观点分享丨CAAI教育工委会主任吴飞教授：深度必藏于表象之下：还原论的困境与复杂系统的涌现

“大道至简，衍化无穷”。在物理学发展史上，还原论长期占据主导，主张将复杂系统归结为基本单元及其相互作用，试图构建统一的理论框架。然而，面对尺度与复杂性的双重挑战，还原论遭遇了根本性困境。

诺贝尔奖得主安德森曾指出，将事物还原为基本定律的能力，并不等同于能从这些定律重建整个宇宙。大量基本粒子构成的复杂集体行为，无法通过简单外推理解。在每个复杂性层次中，都会涌现出全新的物理概念与定律，这正是“涌现”的核心：整体独有性质无法还原为部分之和。

近年来，诺贝尔物理学奖多次授予复杂系统与深度神经网络领域的研究者，昭示着物理学范式正从追求简约方程向理解复杂系统转变。生成式人工智能作为这一范式的典型体现，其信息处理具有非线性映射特征：网络整体行为表现出混沌或涌现特性，且知识以分布式方式编码，难以用显式规则清晰解释。

这并非意味着深度神经网络不可理解，而是提示我们不应强求所有复杂现象都能用简约公式概括，而应接受基于近似性或概率性的解释框架。正如霍夫曼斯塔尔所言：“深度必藏于何处？确定性恰在表象之下。”深度神经网络的本质价值，在于通过多层非线性变换穿透数据噪声，提取支配现象的内在隐式模式。