进步的计算复杂性：精密的设计总会迷路，而随机漫步反而带来突破？

日期：2026-05-07 09:04:27 / 人气：2

阿特姆·卡兹纳切耶夫（Artem Kaznatcheev）提出了一个关于生物进化的奇特模型：当一群生物适应其环境时，它们实际上是在解决一个复杂的数学问题——在浩如烟海的可能序列中，寻找那个复制效率最高的基因组。突变与自然选择的循环，就是解决这一问题的算法。由此我们可以追问：某些进化问题是否比其他问题更难？卡兹纳切耶夫给出了肯定答案——某些特征很容易进化出来，而另一些则完全不可能，即便在行星级的时间尺度上也无法实现。为了区分二者，他定义了一个关键概念：适应度景观的计算复杂性。

计算复杂性是计算机科学中的核心术语，它描述了解决一个给定问题所需的步骤数，且该步数取决于问题的规模。比如，将包含n个项的列表排序，所需运算次数与n×log(n)成正比（记为O(n log n)），除非是排序意大利面条这类特殊场景，只需n次操作即可。那么，在生物进化中，与之对应的概念又是什么？我们可以通过两个直观的比喻，读懂适应度景观的复杂性差异。

高山与迷宫：两种适应度景观的隐喻

为了获得直观理解，我们可以想象一种只能在两个维度上发生突变的昆虫——体型大小和腿部长度。这两者的每一种组合，都对应着一个特定的适应度（我们将其定义为传递给下一代的基因组副本数量）。由此，我们可以绘制一幅二维适应度景观图：红色代表适应度较差，青蓝色代表适应度较好，中间存在一个体型和腿长的“黄金平衡点”，能让昆虫表现得极其出色。

假设这群昆虫从左下角开始进化，每一代之后都会产生一群散布在当前位置周围的变异后代。在自然选择的作用下，那些最接近中心（更高适应度区域）的变异个体，将获得更多繁殖机会。不断重复这一过程，昆虫种群会逐渐沿着梯度攀升，最终抵达这座“适应度高山”的顶峰。但“山脉”的比喻其实并不贴切，卡兹纳切耶夫提供了一个更精准的类比：适应度景观，本质上是一座迷宫。

我们可以再设想两幅景观图，它们都没有局部极大值，只有一个全局适应度最大值——理论上，只要沿着梯度向上爬，最终都能到达顶点。但两者的核心区别的是，当我们增加维度时，它们会呈现出截然不同的变化。此时，我们不再局限于体型和腿长，而是允许昆虫改变颜色、长出犄角、利用天空的偏振光作为指南针，或是采取任何昆虫在进化中能想到的古怪生存策略——毕竟，昆虫在进化方面极具创意。

这里的关键变量，被称为上位效应（Epistasis）：如果你同时拥有两个不同的突变，它们带来的效果，是否等同于分别拥有这两个突变的效果之和？最典型的例子就是眼睛的进化：单纯拥有视神经毫无用处，单纯拥有一个孤立的眼球也一样，但如果同时拥有两者，就能实现“看见”这一全新功能——这就是强烈的上位效应。

O(eⁿ)级别的演化：迷宫般的高复杂度景观

对于左侧的景观，两个维度相互独立，不存在上位效应——在体型上取得的任何进展，都会简单累加到腿长的进展上。这个完全线性的梯度中，一个新突变要么落入较好的一半，要么落入较差的一半，至少产生某种“进步”的概率是1/2。这个概率不会随维度增加而改变，始终只有一个好方向和一个坏方向，且概率相等。因此，找到更优突变的概率与基因组大小无关，这种演化问题的计算复杂度是O(1)，属于低复杂度场景。

而右侧的景观，处处都存在上位效应，形成了一条蜿蜒穿过平面的狭窄路径。当虫子繁殖时，只有一小部分突变能带来“进步”，一部分会导致倒退，其余所有突变都会让它偏离路径，走向不可避免的灭亡。随着维度增加，这个适应度景观会变成如同蔓藤怪一般扭曲缠绕的形态，从一个维度扭转到另一个维度，再扭回来。

更关键的是，随着基因组大小的增加，仍然留在这条“进步路径”上的突变比例会呈指数级下降——换句话说，其计算复杂度是O(eⁿ)。即便没有局部适应度最大值，要到达适应度最优值也几乎是不可能的，哪怕再过数十亿年也难以实现。

回到眼睛的进化问题：曾几何时，人们认为这种高复杂度的器官，仅靠自然选择无法实现，中间一定有“神迹”干预。如今，我们已经清晰了解了眼睛的进化过程，但它确实是一条极其迂回的路径，甚至最终只带我们走向了一个古怪的适应度最优值——比如人类那种视网膜倒置的眼睛。正如范阳所注，《The Imperfect Eye》一文提出了一个有趣观点：胚胎学似乎反驳了“眼睛是大脑的直接延伸”，反而更合理的说法是“大脑是眼睛的直接延伸”——从系统发育来看，大脑比眼睛更晚出现，原始动物有高度发达的眼睛，却几乎没有什么大脑，比如家蝇，眼睛高度发达且专门化，但“大脑”仅由几个将眼睛连接到控制腿和翅膀的肌肉的神经站组成。

在生物进化中，我们没法选择算法，其核心永远是“随机变异+自然选择”那一套老法子。但更有价值的思考是：将我们从进化中学到的经验，应用于人类的进步。在这种思维下，我们或许有机会选择最优的算法，去穿越那座复杂的“进步迷宫”。

通往乌托邦的迷宫：人类进步中的上位效应

正如生物进化中存在上位效应一样，社会与技术的进步中，也存在类似的现象。比如垃圾处理问题：如果没有垃圾清运系统，建立填埋场就毫无意义；如果没有地方处理垃圾，垃圾清运也毫无益处；而这一切的前提，还得是人们拥有垃圾桶并且愿意使用它们。因此，垃圾处理问题的解决过程，至少在某种程度上，具有“迷宫属性”——必须满足一系列相互关联的条件，才能找到正确的路径。

我认识的许多生物技术领域的人，似乎仍持有19世纪式的幻象：一位天才计算出所有方程，创造出一项发明，然后大赚一笔。但现实中的技术进步，远没有那么可预测——重大的变革，往往需要在发明者与世界其他部分之间，进行多步、反复的互动。新发明改变了经济模式，而经济模式的改变，又为更多新发明开启了大门。

人工智能的发展，以及所谓的“AI寒冬”，就是一个典型例子。当时，人们并非没有尽全力寻找解决进度停滞的方法，他们努力了，但那些尝试都石沉大海。然而，正当所有人都准备放弃时，一条意想不到的路径悄然形成：廉价CPU→电子游戏→产生对高质量图形的市场需求→廉价显卡→并行计算→基于GPU的深度学习→AI开始写说唱歌词。

要实现这一点，我们必须在进步的迷宫中做出所有正确的转向，才能最终达到让深度学习成为可能的环境。我们从来都不能百分之百确定一定能走到那一步——很容易想象另一条时间线：第一批电子游戏没有《俄罗斯方块》那么有趣，人们很快就厌倦了，游戏行业从未起飞，神经网络也从未出现。如果进步的景观足够曲折，有些可能性就永远无法实现。

另一个类似的时间线是：黑格尔→马克思→斯大林→核威胁→阿帕网（ARPANET）→互联网→智能手机→更好的锂电池→电动滑板车。每一步都相互关联，缺一不可，任何一个环节的偏差，都可能导致整个路径的崩塌。

与之形成鲜明对比的，是激光的研发史。激光的发展，是一个令人叹为观止的故事，凝聚了大量心血和一连串天才构想：先解决黑体辐射问题，然后提出量子力学、受激辐射、氨分子微波激射器，接着做出第一台激光原型机，并将其转化为可以量产的产品，最终我们才能在阿里巴巴上买到那种能射出旋涡状光束的5美元激光笔。

这确实很难，但它是直截了当的——每一步都从逻辑上从前一步推导出来。据我所知，通往激光的这条路径，并不依赖于任何其他的经济进步。任何对开发激光感兴趣的智慧物种，只要能付出相当大的努力，大概都能做到。这背后的核心差异的是：激光的发展处在一个“低上位效应”的进步地形中，而神经网络则处在一个“高上位效应”的迷宫中。

这让我不禁思考：有多少简单、廉价、极其有效的小玩意儿，我们完全有能力发明出来，却因为通往它们的路径从未发生，而永远无法见到？也许真的存在一种让医生恨你的减肥怪招，但它需要垃圾收集系统、生日习俗和洋葱贸易法规，以某种正确的方式组合在一起。也许在那条没有神经网络的时间线上，“犁头和平核计划”反而取得了巨大成功，谁知道那个世界里的青少年们在搞什么鬼——不过，我们这条时间线上的抖音，美颜滤镜更好用就是了。

世界模型与经验智慧：两种进步算法的碰撞

在Samzdat的经典文章《乌鲁克机器》（The Uruk Machine）中，作者对比了两种截然不同的进步算法：传统的“经验智慧”（metis），及其替代者——现代的“科学知识”（episteme，也叫认识论）。詹姆斯·斯科特在《国家视角》中定义：Metis基于文化进化，人们延续传统并尝试新事物，但对于所做之事的因果关系并没有清晰的认知，最终，成功的做法会被所有人采纳，形成一个复杂、与本地环境高度契合的文化体系，没人知道它运作的原理，因此，试图用理性手段去改进它的尝试，通常都会失败。

Episteme则恰恰相反：人们拥有一个清晰的世界模型，并基于这个模型来优化世界。激光的发展，正是episteme方法的成功案例——低上位效应的进步地形中，你可以独立测试小模块，然后将其组合成复杂系统，并且它确实能运行。但在崎岖的进步地形中，episteme很可能会失败：你的理性计算可能是正确的，但当一切要素之间都存在强烈的相互作用时，总会有你无法预见的因素，最终让你偏离路径，跌入深谷。

这或许正是像“黄金大米”这样的转基因项目所面临的问题：从逻辑上看，它似乎是一个完美的解决方案，可以防止人们因维生素缺乏而失明。但当你进入食物的领域，就会发现，食物有着悠久的纯“经验智慧”传统，人们可能只是单纯地决定不想吃颜色不自然的米饭。此时，解决后半部分问题的路径，就变得更加不可预测。

如果你读过今年ACX评论大赛冠军、埃里克·霍尔对《万物的黎明》的评论，或许会记得“智人悖论”：为什么解剖学上现代的人类，花了5万到20万年才采用正式的社会组织？我最喜欢的解释是：因为找到一种真正可行的组织形式，本来就需要非常长的时间。

想一想你家乡的传统文化。从理论上讲，有多少同样古怪的文化是可能存在的？比如，拜火教徒（祆教徒）通过共同相信“罪犯死后会进入一个臭风之地，而非芳香之地”，从而抑制犯罪——这确实是一种可能的解决方案。但对于一个成功运作的文化来说，有多少文化注定会失败？比如，要求所有青春期男性跳入火山来决定帮派领袖的文化；认为毒芹看起来很美味的文化（你无法证明它不是）；规定必须在10岁前自杀才能进入无限天堂的文化，等等。

可能存在的文化空间是如此庞大，而其中真正稳定的比例又是如此之小，以至于5万年听起来也并不算太长。毕竟，5万年仅相当于2500代人（以20岁一代计）。如果部落的总数很少，且人们寿命较短（因此无法见证长期过程），那么他们在这么少的尝试中，就能摸索出宗教之类的东西，其实非常惊人。蚂蚁在处理这类事情上表现得极其出色，但它们拥有超过1亿年的时间来完善它们的管理实践——而且它们的世代周期要短得多。

模糊的边界：随机性如何加速进步？

让我们回到纯粹的演化生物学。生命世界中充满了各种振荡器，比如昼夜节律、植物根部的回旋运动，或者我们的心跳。最近Lin等人的一篇论文，试图解释这些振荡器是如何进化出来的。他们对基因网络进行了模拟：当某个基因以固定节律开启和关闭时，个体更有可能繁殖。经过一段时间，这些虚拟生物最终开始表现出振荡行为——但这个过程非常缓慢。

论文中的一幅适应度景观图，展示了一个生物体的振荡效果，如何随基因回路中两个参数的变化而变化。图中那些蜿蜒曲折的线条，是从景观中不同起始位置开始演化的种群。问题在于，它们一开始都位于完全没有振荡的区域，因此不存在可以“攀爬”的梯度。它们唯一能做的，就是在这个景观中随机扩散，直到偶然进入一个自然选择能够发挥作用的区域——这就像前文所说的，从迷宫路径上跌落：一旦偏离轨道，在重新偶然找到路径之前，你根本不知道该往哪里走。

于是，Lin及其同事在这些基因回路中引入了随机波动。直觉上，我们会认为随机噪声会让构建一个可工作的振荡器变得更困难，因为它会降低系统的可靠性。但实际情况却恰恰相反：当没有波动时，种群中的所有个体都停留在适应度景观中的同一个点上；但随机性会让不同细胞围绕平均表型“扩散”成一小团“云”，这使得它们不仅能测试平均表型，还能探索其周围的邻近表型。

如果其中某个邻近表型表现明显更好，那么整个种群在统计上就会获得优势，从而繁殖得更多。接下来，它们就有更多机会找到能够真正产生这种更优表型的突变。在这些模拟中，引入随机性相当于“模糊”了适应度景观，使其更容易被探索和导航。

将这一点应用到“进步”的问题上，我们又回到了metis（经验智慧）：与其制定一个通往乌托邦的宏大统一计划，不如让许多局部的小型组织形态并存，各自朝着随机的方向进行微小尝试。有时，其中一个会实现成功的变革，其余的便会效仿。在局部层面上，这些变革中有许多可能是有害的，但总体而言，它使得找到复杂、不可预测的成功之路变得更加容易。

换句话说，episteme（运用科学知识的理性建模）可能在短期内更高效，但metis（运用经验智慧）更具“可进化性”。这也许是市场有时能带来令人惊讶的良好结果的原因：市场虽然大多基于科学知识理性建模，但它们仍允许大量“噪声”的存在。有些人会尝试一些并不完全符合商学院教条的随机行为，如果他们成功了，其他公司就会模仿其策略；如果他们获得极大的成功，其策略最终会走进商学院的课堂。糟糕的组织会自然衰落，而成功的组织会被所有人效仿。

当然，其反面就是由一个中央权威机构，通过线性规划计算出最优政策，并将其在所有地方统一强制执行。对于像发射卫星这种低上位效应的任务，这可能极其有效，但只要景观变得崎岖，它就会惨遭失败——这种中心化计划的任何一次失败，都意味着整个系统的崩溃。

如果你读过孟修斯·莫德布格的作品，会发现他反复强调：资本主义公司都是微型的绝对君主制，CEO就是整个王室，所以如果我们想让国家像亚马逊一样高效，就应该回归君主制。但我认为他完全搞反了：亚马逊之所以成功，并非因为这种公司制度本质上有多好，而是因为曾有过成百上千个潜在的“亚马逊候选者”，尝试了略有不同的做法。其中一个成功了，而许多其他的都倒闭了——我不希望这种事发生在国家身上。

在某种程度上，这既是支持也是反对市场的论点：如果市场的成功源于更好的“可进化性”，那么也许可以只提取这一特征，并将其加入你最喜欢的非市场乌托邦中，从而在避开市场弊端的同时获得其优势。你能设计出一个“可进化的集体农庄”系统吗？我把这个当作留给马克思主义读者朋友们的课后作业。

又或者，关键在于这种系统根本无法被“设计”出来——它们隐藏在迷宫最难以抵达的角落。可能文化的空间中，确实存在着永恒和平与普遍之爱的乌托邦，但它们对人类来说过于不可思议，以至于我们永远也无法构想出它们。

总结

1. 在进化过程中，适应度景观的“计算复杂度”可以不同，这取决于它有多像一座迷宫——迷宫越复杂，计算复杂度越高，实现进步的难度也越大。

2. 较高的计算复杂度，源于不同性状之间的相互作用（上位效应）——这种相互作用使得进步路径变得狭窄而曲折，偏离路径就可能走向灭亡。

3. 类似地，一些社会和技术创新的路径可能是直接清晰的（低上位效应），也可能必须先经历某些不可预测的条件才能出现（高上位效应）。

4. Episteme（运用科学知识理性建模）更适合处理低复杂度问题，能够通过清晰的逻辑推导实现进步；而metis（经验智慧/文化进化）则能够在更复杂的“迷宫”中找到路径，更具可进化性。

5. 一些生物系统可以通过降低自身的稳健性来加速进化，因为噪声使它们能够探索当前状态附近的空间——这一点也对“乌托邦设计”产生了重要启发：过于精密的设计可能会陷入僵局，而适当的随机性和多样性，反而能带来突破。

感谢Justis Mills对草稿的反馈。

注释

1. 如果你对高维空间不太敏感，可以想象一个格点结构：在一维中，你有2个邻居；在二维中有8个；在三维中有26个，以此类推。如果只有一个邻居通向“进步”，那么随着维度增加，错误路径的数量会指数级增长。

2. “告诉那帮兄弟，我从不食言，兄弟。”那位“最大化金句输出的超级智能”说完，便把太阳系的最后一个原子变成了一个可以“麦克风落地（mic drop）”的道具。

3. 这个时间线同时也是这样一个世界：（原文此处未完整呈现，保留原样）

作者：蓝狮娱乐注册登录平台