22.1 接球的大腦
「給我說說未來吧，」我懇請道。
我現在正坐在導師辦公室的沙發上。經過了一段艱苦的跋涉，我才來到這個位於地球能量點之一的高山哨站——新墨西哥州洛斯阿拉莫斯國家實驗室。導師的辦公室裡，貼滿了各種色彩斑斕的過去的高科技會議的海報，勾畫出他近乎傳奇的履歷：他，還是標新立異的物理系學生時就拉一幫嬉皮黑客成立了一個地下組織，在拉斯維加斯利用可穿戴式計算機贏光了莊家的錢；他，通過研究滴水的水龍頭，成了一幫離經叛道的科學家中的主要人物，正是他們發明了之後迅速發展的混沌科學；他，是人工生命運動之父；他，現在在洛斯阿拉莫斯原子武器博物館斜對面的小實驗室裡領導研究複雜性這門新科學。
導師多恩·法默，又高又瘦，看上去三十多歲的樣子，很像戴了飾扣式領帶的伊卡伯德·克瑞恩。多恩正在著手開始他下一個不同尋常的冒險：開辦一家公司，通過計算機模擬來預測股價，然後打敗華爾街。
「我一直在思考未來，我有一個疑問，」我開口道，「你是想知道IBM的股票到底是會漲還是會跌！」法默帶著一臉歪笑提示道：「不。我想知道未來為什麼這麼難以預測。」「哦，這個簡單。」
我之所以探詢預測未來的問題，是因為預測是控制的一種形式，是一種尤其適合分佈式系統的控制形式。通過預期未來，活系統能夠改變其姿態，預先適應未來，以這種方式掌控自己的命運。約翰·霍蘭德說：「複雜自適應系統所做的，就是預測。」
在對預測機制進行剖析的時候，法默最喜歡用這個例子來進行說明：「來，接著!」說著就朝你扔過來一個棒球。你抓住了球。「你知道你是怎麼接住這個球的嗎？」他問道，然後回答：「通過預測。」
法默堅信你的腦子裡有一個關於棒球是如何飛行的模型。你可以採用牛頓的經典力學算式F=ma來預測一個高飛物體的運動軌跡，但是你的大腦本身卻並沒有存儲這樣的基本物理學算式。更確切地說，它直接依照經驗數據建立起一個模型。一個棒球手成千次觀察球棒擊飛棒球的情景，成千次舉起戴著棒球手套的手，成千次利用戴手套的手調整他的預測。不知怎麼的，他的大腦就逐漸編製出一個棒球落點的模型——一個幾乎跟F=ma不相上下的模型，只不過適用範圍沒有那麼廣而已。這個模型完全建立在過去接球過程中產生的一系列手/眼數據的基礎上。在邏輯學領域中，這樣的過程統稱為歸納，它與導出F=ma的推演過程截然不同。
在天文學的早期，也就是在牛頓的F=ma出現之前，天體事件的預測都是根據托勒密的嵌套圓形軌道模型做出的——一環套一環。由於建立托勒密理論的核心前提（即所有天體都繞著地球轉）是錯誤的，所以每當新的天文觀察提供了某個星體更精確的運動數據時，都需要修正這個模型。不過，嵌套的複雜結構驚人地堅固，足以應付層出不窮的修修補補。每次有了更好的數據，人們就在圓環套圓環套圓環的模型裡面再加一層圓環，用這種方法來調整模型。儘管有各種嚴重錯誤，這個巴洛克風格的模擬裝置仍然行得通，而且還會「學習」。托勒密的這個頭腦簡單的體系，為日曆的調節以及對天象的實際預測，恰恰好地服務了1400年！
一個棒球外野手基於經驗形成的空中飛行物的「理論」，很像托勒密行星模型的後期階段。如果我們解析外野手的「理論」的話，就會發現它是不連貫的、即興的、複雜的，而且是近似的。但是，它也是可以發展的。這是一個紊亂的理論，但它不僅有效，而且還能提高。如果非要等到每個人都能弄明白F=ma這個算式（弄明白半個F=ma還不如什麼都不懂）再行動的話，就根本沒有人能接住任何東西。就算你現在瞭解了這個算式，也沒什麼用。「你可以用F=ma來求解飛行中的棒球問題，但你不能在外場實時解決問題。」法默說。
「現在，接著這個！」說著，法默又扔出了一個充好氣的氣球。這東西在房間裡放肆地漂來彈去，像喝醉了酒似的。誰也接不住這東西。而這正是混沌的一種經典表現——一個對初始條件具有敏感依賴的系統。氣球在發射時的一點微不可查的變化，也能被放大成飛行方向的巨大改變。儘管F=ma這條定律仍然支配著氣球，但是，另有一些力量，比如推動力、空氣抬升的推與拉，造成了運動軌跡的不可預測性。在這混沌之舞中的歪歪斜斜的氣球，反映的是太陽黑子週期循環、冰河時期的氣溫、流行性傳染病、沿著管道流動的水的種種難以捉摸的華爾茲，更為切題的，是股票市場的波動。
可是，難道氣球的運行軌跡真的不可預測嗎？如果你試圖用算式來解決氣球那搖搖晃晃的飛舞運動，你會發現它的路徑是非線性的，因此它幾乎是不可解的，因此也是不可預測的。儘管如此，一個玩任天堂公司（一家日本遊戲公司）的遊戲長大的十幾歲的小孩，卻可以學會如何接氣球。雖說不是完全準確無誤，但是卻比單純靠運氣要強多了。只要接過幾十次之後，小孩的大腦就開始根據所獲得的數據來構築某種理論，或者說構築某種直覺，某種歸納。放飛了上千次的氣球之後，他的大腦就已經構建出了這個橡皮球的飛行的某種模型。這樣的模型雖然不能精確地預測出這球到底會落到什麼地方，但是卻能探查出飛行物的飛行意向，比如說，是往發射的相反方向飛，還是按照某種模式繞圈子。也許，隨著時間的推移，這個人抓氣球的成功率，要比純粹靠運氣去抓高上10個百分點。關於抓氣球，你還能有什麼更高的要求呢？某些遊戲裡，並不需要太多的信息就可以做出有效的預測。比如逃離獅口或者投資股票的時候，哪怕只是比純粹的運氣高那麼一點點，也是有重大意義的。
幾乎可以明確地說，「活系統」——獅群、股票市場、進化中的種群、智能等，都是不可預測的。它們所具有的那種混亂的、遞歸式的因果關係，各個部分之間互為因果的關係，使得系統中的任何一個部分都難以用常規的線性外推法推斷未來。不過，整個系統卻能夠充當分佈式裝置，對未來做近似的推測。
為了破解股票市場，法默在推導金融市場動向方面下了大力氣。「市場的可愛之處就是，其實不需要太多的預測，就可以做很多事情。」法默說。
報紙灰色的末版裡，有股票市場上下波動的走勢圖，只顯示兩個維度：時間和價格。從有股票市場的那一天起，投資者們就已經在細心解讀這個在二維之間擺動的黑色線條，希望從中找出某種能夠預測股市走向的模式來。只要是可靠的，哪怕只是模糊的方向性提示也能讓人獲得不菲的收穫。正因為如此，推介這樣那樣的預測圖表來判斷未來走向的昂貴金融通訊，才會成為股票界的一個永久附件。從事這個職業的人就被稱為圖表分析師。
在20世紀70年代和80年代，圖表分析師在貨幣市場的預測方面有了一點成功，這是因為，按照一種理論的說法，中央銀行和財政部在貨幣市場中的強勢角色約束了各種變量，因而可以用一種相對簡單的線性算式來描述整個市場的表現。（在線性算式中，一個解可以用一條直線在圖中表示。）而當越來越多的圖表分析師利用這種簡單的線性算式成功地找出各種趨勢之後，市場的利潤也就越來越薄了。自然而然地，預測者們開始把目光投向那些更為狂野和更為雜亂的地方，那些僅由非線性算式統治的地方。在非線性系統中，輸出與輸入之間並不成比例。而世界上絕大多數的複雜系統——包括所有的市場，都是非線性的。
隨著價格低廉、具有產業優勢的計算機的出現，預測者們對非線性的某些方面已經能夠理解。金融價格可以體現為一種二維曲線，而通過對這種二維曲線背後的那種非線性現象進行分析，提取出可靠的模式，就可以掙錢，而且是大錢。這些預測者可以推測出圖形的未來走向，然後在預測上下賭注。在華爾街，人們把破解出這種或者那種神秘方法的電腦呆子稱為「火箭科學家」——股市分析高手。而這些西裝革履、在各種交易公司的地下室裡工作的技術怪才們，其實就是20世紀90年代的黑客。多恩·法默這位前數學物理學家，還有那些原來跟他一起進行數學冒險的同事們，將美國境內離華爾街遠得不能再遠的地方——聖達菲的四間磚房作為辦公室，現在已經是華爾街最炙手可熱的股市分析高手。
在現實中，影響股票二維圖形軌跡的因素不是幾個，而是數千個。當我們把股票的數千個向量繪製成一條線時，它們都被隱藏起來，只顯現出了價格。同樣的情況也會發生在我們用圖形來表示太陽黑子的活動或者氣溫的季節性變化時。比如，你可以在平面圖上用一條簡單的、隨時間變化的細線表示太陽的活動軌跡，但是，那些影響到這條線的各種因素卻令人難以置信地複雜多樣，相互糾結，反覆循環。在一個二維曲線的表面背後，活躍著駕馭這條曲線的力量的混亂組合。股票、太陽黑子或氣候的真正圖表都會包括一個為所有影響力準備的軸，因而這張圖也會成為一種難以描繪的千臂怪物。
數學家一直努力尋找馴服這些怪物的方法，他們稱之為「高維」系統。任何有生命的造物、複雜的機器人、生態系統或者自治的世界，都是一個高維繫統。而形式之庫，就是一個高維繫統的建築。僅僅100個變量，就可以創造出一群數量巨大無比的可能性。因為每一個變量行為都和其他99個行為互相影響，所以如果不同時對這個相互作用的群體整體進行考察的話，你根本無法考察其中的任何一個參數。比如說，哪怕是一個簡單的只有三個變量的氣候模型，也會通過某種奇怪的回路連回到自己身上，從而哺育出某種混沌，讓任何一種線性預測都成為不可能。（最初就是因為在氣象預測上的失敗才發現了混沌理論。）
22.2 混沌的另一面
流行的觀點認為，混沌理論證明了這些高維的複雜系統——比如天氣、經濟、行軍蟻，當然還有股票價格，其本質上是無法預測的。這種設想如此堅不可破，以至於人們通常認為，任何一種用來預測這些複雜系統輸出結果的設計，都是天真的，要不然就是瘋狂的。
可是，人們大大地誤解了混沌理論。它還有另外一個面孔。出生於1952年「嬰兒潮」的多恩·法默用黑膠唱片打了個比方：他指出，混沌就好像是一個雙面都錄有音樂的熱門唱片。
正面的歌詞是這樣的：根據混沌定律，初始秩序可以分解為原不可預測性。你無法做出遠期預測。
另外一面則是這樣的：根據混沌定律，那些看起來完全無序的東西，在短期內可以預測到。你可以做出近期預測。
換句話說，混沌的特性，既載有好消息，也帶有壞消息。壞消息是：可做遠期預測的東西，即便有，也只是一點點。而好消息，也就是混沌的另一面則是：就短期而言，有更多的東西可能比其第一眼看上去更具可預測性。而無論是高維繫統的長期的不可預測性，還是低維繫統的短期的可預測性，都來源於同一個事實，即「混沌」和「隨機」是兩回事。「在混沌中存在著秩序，」法默說。
法默肯定知道。早在混沌形成科學理論、成為時尚的研究領域之前，他就是探索這一黑暗領域的一位先驅。20世紀70年代，在時尚的加利福尼亞小城聖克魯斯，多恩·法默和朋友諾曼·帕卡德共同建立了一個計算機迷嬉皮士公社來實踐集體科學。他們同住，同吃，同煮，一起尋找解決問題的方法，一起分享科學論文的榮譽。作為混沌社成員，這夥人研究的是滴水的水龍頭和其他看似隨機生成的設備的古怪物理學。法默對輪盤賭的輪盤特別著迷。他堅信表面上隨機旋轉的輪盤裡，一定隱藏著某種秩序。如果有人能在這旋轉的混沌中找出隱秘的秩序，那麼……哎呀，他就發財了……發大財。
1977年，在蘋果機這樣的商用微機誕生之前很久，聖克魯斯的混沌社造出了一組可手動編程的小微機，裝在三個普通皮鞋的底部。這些計算機用腳趾鍵入信息；它們的功能，是預測輪盤賭中小球的走向。法默的團隊從拉斯維加斯買來二手輪盤機架在公社擁擠不堪的臥室裡，對其進行研究。這種自製的計算機，運行的就是由法默依據小組的研究成果編製的代碼。法默的計算機算法不是基於輪盤賭的數學規律，而是基於輪盤的物理規律。從根本上說，混沌社的編碼，在鞋子裡的芯片內模擬了整個輪盤賭旋轉的輪盤和彈跳的小球。它完成這種模擬只用了微不足道的4K內存，而那個時代，計算機還是一些需要24小時的空調和專門人員照顧的巨型怪獸。
這個科學公社，曾經不止一次把混沌的另一面翻出來，場景大致如此：在賭場裡接上線，由一個人（通常是法默）穿上一雙魔法鞋來測定輪盤操作員對輪盤的彈擊、球的跳動速度以及輪盤擺動的傾角。附近，同社的一個人穿著第三隻無線電信號聯接的魔法鞋，在檯面上實際下注。而在這之前，法默已經用腳趾頭調整他的算法，仿定了賭場的一部輪盤機。此時，就在小球落下到最終停下來之間的短短15秒左右的時間裡，他的鞋計算機就模擬完成了這個球的整個混沌運行過程。法默用他的右腳大趾點擊預測裝置，生成這個球的未來落點的信號，其速度要比一個真球落到號碼杯中的速度快上大約100萬倍。法默動一下左腳大趾，把這個信息傳遞給他的同夥，後者從他自己的腳底「聽」到這個信息，然後，一本正經地在小球落定之前把籌碼放到已經預先確定了的方格中。
如果一切都運轉良好的話，這一注就贏了。不過，這個系統所預測的從來都不是那個會贏下賭注的準確號碼；混沌社員是一些現實主義者。他們的預測裝置預報出一小片相鄰的號碼——輪盤的一個小扇面，作為球在賭桌上的目的區。而參賭的同夥則會在小球停止轉動的過程中在這個區域內遍撒籌碼。最後，其中一個贏得賭注。儘管下在它旁邊的那些籌碼輸了，可這個小區域作為一個整體，往往能贏，而且足以超過賠率。從而掙到錢。
後來，因為這個系統的硬件不可靠，小組把整個系統賣給了別的賭博者。不過，從這次冒險中，法默卻學到了三件對於預測未來非常重要的事情：
首先，你可以抽取混沌系統內在的固有模式，取得良好的預測。
其次，進行一次有用的預測用不著看得太遠。
第三，即使是一點點有關未來的信息，也是非常有價值的。
22.3 具有正面意義的短視
法默牢記著這些經驗，又跟另外5個物理學家（其中一個是前混沌社成員）組建了一個新公司。這一回，他們要破解的是所有賭徒的夢想：華爾街。而且，這一回，他們將用上高性能的計算機。他們會把這些計算機裝上實驗性的非線性動力，以及火箭科學家秘不外傳的其他訣竅。他們將從旁思考，讓這種技術在沒有他們控制的情況下承擔盡可能多的責任。他們要創造出一個東西，如果你願意也可以說，創造出一個有機體來，它能自行完成數百萬美元的賭博。他們會讓這個有機體……（嗯，請把鼓擂起來）預測未來。這幫老練的傢伙有點虛張聲勢地掛出了新招牌：預測公司。
預測公司裡的這些人領會到，要想在金融市場裡掙到大錢，只要能夠提前幾天預見要發生的事情就足夠了。的確，法默和同事們待過的聖塔菲研究所最近的研究就解釋了「看得遠並不意味著看得好」。當你埋首真實世界的複雜性時，少有清晰界定的選擇，不完全的信息又蒙蔽了所有的判斷，這個時候，要評判過於遙遠的選擇就達不到預期的目的了。儘管這個結論似乎符合人類的直覺，但是，我們還不清楚為什麼它也應該符合計算機和模型世界。人類的大腦很容易分散注意力。但是，假定說，你已經擁有了無限的計算能力，而且專注地執行著預測的任務。那麼，為什麼看得更深更遠還並不是更好呢？
這個問題的簡單答案就是：當極小的誤差（由有限的信息引起的）持續到非常遙遠的未來的時候，將會匯聚成極為嚴重的誤差。即使計算本身是免費的（而它從來就不是免費的），處理這些成指數增長、被誤差污染的可能性所需要的代價也是巨大的，而且根本就不值得付出。聖塔菲研究所研究員、耶魯大學經濟學家約翰·吉納考普勞斯和明尼蘇達的教授拉裡·格雷曾經用一個國際象棋比賽的計算機程序作為他們預報工作的試驗台。（最好的計算機象棋程序，比如頂級的「深思」程序，能夠擊敗除幾個最頂尖的大師之外的所有人類棋手。）
結果卻和計算機科學家們的預料完全相反，無論是「深思」程序，還是人類的象棋大師，其實都不需要看得太遠就能下出非常好的棋。這種有限的前瞻就是所謂的「有正面意義的短視」。一般來說，這些大師會首先縱覽盤面的局勢，只對各個棋子下一步的走法做一個預測。接下來，他們會挑選出最可能的一種或兩種走法，更深入地去考慮這些走法的後果。儘管每多向前推演一步，可能的走法就會以指數的數量級爆炸性增長，但是在每一個回合，那些偉大的人類大師卻只會把注意力集中在有限的幾個最有可能的應對著法上。在遇到以往經歷過的熟悉環境、深知其間利害取捨的情況下，他們偶爾也會往前多探幾步。但是，一般來說，大師們（現在再加上「深思」）都是憑經驗佈置棋局。例如：首選那些增加選擇餘地的著法；避開那些結果不錯但要求棄子求兌的著法；從那些毗鄰多個有利位置的有利位置著手。在對局勢的前瞻與切實通盤關注當前狀況之間取得平衡。
我們每一天都會遇到類似的折中。無論在商業、政治、技術還是生活中，我們都必須預估隱匿在犄角旮旯的情況。可是，我們從來都得不到充足的信息來做出完全有見地的決策。我們在黑暗中經營。為了做出補償，我們只能憑借經驗或者粗略的指導原則，而國際象棋中的經驗規則，是可以指靠的相當不錯的生活規則。（我的女兒們，這裡注意了：首選那些增加選擇餘地的著法；避開那些結果不錯但要求棄子求兌的著法；從那些毗鄰多個有利位置的有利位置著手。在對局勢的前瞻與切實通盤關注當前的狀況之間取得平衡。）
常識使這種「有正面意義的短視」具體化。與其花費數年的時間去搞一本預測一切可能發生狀況的公司員工手冊——它在付印之際就過時了，不如採用那種有正面意義的短視，也不要去想那麼遠，這顯然要好得多。也就是說，先設計出一些一般的指導原則來應對那些看起來一定會在「下一步」發生的事情，等那些極端事例真的發生的時候再來應付。如果你身在一個陌生的城市，又想在交通高峰時段出行，你可以在地圖上計劃好穿越整個城市的詳細路線——想得比較遠，又或者試探一下，比如「一直向西，到達沿河路時，再左轉」。通常，我們兩種方法都會嘗試一些。我們會盡量忍著不去想得太遠，又確實會關注眼前馬上要發生的事情。我們會蜿蜒向西，或上坡，或下坡，同時，不管到了哪裡，都會拿出地圖看看下一個馬上要到的路口。我們使用的方法，實際上是由經驗規則引導的有限的前瞻。
預測機制即使看起來沒有先知的樣子也一樣好使，只要它能從隨機和複雜的偽裝背後發現有限的模式——幾乎什麼樣的模式都行。
22.4 從可預測性範圍裡掙大錢
按照法默的說法，有兩種不同的複雜性：內在的和表面的。內在的複雜性是混沌系統「真正的」複雜性。它造成晦暗的不可預測性。另外一種複雜性是混沌的另外一面，掩蓋著可利用秩序的表面複雜性。
法默在空中畫了一個方框。往上，表面複雜性增加；對角向上穿過正方形，內在複雜性增加。「物理學通常是在這裡工作，」法默指著兩類複雜性低端共聚的底角，即那個簡單問題所在的區域說道。「而到了那邊，」法默指著方框中跟這個底角相對的那個上角說道，「都是些難題。不過，我們現在是要滑到這個位置，到了這裡，問題就會比較有趣——這裡表面的複雜性很高，而真正的複雜性仍然保持比較低的水平。到了這裡，複雜的難題中有些成分是可以預測的。而那些正是我們要在股票市場中找的東西。」
預測公司希望能夠借助那些簡陋的計算機工具，那些佔了混沌的另一面的便宜的工具，來消滅金融市場中簡單的問題。「我們正在運用我們能找到的所有方法，」前混沌社成員，公司的合夥人諾曼·帕卡德說道。這個想法是把得到了驗證的各種來路的模式搜尋策略都變成數據，然後「不斷地敲打它們」，以此對算法進行最優化。找到模式最清晰的提示，然後使真相大白。這是一種賭徒的心態：任何利益都是利益。
激勵法默和帕卡德的信念是從他們自己的經驗中得來的，即混沌的另一面非常穩定，足以依賴。沒有比他們在拉斯維加斯的輪盤賭試驗中掙到的那一大把實實在在的鈔票更能打消疑慮的了。不利用這些模式就太傻了。正如那位記錄他們高贏率冒險嘗試的作者《幸福的餡餅》（Eudaemonic Pie）一書裡大聲疾呼的那樣：「幹嘛不在鞋裡穿上計算機去玩輪盤賭？」
除了經驗之外，法默和帕卡德在他們通過混沌研究創造出來的頗受人敬重的理論中還注入了大量的信念。不過，他們現在還在測試自己最狂野、最有爭議的理論。與絕大多數經濟學家的懷疑相反，他們相信其他那些複雜現象中的某些區域也能精確預測。帕卡德把這些區域稱為「可預測性範圍」或者「局部可預測性」。換句話說，不可預測性在整個系統中的分佈並不是統一的。絕大多數時間，絕大多數複雜系統也許都不能預報，但是其中一小部分也許可以進行短期預報。回頭去看，帕卡德相信，正是這種局部的可預測性才讓聖克魯斯混沌社通過對輪盤上的小球的近似路徑進行預報來掙到錢的。
即使真的存在這種可預測性範圍，它們也肯定被掩埋在一大堆不可預測性之下。局部可預測性的信號，會被上千個其他變量產生的盤旋雜亂的干擾所掩蓋。而預測公司的6位股市分析高手，則利用一種混合了舊與新、高端與低端的搜索技術來對這個龐雜的組合信號堆進行掃瞄。他們的軟件既搜尋那些從數學上來講屬於高維空間的金融數據，也尋找局部區域——不管什麼樣的局部區域，只要它能夠和可預測的低維模式相匹配就好。他們是在金融的宇宙中尋找秩序的跡象——任何秩序。
他們做的這種實時的工作，也可以稱為「超實時」的工作。就跟在鞋子計算機裡模擬出來的彈跳球會在真球停下來之前停下來一樣，預測公司的這種模擬金融模式也會比在華爾街那邊的實際運行要快。他們在計算機裡重新制定股票市場的一個簡化部分。當他們探測到正在展開的局部秩序的波動時，就會以比真實生活更快的速度進行模擬，然後把籌碼下在他們想見的這一波動可能結束的點位。
戴維·拜瑞比曾經在1993年３月的《發現》雜誌上用一種非常可愛的比喻來形容這種尋找可預測性範圍的過程：「看著市場中的混沌，就好像看著波濤洶湧、浪花四濺的河流，它充滿了狂野的、翻滾著的波濤，還有那些不可預料的、不斷盤旋著的漩渦。但是，突然之間，在河流的某個部分，你認出一道熟悉的渦流，在之後的5~10秒內，就知道了河流這個部分中的水流方向。」
當然，你是沒有辦法預測水流在下游半英里處的流向，但是，就有那麼5秒鐘——或者在華爾街那5個小時的時間裡，你可以預測這個演示的進展。而這也正是你致用（或者致富）所需要的。找出任意一個模式，然後利用它。預測公司的算法，就是抓住飛逝的一點點秩序，然後利用這個轉瞬即逝的原型來掙錢。法默和帕卡德強調說，當經濟學家們遵循職業操守對這些模式的原因進行挖掘的時候，賭徒們卻沒有這種約束。預測公司的重要目標並不是模式形成的確切原因。在歸納式的模型——預測公司構造的那種模型中，事件並不需要抽像的原因，就跟具有意念之中的棒球飛行路線的外野手，或者一隻追逐拋出的棍子的狗一樣不需要抽像的原因。
應該操心的，不是這類充斥著因果關係循環的大規模集群式系統中因與果之間模糊不清的關係，而是如法默所說：「要擊敗股票市場，關鍵性的問題是，你應該關注哪些模式？」哪些模式掩蓋了秩序？學會識別秩序而不是原因，才是關鍵。
在使用某個模型下注之前，法默和帕卡德會用「返溯」的方法對它做一個測試。在運用「返溯」技術（專業的未來學家常用到的方法）時，要通過來自人力管理模型中的最新數據建立模型。一旦系統在過往數據，比如說20世紀80年代的數據裡，發現了某種秩序，就把過去那幾年的數據提供給它。如果系統能夠依據80年代的發現準確地預測出1993年的結果，那麼這個模式搜索器就可以拿到獎章了。法默說：「系統得出20個模型。我們會把所有這些模型都運行起來，用診斷統計學把它們篩一遍。然後，我們6個人就會湊在一起，選出真正要運行的那個。」這種建模活動，每一輪都可能要在公司的計算機上運行上好幾天。不過，一旦找到了某種局部秩序，根據這種秩序進行預測就只需要百萬分之一秒的時間。
最後的一步，也就是在它手裡塞上大捆的真錢來實際運行這個程序，還需要這幾位博士中的一位在鍵盤上敲一下「回車」鍵。這個動作就會把選定的算法投入到那個高速運轉、錢多得能讓腦子停轉的頂級賽事的世界。割斷了理論的韁繩，自動運行起來，這個充實起來的算法就只聽到它的創造者們喃喃低語：「下單啊，呆瓜，下單啊!」
「只要我們能夠超過市場盈利5個百分點，那麼我們的投資者就能掙到錢了。」帕卡德說。關於這個數字，帕卡德是這麼解釋的：他們能夠預測出55%的市場走向，也就是說，比隨機的猜測高出5個百分點，不過，如果他們真的猜對了話，那麼最終得到的結果會高出200%，也就是說，比市場的贏率高兩倍。那些為預測公司提供金融支持的華爾街大佬（當前是奧康納及關聯公司），可以獲得這個算法的獨家使用權，作為交換，他們則要根據算法所得到的預測結果的具體表現支付公司一定的費用。「我們還是有一些競爭者的，」帕卡德笑著說道，「我知道有另外4家公司也在琢磨同樣的事情，用非線性動力學去捕捉混沌中的模式，然後用這些模式進行預測。其中的兩家已經發展起來了。裡面還有一些是我們的朋友。」
花旗銀行就是使用真錢交易的競爭者之一。從1990年開始，英國數學家安德魯·科林就已經開始搞交易算法了。他的預報程序首先隨機生成數百個假設，這些假設的參數影響著貨幣數據，然後再用最近5年的數據來檢驗這些假設。最可能產生影響的參數會被傳送到計算機神經網絡，由它調整每一個參數的權重，以求更好地與數據吻合，採取給最佳參數組合加權的辦法，以便產生出更優的猜測。這個神經網絡系統也會不斷地把得到的結果反饋回來，通過某種自我學習的方式不斷打磨自己的猜測。當一個模型跟過去的數據吻合，它就會被傳送到未來。1992年，《經濟學人》雜誌曾經有一篇文章這樣寫道：「經過兩年的實驗，科林博士估計他的計算機虛擬交易資金能夠獲得每年25%的回報……這已經是絕大多數人類交易者期望值的好幾倍了。」當時倫敦的米蘭銀行有8位股市分析高手在研究預測裝置。他們計劃由計算機生成算法。不過，和在預測公司一樣，在「敲回車」之前，計算機生成的算法還是要由人類來評估。直到1993下半年，他們一直是用真錢交易。
投資者們喜歡向法默提出的一個問題是，他怎麼證明人們確實可以憑借這麼一點點信息上的優勢就在市場中掙到錢。法默舉了一個「現實存在的例子」，即華爾街上像喬治·索羅斯這樣的人，通過貨幣交易或者其他別的的交易，年復一年地賺取數百萬的金錢。成功的交易者，法默不平地說，「被那些學院派呸呸連聲地瞧不起，以為他們只是超級有運氣而已——可是證據卻顯示說事情完全不是這樣的」。人類交易者會在無意識中學會如何在隨機數據的海洋裡識別出那些屬於局部可預測性的模式。這些交易者之所以能夠掙到數以百萬計的美元，是因為他們為了做出預測，先發掘出了模式（雖然他們說不清道不明），然後建成內部模式（雖然他們並未意識到）。他們對自己的模型或理論的瞭解並不比他們對自己如何抓住飛球的瞭解更多。他們就這麼做了而已。不過，這兩種模型都是基於經驗，以同樣的托勒密式歸納法建立起來的。而這也正是預測公司利用計算機來對飆升的股票進行建模的方法——以數據為起點，自下而上。
法默說：「如果我們在現在所做的事情上取得基礎廣泛的成功，那就證明機器的預報能力比人強，而且，算法是比米爾頓·弗裡德曼還要優秀的經濟學家。交易師已經在猜疑這個東西了。他們感受到了它的威脅。」
困難之處是要保持算法的簡潔。法默說：「問題越複雜，最後要用到的模型就越簡單。跟數據嚴絲合縫其實並不難，但如果你真的去做了，那你最後一定只是僥倖成功。概括是關鍵。」
說到底，預測機制其實是生產理論的機制，是產生抽像和概括性的設備。預測機制仔細咀嚼那些看似隨機、被雞爪刨過，源自複雜、活生生的東西的雜亂數據。如果有日積月累的足夠大的數據流，這個設備就能從中分辨出星星點點的模式。慢慢地，這種技術就會在內部形成專門特定的模式，以解決如何產生數據的問題。這種機械不會針對個別數據對模式做「過度調校」，它傾向於有幾分不精確的概括性的模糊擬合。一旦它獲得了某種概括性的擬合，或者說，某種理論，它就能夠做出預測。事實上，預測是整套理論的重點。法默宣稱：「預測是建立科學理論之後最有用、最實在的結果，而且從許多方面來說，也是最重要的結果。」儘管製造理論是人類大腦擅長的創造性的行為，可是具有諷刺意味的是，我們卻沒有如何製造理論的法則。法默把這種神秘的「概括模式搜尋能力」稱為「直覺」。華爾街的那些「走運的」交易員，利用的恰恰就是這種能力。
我們在生物學中也可以見到這種預測機制。正如一家名為Interval的高技術智囊公司的主管戴維·李德所說，「狗不會數學」，但是經過訓練的狗卻能夠預先計算出飛盤的路徑然後準確地抓住它。一般而言，智能或者聰明，根本就是一種預測機制。同樣地，對預測與預報而言，所有適應與進化，也都是相對更為溫和、分佈更為稀疏的機制。
在一次各家公司CEO的私人聚會上，法默公開承認：「對市場進行預測並不是我的長期目標。老實說，我是那種一翻開《華爾街日報》看金融版的時候就覺得無比痛苦的人。」對一個死不改悔的前嬉皮士來說，這也沒有什麼可奇怪的。法默規定自己花5年的時間研究股票市場預測的問題，大掙一筆，然後轉移到更有趣的問題上，比如，真正的人工生命、人工進化和人工智能。而金融預測就跟輪盤賭一樣，只不過是另外一個難題而已：「我們之所以對這個問題感興趣，是因為我們的夢想是要生產出預測的機制，一種讓我們能夠對很多不同的東西都進行預測的機制——天氣、全球氣候、傳染病，等等，所有能夠產生很多讓我們吃不透的數據的事物。」
「最終，」法默說道，「我們希望能夠使計算機感染上某種粗略形態的直覺」。
至1993年年底，法默和預測公司公開報告說他們已經成功運用「計算機化的直覺」對市場進行了預測，而且採用了真錢交易。他們與投資者之間的協議不允許他們談論具體的業績表現，雖然法默非常想這麼做。不過，他確實說過，再過幾年，他們就能夠獲得足夠多的數據來「用科學的標準」證明他們在交易上的成功不僅僅是統計上的運氣所致：「我們確實在金融數據中找到了在統計上非常重要的模式。確實存在著可預測性範圍。」
22.5 前瞻：內視行動
在對預測和模擬機制進行調研的過程中，我獲得了一個去拜訪位於加州帕薩迪那的噴氣推進實驗室的機會。那裡正在開發一種最先進的戰爭模擬系統。應加利福尼亞大學洛杉磯分校的一位計算機科學教授的邀請，我來到噴氣推進實驗室。這位教授一直以來都在拓展計算機能力應用的領域。而和很多缺乏資金支持的研究者一樣，這位教授也不得不依靠軍方的資助來進行他那些前沿的理論實驗。按照交易協議，他這一方需要做的，就是挑一個軍事方面的問題來檢驗他的理論。
他的實驗台要觀察的是大型分散式控制並行計算（我稱其為「集群計算」）能怎樣提高計算機模擬坦克戰的速度，是一種他並不太感興趣的應用軟件程序。另一方面，我倒真的非常有興趣看一場頂尖水準的戰爭遊戲。
一到實驗室繁忙的前台，就直接進行安檢。由於我拜訪的是一個國家級的研究中心，而且當時美國軍隊在伊拉克邊境正處於紅色警戒的狀態，保安已算是相當熱情了。我簽了一些表格，就我的忠誠和公民身份起誓，別上一個大徽章，然後就跟教授一起被護送到樓上他的舒適的辦公室裡。在一個灰暗的小會議室中，我遇到了一個留著長髮的研究生，他藉著研究如何用數學方法來模擬戰爭的名義，探尋關於宇宙計算理論的某種創新概念。接著，又見到了噴氣推進實驗室的頭頭。他因為我作為記者出現在這裡感到緊張不安。
為什麼？我的教授朋友問他。模擬系統並不是什麼機密的東西；研究結果是發表在公開文獻中的。實驗室負責人的說辭一大堆：「啊，嗯，你看，現在正在打仗，而且，我們在過去差不多一年的時間裡都在泛泛推演那個情節——我們選擇那個遊戲純屬偶然，根本沒有預測的意思，現在卻真的打起來了。我們開始測試這個計算機算法的時候，總要選擇一些情節，隨便什麼情節，來試用模擬的效果。所以我們就挑了一個模擬的沙漠戰爭，參戰的……有伊拉克和科威特。現在既然這個模擬戰爭真打起來了，那麼我們這裡就多少有點像在現場。有點敏感。對不起。」
我沒能看到那場戰爭模擬。不過，在海灣戰爭結束了大概一年之後，我發現其實並不只有噴氣推進實驗室一個地方偶然預演了那場戰爭。佛羅里達州的美軍中央司令部在戰前就推演了另外一個更有實用價值的沙漠戰模擬。美國政府在戰前對科威特戰爭做了兩次模擬，憤世嫉俗者認為，美國政府兩次模擬了科威特戰爭，這描畫出它帝國主義的嘴臉，以及蓄謀已久發動科威特戰爭的慾望。而在我看來，預測性的種種場景，與其說它狠毒，倒還不如說它詭異、離奇以及具有指導性。我用這個實例來勾畫預測機制的潛能。
在世界各地，大概有24個操作中心進行著這種以美國為藍軍（也就是主角）的戰爭遊戲。這些地方絕大多數都是軍校或者訓練中心下屬的小部門，比如阿拉巴馬州馬克斯韋爾空軍基地的兵棋推演中心，羅德島鈕波特美國海軍軍事學院傳奇的全局博弈室，或者堪薩斯州萊溫沃斯的陸軍野戰理念部的那個經典的「沙盤」桌面推演裝置。而為這些戰爭遊戲提供技術支持以及實用重大知識的，就是一些躲在無數准軍事智囊團裡面的學術人員或者專業人士，這些智囊團要麼沿華盛頓環城路撒布，要麼窩藏在如噴氣推進實驗室、加利福尼亞的勞倫斯·利弗莫爾國家實驗室等各個國家實驗室角落的研究區夾道裡。當然了，這些玩具戰爭模擬系統，都冠以首字母縮寫，比如：TACWAR，JESS，RSAC，SAGA，最近的一份軍事軟件的目錄上，列出了有大約400種不同的軍事遊戲或者其他軍事模型，而且都是列架銷售的。
美國的任何一次軍事行動，其神經中樞都會設在佛羅里達州的中央司令部。中央司令部作為五角大樓的一個機構，其存在的目的就是像獵鷹一樣替美國國會和美國人民緊盯住一個主要的戰局，即藍軍對紅軍這個超級大國之間的遊戲，而其中唯一配做美國對手的是蘇聯。20世紀80年代，諾曼·施瓦茨科夫將軍到任的時候，卻並不接受這種觀點。施瓦夫茨科夫——一位有思想的將軍，提出了一種新的看法，而他用來表達這個新看法的那句話，在全軍上下廣為流傳：「蘇聯狗不出獵。」於是，施瓦夫茨科夫將他的作戰計劃制定者們的注意力引向替代戰局上。而高居榜單前列的，就是伊拉克邊境沿線的中東沙漠戰爭。
1989年初，中央司令部的一位官員，加裡·威爾，開始以施瓦茨科夫的直覺為基礎建立戰爭模型。他和一組軍事未來學家一起搜集整理數據，以便能夠創造出一個模擬的沙漠戰爭。這一模擬的代號是「內視行動」。
任何模擬都只能做到與它們的基礎數據一樣強，而威爾希望「內視行動」能盡可能地貼近現實。這意味著，要收集當下駐中東部隊的近十萬的細節數據。這部分工作，絕大多數都極度沉悶乏味。戰爭模擬需要知道部署在中東的車輛數目，食物和燃料的物資儲存量，武器的殺傷力，氣候條件，等等。而這些細枝末節的東西，絕大部分都沒有現成的，甚至軍方都不容易弄到。所有這些信息都處在持續不斷的變化之中。
一旦威爾的團隊形成軍隊組織的方案，戰事推演員就會編製整個海灣地區的光碟地圖。而這個模擬沙漠戰的基礎——這塊疆域本身，則是從最新的衛星數字照片中轉過來的。等這個工作結束之後，戰爭遊戲的玩家就會把科威特、沙特這些國家的地形壓縮到CD上。這時他們就可以把這些數據輸入TACWAR這個計算機戰爭遊戲主體模擬程序裡。
威爾是從1990年初開始在虛擬的科威特和沙特戰場上進行沙漠戰爭的。7月，在佛羅里達州北部的一個會議室裡，加裡·威爾向他的上級概述了「內視行動」的各種成果。他們審看了這樣的一種局勢：伊拉克入侵沙特，然後美國/沙特反擊。意想不到的是，威爾的模擬恰恰預測了一場為期30天的戰爭。
就在兩周之後，薩達姆·侯賽因突然入侵了科威特。最開始的時候，五角大樓的高層們還根本不知道他們已經擁有了完全可操作的、數據翔實的模擬。只要轉動啟動鑰匙，這個模擬程序就預測無盡的變局下這個地區可能發生的戰事。當這個有先見之明的模擬程序的消息傳出之後，威爾就像玫瑰般聞著都香。他承認說：「如果等到侵略發動時才開始著手去幹的話，那我們就永遠都趕不上趟了。」未來，標準的軍備條例可能會要求給指揮中心配置一個盒子，裡面運轉著包括種種可能的戰事的並行宇宙，隨時發動。
薩達姆入侵之後，戰事推演員立刻把「內視」轉向運行變化無窮的「真實」局勢的模擬。他們的注意力重點集中在一組圍繞變量產生的可能性上：「如果薩達姆不斷地進攻，事態會怎樣？」對預測到的30天內的戰事做迭代運算，威爾的電腦只花了大概15分鐘的時間。通過在多個方向上運行這些模擬，威爾的團隊很快就得出了這樣一個結論：空中力量將是這場戰爭的決定性因素。進一步精確的迭代非常清楚地顯示，如果空戰打贏了，美國就能取勝。
不僅如此，根據威爾的預測機制得到的結果，如果空中力量確實能夠完成分配給他們的任務，那麼美國的地面部隊就不會有重大的損失。而高級官員對這一結論的理解就是：先行進行精確的空中打擊，是美國低傷亡率的關鍵。加裡·威爾說：「在保持我們部隊的絕對最小傷亡這方面，施瓦茨科夫非常強硬，以至於低傷亡變成了我們所有分析工作的基準。」
這樣一來，預測性的模擬給了軍方的指揮團隊這樣的信心，即美國可以以最小的損失換得戰爭的勝利。這種信心引領了沉重的空中打擊。威爾說：「模擬絕對影響了我們（在中央司令部）的思維。不是說施瓦茨科夫事前對此沒有強烈的感受，而是模型給了我們信心去貫徹這些理念。」
作為預測，內視行動確實獲得了非常好的成績。儘管在最初的軍力平衡上有些變化，而且空中作戰和地面作戰的比例方面有一點小的差異，但是模擬出的30天空中與地面的戰役與真正發生的戰事非常接近。地面戰鬥基本上是按照預測逐步展開的。和所有不在現場的人一樣，模擬人員對施瓦茨科夫在前線那麼快就結束了最後一輪的較量感到驚奇。威爾說：「不過，我得告訴你，我們當時並沒料到能在100個小時的時間裡[在戰場上]取得這樣的進展。根據我的回憶，我們當時預測的是要用6天的時間來進行地面戰，而不是100個小時。地面部隊的指揮官曾經跟我們說，他們當時曾經預想行動得會比模擬所得出的結果快。結果他們行動得確實像自己預測的那麼快。」
按照這個戰爭遊戲的預測機制的計算，伊拉克人的抵抗會比實際中他們的抵抗要大一些。這是因為，所有的戰鬥模擬都會假設說敵對方會全力以赴調用他們的所有可用的資源。但是實際上伊拉克根本就沒有那麼用力。戰事推演員曾經厚著臉皮開玩笑說，沒有一種模型會把舉白旗納入武器序列。
由於戰爭進展實在太快，結果這些模擬者再也沒時間依次考慮下一步的模擬：以日報模式預報戰事的進展。儘管計劃者盡可能詳細地記錄了每天發生的事件，而且他們也可以隨時計劃到未來，但是，他們還是感覺：「最初的12個小時之後，就不需要天才來推算未來的發展了。」
22.6 預測的多樣性
如果硅芯片足以起到水晶球的作用，引導一場超級軍事戰爭，如果那些在小型電腦裡快速運行的算法足以提供預測技術看透股票市場，那麼，我們為什麼不改裝一台超級計算機，用它來預測世界其他國家呢？如果人類社會只是一個由各種人和機器組成的大型分佈式系統，為什麼不裝配一個能夠預測其未來的設備呢？
即使對過去的預測做一點浮皮潦草的研究，也能看出這到底是為什麼。總的來說，過去那些傳統的預測還不如隨機的猜測。那些陳年的典籍如墳場一樣，埋葬著各種對未來的預言——從來沒有實現過的預言。雖然也有些預言擊中了靶心，但是，我們沒有辦法預先把罕有的正確預言和大量的錯誤預言區分開來。由於預測如此頻繁地出錯，而相信錯誤的預測又如此誘人，如此令人迷惑，所以有些未來學家原則上完全迴避作出任何預測。為了強調試圖預言無可救藥的不可靠性，這些未來學家寧願蓄意誇張地陳述他們的偏見：「所有的預測都是錯誤的。」
他們說得也有一定的道理。被證實為正確的長期預測顯得如此之少，因此以統計的眼光看來，滿眼都是錯。而根據同樣的統計計量，正確的短期預測是如此之多，因此所有的短期預測都是對的。
對於複雜系統最有把握的說法，莫過於說它下一刻跟這一刻完全一樣。這個觀察接近於真理。系統是持之以恆的東西；因此，它只是從此刻到彼刻不斷重複的過程。一個系統，甚至一個有生命的東西，都少有變化。一棵橡樹，一個郵局，還有我的蘋果電腦，從某一天運行到第二天，幾乎沒有絲毫變化。我可以輕鬆地保證對複雜系統作出一個短期的預測：它們明天會跟今天差不多。
還有一個老生常談的說法同樣正確：從某一天到第二天，事情偶爾也會發生一點變化。可是，能預測到這些即刻發生的變化嗎？如果能的話，我們是否可以把這一系列可預測的短期變化積攢起來，勾勒出一種可能的中期趨勢？
可以。儘管基本上長期預測還是不可能，但是對於複雜系統來說，短期預測不僅可能，而且必要。而且，有些類型的中期預測完全可行，並且越來越可行。儘管對當下的行為做一些可靠的預測，會有愛麗絲漫遊奇境式的離奇感覺，但是人類在社會、經濟和技術各種方面的預測能力，會有穩步的增長。至於為什麼，我在下面會說。
我們現在擁有預測許多社會現象的技術，前提是我們能夠在合適的時機抓住它們。我奉行席奧多·莫迪斯[1]1992年的著作《預測》（Predictions）對預測的功用和可信性情況的精確總結。莫迪斯提出了在人類互動的更大網絡中建立有序性的三種類型。每一種都在特定的時間構成了一個可預測性範圍。他把這一研究應用到經濟學、社會基礎設施和技術領域之中，而我相信，他的發現同樣適用於有機系統。莫迪斯的三個範圍是：不變量、成長曲線和循環波。
不變量。對所有優化其行為的有機體來說，自然的、無意識的趨勢逐漸向其行為中注入了隨時間推移極少變化的「不變量」。尤其人類，是最有資格的優化者。一天有24個小時是一個絕對的不變量，那麼一般而言，人生幾十年，雖然其間隔、所完成的事業不盡相同，但是很明顯，人類都趨向把一定量的時間用來幹這些瑣事：烹飪、旅行、打掃衛生。如果把新的行為（比如，乘坐0201483408航班[2]，而不是步行）納入基本維度（比如，每天奔波要花多長時間），就會看到，這種新行為的模式持續展現的是原有行為的模式，同樣可以預測（或預言）它的未來。換句話說，你以前是每天走半個小時路去上班，現在則是開半個小時車去上班。而在未來，也許你會飛半個小時去上班。市場苛求效率的壓力如此冷酷，如此無情，致使它必然將各種人造系統推向最優化這單一的（可預測）方向。追蹤一個不變量的優化點，往往會提醒我們注意到一個規則的可預測性範圍。比如說，機械效率的提高是非常緩慢的。到現在為止，還沒有一種機械系統的效率能夠超過50%。設計一個運行效率達到45%的系統是可能的，而要設計一個效率達到55%的系統，就不可能。因此，我們可以對燃料效率做一個可靠的短期預測。
成長曲線。一個系統越大、層次越多、越是去中心化，那麼它在有機成長方面取得的進展也就越多。所有成長的東西，都擁有幾個共同的特點。其中一個，就是形狀為S形曲線的生命週期：緩慢地誕生、迅速地成長、緩慢地衰敗。全球範圍內每年的汽車產量，或者莫扎特一生中創作的交響樂，都相當精確地符合這種S形曲線。「S形曲線所具有的預測能力，既非魔法，也非無用，」莫迪斯寫道，「在S形曲線那優雅的形狀下面，隱藏著一個事實，即自然的生長過程遵循著一種嚴格的定律。」這個定律說明，結局的形態與開端的形態相對稱。這個定律以數千生物學的歷史，以及形成制度的生命歷史的經驗觀測值為基礎。這個定律還與以鍾形曲線表述的複雜事物的自然分佈有著密切的聯繫。成長對初始條件極度敏感；然而成長曲線上的初始數據點幾乎毫無意義。不過，一旦某個現象在曲線上形成不可遏止的趨勢，有關它的歷史的數字快照就會形成，並在預測這個現象的最終的極限和消亡方面起顛覆性的作用。人們可以從這條曲線中抽取它與競爭系統的一個交界點，或者一個「上限」，以及這個上限必然水平拉開的數據。並不是每個系統的生命週期都呈現光滑的S形曲線；但是，符合這個曲線的系統無論種類或者數量都相當可觀。莫迪斯認為，服從這一生長定律的東西比我們設想的要多。如果我們在恰當的時機（其生長過程的中期）檢驗此類生長系統，這種由S形曲線定律概括的局部有序狀態的出現，就為我們提供了另外一個可預測性範圍。
循環波。系統明顯的複雜行為，部分地反映了系統環境的複雜結構，這是赫伯特·西蒙在大約30年前指出的。當時，他利用一隻螞蟻在地面的運動軌跡作為例證。一隻螞蟻歪來扭去地穿過土地的線路，反映出的並不是螞蟻自己複雜的移動，而是它所處環境的複雜結構。按照莫迪斯的說法，自然界的循環現象能給運行其間的系統注入循環偏好。莫迪斯曾經為經濟學家康德拉基耶夫[3]所發現的56年經濟週期所吸引。而且，除了康德拉基耶夫發現的這個經濟波，莫迪斯還補充了兩個類似的週期，一個是他自己提出的科學發展中的56年週期，另一個是阿諾夫·古儒柏[4]研究的基礎設施更換的56年週期。其他作者已經提出了各種假說來說明這些明顯波動原因，有人認為它來自於56年的月亮運動週期，或者是第5個以11年為週期的太陽黑子週期，甚至還有人將其歸結為人類隔代週期——因為每個28年期的代群都會偏離其父輩的工作成果。莫迪斯辯稱，本初的環境週期引發了許多尾隨而來的次生和再生的內部循環。研究者只要發現了這些循環的任何片段，就可以利用它們來預測行為的範圍。
上述三種預測模式表明，在系統提高了能見度的某些特定時刻，秩序的無形模式對關注者來說會變得清晰起來。這就好像下一個鼓點，幾乎可以預先聽到它將要發出的聲音。不一會兒，干擾把它攪渾覆蓋了，那種模式就消逝了。可預測性範圍也有大驚喜。不過，局部的可預測性確實指向一些可改進、可深化，也可延長為更大東西的方法。
儘管成功進行大型預測的幾率非常之小，但是，試圖從過去的股票市場價格中析取長波模式的業餘和專職的金融圖表分析師並不因此氣餒。對於圖表分析師來說，任何一種外在的週期性行為都是可以獵取的獵物：裙裾的長度，總統的年齡、雞蛋的價格。圖表分析師永遠都在追逐神話般預測股價趨勢的「領先指標」，用來作為下注的數值。多年來，圖表分析師一直因為採用這種說不清道不明的數字邏輯方法而受到嘲笑。不過，最近一些年來，一些專業學者，比如理查德·斯威尼[5]和布萊克·勒巴朗[6]卻說明圖表分析師的方法往往切實可行。圖表分析師的技術準則可以簡單到令人乍舌：「如果市場保持上漲趨勢有一段時間了，就賭它還會繼續上漲。如果它處在一個下跌的趨勢，就賭它還會繼續下跌。」這樣的一種準則，就把一個複雜市場的高維度簡化為這樣簡單的兩部式規則的低維度。一般來說，這種進行模式尋找的辦法行之有效。這種「漲就一直漲，跌就一直跌」的模式，要比隨機的碰運氣運作得好，因此也比普通投資者的炒作要強得多。既然對於一個系統來說，最可預測的事情就是它的停滯，那麼，這種有序模式的出現並不是出乎意外——儘管它真的令人驚訝。
和圖表分析主義相反，另外一些金融預測人員依靠市場的「基本面」預測市場。這些被稱為基本面分析師的人們試圖理解複雜現象中的驅動力量、潛在動力以及基本條件。簡單來說，他們要找的是一個理論：F=ma。
另一方面，圖表分析師是從數據中尋找模式，並不關心自己是否明白這個模式存在的理由。如果宇宙中確實存在著有序，那麼所有的複雜性的有序，其未來路徑都會（至少是暫時地）在某處以某種方式揭示出來。人們僅僅需要瞭解可以把什麼信號當作噪音而忽視。圖表分析師按照多恩·法默的方式進行組織歸納。法默自己也承認，他和他那些預測公司的同事是「統計意義上的嚴格的圖表分析師」。
再過50年，計算機化的歸納法、基於算法的圖表分析以及可預測性範圍，將會成為值得尊敬的人類事業。股票市場的預測則仍然是一件古怪的事情，因為與其他系統相比，股票市場更多的是建立在預期之上的。在一個靠預期取勝的遊戲中，如果所有人都分享這個預測的話，準確的預測就不會提供賺錢的機會。預測公司真正能夠擁有的，只不過是時間上的領先。只要法默的團隊開發某個預測性範圍掙到了大錢，那麼其他人都會衝進來，多少模糊了模式，大多數情況下，會把掙錢的機會拉平。在一個股票市場中，成功會激發起強烈的、自我取消的反饋流。在其他系統中，比如說成長性網絡，或者一家正在擴張的公司，預測反饋不會自我取消。通常來說，反饋是自我管理型的。
22.7 以萬變求不變
最早的控制論學者，諾伯特·維納，曾經殫精竭慮地要說明反饋控制的巨大力量。他當時腦子裡想的就是簡單的沖水馬桶型的反饋。他注意到，不斷地一點點地把系統剛剛實現的微弱的信息（「水平面還在下降」）注入系統，在某種意義上引領了整個系統。維納總結說，這種力量，是時間平移的一項功能。在1954年，他這樣寫道：「反饋是控制系統的一種方式，它把系統過去的運行結果重新輸入系統，從而完成對系統的控制。」
感知現實的傳感器裡沒有懸念。除了此時此地，還需要知道什麼與現在有關的別的東西嗎？顯然，關注當前對系統來說是值得的，因為它幾乎沒有什麼別的選擇。可是，為什麼還要在已經過去的和無法改變的東西上消耗資源呢？為什麼要為了當下的控制而襲擾過去呢？
一個系統——不管是有機體、企業、公司、還是計算機程序，之所以花費精力把過去發生的事情反饋到現在，是因為這是系統在應對未來時比較經濟的做法。因為，要想預見未來，你就必須瞭解過去。沿著反饋回路不斷衝擊的過去，給未來提供信息，並控制著未來。
不過，對於一個系統來說，時間平移還有另一條通往未來的途徑。身體中的感覺器官，那些能夠拾得幾英里之外的聲波和光波信息的感覺器官，其功能有如對當下進行衡量的儀表，而且更像是對未來進行衡量的量具。地理位置遙遠的事件，從實用的角度來說，是來自未來的事件。一個正在靠近的捕獵者的圖像，現在就變成了關於未來的信息。而遠處的一聲咆哮，則很快就變成一隻撲到跟前的動物；聞到一股鹽味，表明潮汐馬上要變化。所以說，一個動物的眼睛就是把發生在時/空遠處的信息「前饋」到位於此處/現在的身體中。
有些哲學家認為，生命能夠起源於一個籠罩著空氣和水這兩種介質的行星上並不是一件偶然的事情，因為水和空氣，在絕大多數光譜下都具有令人驚訝的透明度。清潔、透明的環境，使得器官能夠接收來自「遠處」（未來）的含有豐富數據的信號，並對來自有機體的信號進行預處理。因此，眼睛、耳朵和鼻子都是能夠窺視時間的預測機制。
根據這個概念，完全渾濁的水和空氣可能會通過阻止遠處事件的信息傳至現在而抑制預測機制的發展。生存在渾濁世界中的有機體，無論是在空間上還是在時間上，都會受到束縛；它們會缺乏空間去發展適應性反應。而適應，就其核心而言，要求對未來感知。在一個變化的環境中，不管這環境是渾濁還是清澈，能夠預測未來的系統都更可能存續下去。邁克爾·康拉德寫道：「歸根結底，適應性，就是利用信息來應付環境的不確定性。」格雷戈裡·貝特森則用電報文體簡潔地說：「適應就是以萬變求不變。」一個系統（根據定義是不變的）適應（變化）的目的就是為了存續（不變）。火烈鳥改變自己就是為了繼續生存。
如此來說，那些被卡在當下動彈不得的系統，更常受到變化的奇襲而死去。因此，一個透明的環境，會獎勵預測機制的進化，因為預測機制把生命力賦予複雜性。複雜系統之所以能夠存活下來，因為它們具有進行預測的能力，而一種透明的介質，則能夠幫助它們進行預測。相反，渾濁卻會完全阻礙複雜的活系統的預測、適應以及進化。
22.8 系統存在的目的就是揭示未來
後現代人類在成形的第三種透明介質中暢遊。即每一種現實都能夠數字化；即人類每一次集群活動的測量都可以通過網絡傳輸；即每個個體生命的生活軌跡都可以變形為數字，並且通過線路發送。這個聯網的行星，已經變成了比特的洪流，在玻璃纖維、數據庫和各種輸入設備組成的清澈殼體裡流動。
數據一旦流動，就創造出透明。社會一旦聯網，就可以瞭解自己。預測公司的那些火箭科學家，能夠比老派的圖表分析師獲利更多，那是因為他們工作在一個更為透明的介質裡。網絡化金融機構拋出的數以十億計的數字信息凝結為一種透明的氛圍，預測公司據此偵測出那些正在演變中的模式。流經他們工作站的數據之雲，形成了一種清澈的數據世界供他們仔細探查。從這清新空氣的某些片段他們能夠預見未來。
與此同時，各種工廠大批生產攝像機、錄音機、硬盤、文本掃瞄儀、電子錶格、調製解調器和衛星電視天線信號接收器。這些東西分別是眼睛、耳朵或者神經元。它們連接起來，就形成了一個由數十億個裂片組成的感覺器官，漂浮在飛速運行的數字組成的清澈介質之中。這個組織的作用是把那些來自遠處肢體的信息「前饋」到這個電子身體中。美國中央司令部那些戰爭博弈者可以利用科威特的數字化地形、實時傳輸的衛星圖像以及通過全球定位信息進行定位的（無論在地球的哪個位置，誤差範圍在50英尺之內）手持傳送器分段傳送過來的報告預測——通過集體心智的眼睛去瞭解——即將到來的戰鬥過程。
歸根結底，揭示未來不僅僅是人類的嚮往，也是任何有機體，也許還是任何複雜系統所擁有的基本性質。有機體存在的目的就是揭示未來。
我給複雜系統的工作定義是一個「跟自己對話的東西」。也許有人會問，那麼：複雜系統跟自己說些什麼呢？我的回答是：它們給自己講未來的故事，講接下來也許會發生的故事——無論這個「接下來」是以納秒還是以年計算。
22.9 全球模型的諸多問題
20世紀70年代，在講述了數千年關於地球的過去、關於天地萬物的傳說故事之後，地球行星上的居民開始講述第一個關於未來可能發生的故事。當時的高速通訊，第一次為他們展示了自己家園全面的實時視圖。來自太空的圖像非常迷人——黑色的遠景裡優美地著懸掛一個雲蒸霞蔚的蔚藍色球體。而地面上正在發生的故事就沒那麼可愛了。地球每一個象限發回來的報告，都在說地球正在分解。
太空中的微型照相機帶回了地球的全貌照片，驚艷絕倫，用老式的辭意表達，是既令人振奮又令人恐懼。這些照相機，連同由每個國家湧出的大量的地面數據，組成了一面分佈式的鏡子，反映了整個地球系統的畫面。整個生物圈越來越透明。地球系統開始預測未來——像所有系統都會做的那樣，希望知道接下來（比如說，在下一個20年裡）可能發生什麼事情。
從環球外膜收集的數據中，我們獲得了第一印象——我們的地球受傷了。沒有一種靜態的世界地圖能查證（或者反駁）這個景象。也沒有一個地球儀能夠列示隨著時間推移而起落的污染和人口圖表，或者破譯出一個因素與另一個因素之間的那種相互關聯的影響。也沒有任何一種來自太空的影片能夠詮釋這個問題，繼續下去會怎樣？我們需要一種全球預測裝置，一個全球假設分析的數據表。
在麻省理工學院的計算機實驗室裡，一位謙遜的工程師拼湊了第一份全球電子數據表。傑伊·福瑞斯特從1939年開始就涉獵反饋回路，改良轉向裝置的伺服機制。福瑞斯特和他在麻省理工學院的同事諾伯特·維納一起，沿著伺服機制的邏輯路徑直到計算機的誕生。在為發明數字計算機提供幫助的同時，他還把第一台具有計算能力的機器應用於典型工程技術理念之外的領域。他建立了各種能夠輔助公司管理和製造流程的計算機模型。這些公司模型的有效性，激發了福瑞斯特新的靈感。他在波士頓一位前市長的幫助下，建立了一個城市模型，模擬整個城市。他憑借自己的直覺，非常正確地意識到級聯反饋回路——雖然用紙筆不可能進行追蹤，但是計算機卻能輕而易舉地追蹤——是接近財富、人口和資源之間互相影響的網絡的唯一途徑。那麼為什麼不能模擬整個世界呢？
1970年，在瑞士參加了有關「人類處境」的會議之後，福瑞斯特坐在返程的飛機上，開始草擬第一個公式，一個將會形成他稱之為「世界動態」模型的公式。
粗糙不說，而且是份草圖。福瑞斯特的粗糙模型反映出明顯的回路和力量，他的直覺感到是它們統治著大型經濟體。至於數據，只要現成，他都抓過來用來做快速估計。羅馬俱樂部，資助了那次會議的集團，來到麻省理工學院，對福瑞斯特拼湊起來的這個原型進行評估。他們受到眼前所看到東西的鼓勵。於是，他們從大眾汽車基金會籌到資金聘請福瑞斯特的夥伴丹尼斯·梅多斯對這個模型做下一步的工作，繼續完善它。在1970年剩下的時間裡，福瑞斯特和梅多斯共同改進「世界動態」模型，設計更為周密的流程回路，並滿世界地淘選最近的數據。
丹尼斯·梅多斯[7]和他的妻子丹娜[8]，還有另外兩個合著者，一起發佈了一個功力增強了的模型，裡面存滿了真實的數據，名為「增長的極限」。作為第一個全球電子數據表，這一模擬獲得了巨大的成功。有史以來第一次，整個地球的生命系統、地球資源，以及人類文化，都被提煉出來，形成一個模擬系統，並任其漫遊至未來。「增長的極限」模擬系統作為全球警報器，也是非常成功的。它的作者們用這樣的結論提醒全世界：人類現有路徑的每一次擴張，幾乎都會導致文明的崩潰。
「增長的極限」模型得出的結果發表後的許多年裡，在全世界範圍內激發的社論、政策辨論和報紙文章成千上萬。一幅大字標題驚呼：「計算機預測未來令人不寒而慄。」這個模型的發現要點是：「如果當前的世界在人口、工業化、污染、食品生產以及資源消耗方面的增長趨勢保持不變的話，那麼這個星球將會在接下來的100年之內的某個時刻達到其增長極限。」模型的製造者們曾經以數百種差別細微的情景進行了數百次的模擬。但是，無論他們如何進行權衡，幾乎所有的模擬都預測到人口和生活水平要麼逐漸萎縮，要麼迅速膨脹然後立刻破滅。
這個模型極具爭議性，而且受到極大的關注，主要是因為其中蘊含著顯著清晰又令人討厭的政策意義。不過，它永久性地把有關資源和人類活動的討論提升到了必要的全球範圍。「增長的極限」模型的並沒有成功的孕育出其他更好的預測模型，而這恰恰是它的作者們希望做到的。相反，在其間的20年裡，世界模型都受到懷疑，主要是因為「增長的極限」引發的種種爭議。具有反諷意味的是，在（20年後的）今天，公眾唯一看得見的世界模型，仍然是「增長的極限」。在模型發佈20週年紀念日的時候，作者們只略做改動又重新發佈了這個模型。
重新發佈的「增長的極限」模型，運行在一個被稱為Stella的軟件程序上。Stella採用由傑伊·福瑞斯特在大型計算機上制訂出的動態系統方法，再把它移植到蘋果電腦的可視化界面上。「增長的極限」模型是一張用各種「庫存」與「流」編結而成、給人深刻印象的網。庫存（貨幣、石油、食物、資本諸如此類）流入某些特定的節點（代表一般進程，比如說耕種），在那裡引發其他庫存的流出。舉例來說，貨幣、土地、肥料以及勞動力流入農場之後，就會引流出未加工的食物。而食物、石油和其他一些庫存流入工廠則生產出肥料，從而完成一個反饋回路。由回路、次級回路和交叉回路組成的意大利面似的迷宮構成了完整的世界。每個回路對其他回路的影響都是可以調整的，而且視現實世界中的數據比率而定。比如，每公斤肥料、每公斤水，能在一公頃的田里生產出多少糧食，又會產生多少污染和廢料。確實，在所有的複雜系統裡，單一調整所產生的影響都無法事先估量；必須讓它在整個系統中展現出來之後，才能進行測度。
活系統必須為存活而預期。可是，預測機制的複雜性絕不能蓋過活系統本身。我們可以詳細地考查「增長的極限」模型，以此作為預測機制固有困難的實例。選擇這個特殊的模型有四個理由。首先，它的重新發佈要求把它（重新）看做人類的預測努力可以依賴的預測裝置。其次，這個模型提供了方便的20年期進行評估。它20年前偵測到的那些模式是否仍佔有優勢？第三，「增長的極限」模型的優點之一在於它是可以評論的。它生成的是可以量化的結果，而不是含糊其辭的描述。也就是說，它是可以檢驗的。第四，為地球上人類生活的未來建立模型是最野心勃勃的目標。無論成功還是失敗，如此傑出的嘗試都會教給我們如何運用模型預測極其複雜的適應系統。人確實要反躬自問：到底有沒有信心模擬或預測像世界這樣一種看起來完全不可預測的進程？反饋驅動的模型能夠成為複雜現象的可靠預報器嗎？
「增長的極限」模型有很多可抨擊的地方。其中包括：它並非極度複雜；它塞滿了反饋回路；它演練情景。但是，我從模型裡還發現有如下弱點：
有限的總體情景。「增長的極限」與其說是在探索各種真實存在的多樣性的可能的未來，倒不如說它不過是在一組頗為有限的假設上演繹大量微小的變化。它所探查的那些「可能的未來」，絕大多數似乎都只是在它那些作者們那裡才說得通。20年前建立模型的時候，作者們覺得有限的資源會枯竭是個合理的假設，他們就把那些沒有建立在這個假設基礎上的情景忽略掉了。但是，資源（比如稀有金屬、石油或者肥料）並沒有減少。任何一種真正的預測模型，都必須具備能夠產生「想像不到」的情景的能力。一個系統在可能性的空間要有充分的活動餘地，可以遊蕩到出乎我們意料之外的地方，這很重要。說它是一門藝術，是因為模型擁有了太多的自由度，就變得不可駕馭了，而把它拘束得太緊，它就變得不可靠了。
錯誤的假設。甚至最好的模型，也會因為錯誤的前提而誤入歧途。就「增長的極限」來說，它的一個關鍵性的原始假設，就是認為世界只容納了可供250年使用的不可再生資源，而且對於這種資源的需求在迅猛發展。20年過後，我們已經知道這兩個假設全都是錯誤的。石油和礦物的儲量增加了，而它們的價格卻沒有增加；同時，對某些原材料的需求，比如銅，並未呈指數增長。1992年重新發佈這一模型的時候，作者對這些假設做了修改。現在的基礎假設是污染必然會隨著發展而增加。如果以過去的20年作為指南的話，我能想像，這樣的一條假設，在未來的20年中，也需要修正。這種基本性的「調整」必須要做，因為「增長的極限」模型需要它……
沒有為學習留下餘地。一批早期的批評者曾經開玩笑說，他們用「增長的極限」模型模擬1800～1900年這段時間，結果發現「街上堆了一層有20英尺高的馬糞」。因為當時的社會，使用馬來進行運輸的比例正在增長，所以這是一個邏輯外推。那些半開玩笑半當真的批評者認為，「增長的極限」模型沒有提供技術學習、效率提高，以及人類行為自律能力、改革發明能力的規則。
這個模型內裡連接著某種類型的適應。當危機發生的時候（比如污染增加了），資本資產就會轉過來處理危機（於是污染的生成係數就降低了）。可是，這種學習既非分散的，也不是終端開放的。事實上，這兩種類型建模都不容易。本書其他地方提到的很多研究都是有關在人造環境或自然環境中實現分佈式學習和終端開放式增長的開拓性努力。而如果沒有這種分散的、終端開放的學習，要不了多少日子，真實的世界就可以勝過模型。
現實生活中，印度、非洲、中國以及南美的人口並沒有按照「增長的極限」模型的假設性規劃來改變他們的行為。而他們之所以適應，是因為他們自有的即時的學習週期。比如，全球出生率的下降速度快得超過了任何人的預測，使得「增長的極限」這個模型（和絕大多數其他預測一樣）措手不及。這是否歸因於「增長的極限」之類的世界末日的預言的影響呢？更為合情理的機制是，受過教育的婦女生育的子女少，過得也越好，而人們會倣傚過得好的人。而她們並不知道，也不關心全球的增長極限。政府的種種激勵促進了這些本來就已經出現的局部動態的發展。無論什麼地方的人總是為了自己的直接利益而行動和學習。這也適用於其他方面的功能，比如作物的生產力、耕地、交通等。在「增長的極限」模型中，這些波動數值的假設都是固定的，但是在現實生活中，這些假設本身就擁有共同進化的機制，會隨著時間的變化而變化。關鍵在於，必須把學習作為一種內在的回路植入模型。除了這些數值，模擬中或者說想要預測活系統的任何模擬中，假設的確切構造必須具備很強的適應性。
世界平均化。「增長的極限」模型把世界上的污染、人口構成以及資源的佔有統統看作是劃一的。這種均質化的處理方式簡化了世界，使足以穩妥地給它建模。但是，因為地球的局部性和區域劃分是它最顯著和最重要的特性，這樣做的結果最終破壞了模型存在的目的。還有，源自各不相同的局部動態的動態層級，形成了地球的一些重要現象。建立「增長的極限」模型的人，意識到了次級回路的力量——事實上，這正是福瑞斯特支撐這個軟件的系統動力學的主要優點。可是，這個模型卻完全忽略了對於世界來說極為重要的次級回路：地理。一個沒有地理的全球模型…….根本不是這個世界。在整個模擬中，不僅學習必須是分佈式的，而且所有的功能都必須是分佈式的。這個模型最大的失敗，就在於它沒有反映出地球生命所具有的這種分佈式的本性——群集本性。
任何終端開放的增長都不能模仿。我曾經問過丹娜·梅多斯，當他們在以1600年，甚至1800年為起點運行這個模型的時候，得到了什麼結果，她回答道，他們從來沒有這樣運行過這個模型。我當時非常吃驚，因為返溯實際上是對各種預測模型進行實際檢驗的標準方法。「增長的極限」這個模型的建造者們懷疑，如果進行這樣的模擬的話，這個模型會產生出與事實不符的結果。這應該成為一種警報。從1600年開始，這個世界就已經進入了長期的增長。而如果一個世界模型是可靠的，那麼它就應該能夠模擬出4個世紀以來的增長狀況——至少作為歷史來進行模擬。說到底，如果我們要相信「增長的極限」這個模型對於未來的增長確實是有話可說，那麼，這個模擬就必須，至少從原則上說，能夠通過對幾個過渡期的模擬生成長期的增長。而就它現在的情況而言，「增長的極限」所能夠證明的，充其量也就是模擬出一個崩潰的世紀而已。
「我們的模型異常『強健』，」梅多斯告訴我，「你得千方百計來阻止它的崩潰…….總是有相同的行為和基本動態出現：過火和崩潰。」依靠這種模型來對社會的未來進行預測，是相當危險的。系統的所有初始參數迅速向著終點匯聚，可歷史卻告訴我們，人類社會是一種顯示出非凡的持續膨脹的系統。
兩年前，我曾經用了一個晚上的時間，跟肯·卡拉科迪西烏斯聊天。他是一個程序員，正在建造一個生態和進化的微型世界。這個微型世界（最後變成了SimLife這款遊戲）為那些扮演神的角色的玩家提供了工具，他們用這些工具可以創造出32種虛擬動物和32種虛擬植物。這些虛擬的動植物相互影響、相互競爭、相互捕食，然後進化。「你讓你的世界最長運行了多長時間？」我問他。「唉，」他感歎道，「只有一天。你知道，要保證這種複雜的世界不斷運行下去確實是一件困難的事情。它們確實喜歡崩潰。」
「增長的極限」裡面的那些情景之所以會崩潰，是因為「增長的極限」這個仿真模型善於崩潰。在這個模型裡，幾乎每一個初始條件都要麼會導致大災難，要麼導致某種（極少情況下）穩定狀態——但是從來不會產生任何新的結構，因為這個模型天生不能產生某種終端開放的增長。「增長的極限」沒有能力模擬出農耕時代進入工業社會的自然發展過程。梅多斯承認：「它也不可能把這個世界從工業革命帶向任何一種接下來會出現的、超越工業革命的階段。」她解釋說：「這個模型所展示出來的，是工業革命的邏輯撞到了無可避免的限制牆。這個模型有兩件事情好做，要麼開始崩潰，要麼，由我們作為模型的建立者對它進行干預、做出改變來挽救它。」
我：「不能搞一個更好的擁有自身轉換能力、可以自動轉換到另一個層級的世界模型嗎？」
丹娜·梅多斯：「當我想到，這種結局是系統設計好讓它發生的，而我們只是這麼往後一靠然後作壁上觀，就覺得有點宿命的感覺。但相反，我們在建立模型的時候，實際上把自己也放在裡面。人類的智能進入到這個模型之中，去感知整個形勢，然後在人類的社會結構裡做出改變。這就反映了在我們腦中出現的系統如何昇華到下一個階段的圖景——利用智能介入並重建系統。」
這是拯救世界的模型，可是，它對一個不斷複雜化的世界如何運轉的建模不適當。梅多斯是對的，走了一條採用智能來插手把它人文化並改變它的結構的路子。不過，這個工作不只是由模型的建立者來完成，也不只是發生在文化的起始點。這個結構的重建發生在全球60億個大腦裡，是每天發生、每個時代都發生的事情。如果說確實存在著去中心化的進化系統的話，那麼人類的文化就是這樣一種系統。任何不能包容這種每日在數十億頭腦中進行的分佈式微型進化的預測模型，都注定會崩潰，如果沒有這樣的進化，文化本身也會崩潰。
20年後，「增長的極限」模擬模型所需要的就不僅僅是更新換代了，它需要完全重做。利用它的最好方式，是把它看成一個挑戰，是建立更好的模型的一個新起點。一個真正的全球社會的預測模型，應該滿足下面這些條件：
◎能夠大量運行各式各樣的情景，
◎從一些更靈活、更有根據的假設開始，
◎實施分佈式學習，
◎包含局部性和地區性的差異，
◎如果可能的話，展現不斷增長的複雜性。
我之所以不把焦點放在「增長的極限」世界模型上，是因為我想指摘它那些強有力的政治內涵（畢竟，它的第一個版本激發了一代反增長的激進主義分子）。確切地說，這個模型所具有的種種不充分性，恰好跟我想在本書提出的幾個核心論點相對應。為了把這個系統的某段情景「前饋」到未來，福瑞斯特和梅多斯勇敢地嘗試模擬一個極端複雜的、具有適應性的系統（在地球上生活的人類的基礎結構）。這個福瑞斯特/梅多斯模型所突出的，不是增長的極限，而是某些特定的模擬的極限。
梅多斯的夢想，同樣是福瑞斯特的夢想，是美國中央司令部那些戰爭博弈者的夢想，是法默和他的預測公司的夢想，也是我的夢想。而這個夢想就是：創造出一個系統。這個系統要能夠充分反映出真實的、進化著的世界，使得這個微型模型能夠以比真實世界跑得更快的速度進行運轉，從而把它的結果投射到未來。我們想要預測機制，不是出於預知命運的使命感，而是為了獲得指引。理念上，只有考夫曼或者馮·諾伊曼的機器，才能自行創造出更為複雜的東西。
為了做到這一點，模型就必須擁有「必要的複雜性」。這個術語，是20世紀50年代由控制論專家羅斯·艾希比創造出來的，他最早製作出了一些電子自適應模型。每一個模型，都必須一點一滴地提取出無數現實的細節，匯聚起來壓縮成像；它必須濃縮的最重要的特質之一，就是現實的複雜性。艾希比總結了自己那些用真空管造出迷你模型的試驗，得出了這樣的結論：如果一個模型過於急切地簡化了複雜現象，它就會錯失目標。模擬的複雜程度，不得超出它所模擬的複雜性的活動領域，否則，模型就跟不上它所模擬的東西的曲折路線。另外一位控制論專家，傑拉爾德·溫伯格，在他的著作《論穩定系統的設計》中給這個「必要的複雜性」提供了一個非常貼切的比喻。溫伯格提示說，想像一下，一枚制導導彈瞄準了一架敵機。導彈自己並非一定也是一架飛機，但是它必須具備與飛機的飛行行為複雜性旗鼓相當的飛行複雜性。如果這枚導彈不具備至少與目標飛機一樣的速度，而且在空氣動力學方面的敏捷程度也不如那架目標敵機，那它肯定打不中目標。