高的马粪」。因为当时的社会，使用马来进行运输的比例正在增长，所以这是一个逻辑外推。那些半开玩笑半当真的批评者认为，「增长的极限」模型没有提供技术学习、效率提高，以及人类行为自律能力、改革发明能力的规则。
这个模型内里连接着某种类型的适应。当危机发生的时候（比如污染增加了），资本资产就会转过来处理危机（于是污染的生成系数就降低了）。可是，这种学习，既非分散的，也不是终端开放的。事实上，这两种类型建模都不容易。本书其他地方提到的很多研究都是有关在人造环境或自然环境中实现分布式学习和终端开放式增长的开拓性努力。而如果没有这种分散的、终端开放的学习，要不了多少日子，真实的世界就可以胜过模型。
现实生活中，印度、非洲、中国以及南美的人口并没有按照「增长的极限」模型的假设性规划来改变他们的行为。而他们之所以适应，是因为他们自有的即时的学习周期。比如，全球出生率的下降速度快得超过了任何人的预测，使得「增长的极限」这个模型（和绝大多数其他预测一样）措手不及。这是否归因于「增长的极限」之类的世界末日的预言的影响呢？更为合情理的机制是，受过教育的妇女生育的子女少，过得也越好，而人们会仿效过得好的人。而她们并不知道，也不关心全球的增长极限。政府的种种激励促进了这些本来就已经出现的局部动态的发展。无论什么地方的人总是为了自己的直接利益而行动和学习。这也适用于其他方面的功能，比如作物的生产力、耕地、交通等等。在「增长的极限」模型中，这些波动数值的假设都是固定的，但是，在现实生活中，这些假设本身就拥有共同进化的机制，会随着时间的变化而变化。关键在于，必须把学习作为一种内在的回路植入模型。除了这些数值，模拟中——或者说想要预测活系统的任何模拟中——假设的确切构造必须具备很强的适应性。
世界平均化。「增长的极限」模型把世界上的污染、人口构成、以及资源的占有统统看作是划一的。这种均质化的处理方式，简化了世界，使足以稳妥地给它建模。但是，因为地球的局部性和区域划分是它最显著和最重要的特性，这样做的结果最终破坏了模型存在的目的。还有，源自各不相同的局部动态的动态层级，形成了地球的一些重要现象。建立「增长的极限」模型的人，意识到了次级回路的力量——事实上，这正是福瑞斯特支撑这个软件的系统动力学的主要优点。可是，这个模型却完全忽略了对于世界来说极为重要的次级回路：地理。一个没有地理的全球模型……。根本不是这个世界。在整个模拟中，不仅学习必须是分布式的，而且所有的功能都必须是分布式的。这个模型最大的失败，就在于它没有反映出地球生命所具有的这种分布式的本性——群集本性。
任何终端开放的增长都不能模仿。我曾经问过丹娜·梅多斯，当他们在以1600年，甚至1800年为起点运行这个模型的时候，得到了什么结果，她回答道，他们从来没有这样运行过这个模型。我当时非常吃惊，因为返溯实际上是对各种预测模型进行实际检验的标准方法。「增长的极限」这个模型的建造者们怀疑，如果进行这样的模拟的话，这个模型会产生出与事实不符的结果。这应该成为一种警报。从1600年开始，这个世界就已经进入了长期的增长。而如果一个世界模型是可靠的，那么它就应该能够模拟出四个世纪以来的增长状况——至少作为历史来进行模拟。说到底，如果我们要相信「增长的极限」这个模型对于未来的增长确实是有话可说，那么，这个模拟就必须，至少从原则上说，能够通过对几个过渡期的模拟生成长期的增长。而就它现在的情况而言，「增长的极限」所能够证明的，充其量也就是模拟出一个崩溃的世纪而已。
「我们的模型异常『强健』，」梅多斯告诉我，「你得千方百计来阻止它的崩溃……。总是有相同的行为和基本动态出现：过火和崩溃。」依靠这种模型来对社会的未来进行预测，是相当危险的。系统的所有初始参数迅速向着终点汇聚，可历史却告诉我们，人类社会是一种显示出非凡的持续膨胀的系统。
两年前，我曾经用了一个晚上的时间，跟肯·卡拉科迪西乌斯聊天。他是一个程序员，正在建造一个生态和进化的微型世界。这个微型世界（最后变成了SimLife这款游戏）为那些扮演神的角色的玩家提供了工具，他们用这些工具可以创造出32种虚拟动物和32种虚拟植物。这些虚拟的动植物相互影响、相互竞争、相互捕食，然后进化。「你让你的世界最长运行了多长时间？」我问他。「唉」，他呻吟道，「只有一天。你知道，要保证这种复杂的世界不断运行下去确实是一件困难的事情。它们确实喜欢崩溃。」
「增长的极限」里面的那些情景之所以会崩溃，是因为「增长的极限」这个仿真模型善于崩溃。在这个模型里，几乎每一个初始条件都要么会导致大灾难，要么导致某种（极少情况下）稳定状态——但是从来不会产生任何新的结构——因为这个模型天生不能产生某种终端开放的增长。「增长的极限」没有能力模拟出农耕时代进入工业社会的自然发展过程。梅多斯承认，「它也不可能把这个世界从工业革命带向任何一种接下来会出现的、超越工业革命的阶段。」她解释说：「这个模型所展示出来的，是工业革命的逻辑撞到了无可避免的限制墙。这个模型有两件事情好做，要么开始崩溃，要么，由我们作为模型的建立者对它进行干预、作出改变来挽救它。」
我：「不能搞一个更好的拥有自身转换能力、可以自动转换到另一个层级的世界模型吗？」
丹娜·梅多斯：「当我想到，这种结局是系统设计好让它发生的，而我们只是这么往后一靠然后作壁上观，就觉得有点宿命的感觉。但相反，我们在建立模型的时候，实际上把自己也放在里面。人类的智能进入到这个模型之中，去感知整个形势，然后在人类的社会结构里作出改变。这就反映了在我们脑中出现的系统如何升华到下一个阶段的图景——利用智能介入并重建系统。」
这是拯救世界的模型，可是，它对一个不断复杂化的世界如何运转的建模不适当。梅多斯是对的，走了一条采用智能来插手把它人文化、并改变它的结构的路子。不过，这个工作不只是由模型的建立者来完成，也不只是发生在文化的起始点。这个结构的重建发生在全球六十亿个大脑里，是每天发生、每个时代都发生的事情。如果说确实存在着去中心化的进化系统的话，那么人类的文化就是这样一种系统。任何不能包容这种每日在数十亿头脑中进行的分布式微型进化的预测模型，都注定会崩溃，如果没有这样的进化，文化本身也会崩溃。
二十年后，「增长的极限」模拟模型所需要的就不仅仅是更新换代了，它需要完全重做。利用它的最好方式，是把它看成一个挑战，是建立更好的模型的一个新起点。一个真正的全球社会的预测模型，应该满足下面这些条件：
能够大量运行各式各样的情景，
从一些更灵活、更有根据的假设开始，
实施分布式学习，
包含局部性和地区性的差异，
如果可能的话，展现不断增长的复杂性。
我之所以不把焦点放在「增长的极限」世界模型上，是因为我想指摘它那些强有力的政治内涵（毕竟，它的第一个版本激发了一代反增长的激进主义分子）。确切地说，这个模型所具有的种种不充分性，恰好跟我想在本书提出的几个核心论点相对应。为了把这个系统的某段情景「前馈」到未来，福瑞斯特和梅多斯勇敢地尝试模拟一个极端复杂的、具有适应性的系统（在地球上生活的人类的基础结构）。这个福瑞斯特/梅多斯模型所突出的，不是增长的极限，而是某些特定的模拟的极限。
梅多斯的梦想，同样是福瑞斯特的梦想，是美国中央司令部那些战争博弈者的梦想，是法默和他的预测公司的梦想，也是我的梦想。而这个梦想就是：创造出一个系统。这个系统要能够充分反映出真实的、进化着的世界，使得这个微型模型能够以比真实世界跑得更快的速度进行运转，从而把它的结果投射到未来。我们想要预测机制，不是出于预知命运的使命感，而是为了获得指引。理念上，只有考夫曼或者冯·诺伊曼的机器，才能自行创造出更为复杂的东西。
为了做到这一点，模型就必须拥有「必要的复杂性」。这个术语，是二十世纪五十年代由控制论专家罗斯·艾希比创造出来的，他最早制作出了一些电子自适应模型。每一个模型，都必须一点一滴地提取出无数现实的细节，汇聚起来压缩成像；它必须浓缩的最重要的特质之一，就是现实的复杂性。艾希比总结了自己那些用真空管造出迷你模型的试验，得出了这样的结论：如果一个模型过于急切地简化了复杂现象，它就会错失目标。模拟的复杂程度，不得超出它所模拟的复杂性的活动领域，否则，模型就跟不上它所模拟的东西的曲折路线。另外一位控制论专家，杰拉尔德·温伯格，在他的著作《论稳定系统的设计》中给这个「必要的复杂性」提供了一个非常贴切的比喻。温伯格提示说，想象一下，一枚制导导弹瞄准了一架敌机。导弹自己并非一定也是一架飞机，但是它必须具备与飞机的飞行行为复杂性旗鼓相当的飞行复杂性。如果这枚导弹不具备至少与目标飞机一样的速度，而且在空气动力学方面的敏捷程度也不如那架目标敌机，那它肯定打不中目标。
丹尼斯·梅多斯（Dennis Meadows, 1942～）：美国科学家，美国麻省理工学院斯隆管理学院教授，福瑞斯特的副手。
丹娜·梅多斯（Dana Meadows, 1941～2001）：美国开拓型环境科学家、教师和作家，丹尼斯·梅多斯的妻子。与丹尼斯及另外两位合作者共同发布了「增长的极限」。
22.10 舵手是大家
那些以Stella为基础的模型，比如说「增长的极限」模型，显而易见过量拥有反馈电路。正如诺伯特·维纳在1952年所指出的，具备各类组合变化的反馈电路，是控制和自我管理的根源。不过，在反馈引发最初的兴奋激情的四十年之后，我们现在已经知道，仅有反馈回路是不足以培育出那些我们最感兴趣的活系统行为的。本书提及的研究者们已经发现，要想生成功能齐备的活系统，还必须拥有另外两种类型的复杂性（也许还有别的类型）：分布式存在，以及无止境的进化。
近年来，通过研究复杂系统得出的主要洞见就是：一个系统要想进化成某种新的东西，唯一的途径就是要有一个柔性结构。小蝌蚪可以变成青蛙，而一架747喷气式飞机即使只增加六英寸的长度，也会把它变成残废。这就是为什么分布式存在对具有学习、进化能力的系统如此重要的原因。一个分散化、冗余的组织能够在功能不受影响的前提下收放自如，因此它能够适应。它能够控制变化。我们称之为「成长」。
直接反馈的模型，比如「增长的极限」，能够获得系统稳定——这是生态系统的一个特征——但是，它们不能学习，不能成长，也不能变化——而这三个复杂性，是变化中的文化或者生命模型必备的。没有这些能力，世界模型就会远远落在不断运动的现实的后面。学习能力缺位的模型，可以用来预估不远的未来，那时进化的变化很小；但是，要想预测一个进化系统——如果能作口袋式预测的话——就需要这种模拟的人工进化模型包含「必要的复杂性」。
但是，要引入进化和学习，不抽离这个系统的控制是不行的。丹娜·梅多斯在谈及人类集体智慧先行退后去理解全球问题，然后又「插手并改造」人类活动的体系的时候，她指出的是「增长的极限」这个模型最大的错误所在：它那线性、机械、不可行的控制意念。
自我制造系统之外不存在控制。活系统，比如经济、生态和人类文化，无论从哪个位置下手都难加以控制。它们可以被刺激，可以被干扰、可以被哄骗、可以被驱动，充其量也就是可以从内部进行协调。地球上不存在任何一个平台，从那里可以伸出自由之手进入活系统，而且，在活系统的内部也没有理由存在等待拨动的控制拨号盘。大型、群集状态下的系统，比如人类社会的导向，是由一大堆相互联结、自相矛盾的成员控制的。而这些成员，在任何一个时刻，对于整体也就只有那么一丁点的意识。不仅如此，在这个群集系统中，很多活跃的成员根本就不是个体人类智能；它们是公司实体、集团、体制、技术系统，甚至还包括地球本身的那些非生物系统。
有歌云：没人来当家。未来不可测。
现在来听唱片的背面：舵手是大家。而且，我们能够学会预测即将发生的事情。学习就意味着生存。