大数跨境

《王朝的算法——用AI架构重读中国政治演化史》全书逻辑与引言

《王朝的算法——用AI架构重读中国政治演化史》全书逻辑与引言 AI时代鹿透社
2026-03-24
0

第一部分:全书逻辑


一、分工的物理直觉:为什么"力"需要分解?


在物理学中,一个复杂的力可以被分解为正交分量,各分量独立作用,合力完成任务。


> 核心洞见:单一力(权)作用于复杂系统时,必然产生失控的非线性效应;分解为正交分量,才能精确控制。


这不是文化选择,而是复杂系统的内在要求。




 二、东西方分工演化的统一脉络


 西方路径:空间维度的分权


```

罗马元老院+执政官(雏形)

        ↓

洛克:立法/行政

        ↓

孟德斯鸠:立法/行政/司法(三权)

        ↓

现代:+第四权(媒体)、第五权(独立监管机构)

```


西方分工的逻辑是 空间并联——权力在同一时刻被不同机构同时持有,互相制衡。像CDMA:同频并存,靠正交码区分。


---


东方路径:流程维度的分工


```

秦:丞相总揽(单点瓶颈)

        ↓

汉:内朝/外朝分离(皇权直属 vs 官僚体系)

        ↓

隋唐:中书/门下/尚书三省

     起草  → 审驳  → 执行

        ↓

宋:进一步分枢密院(军)、三司(财)

        ↓

明:废丞相,内阁+六部(去中间层,但复杂度反噬)

        ↓

清:军机处(极度压缩决策链,但单点风险极高)

```


东方分工的逻辑是 流程串联——权力在时间/流程的不同阶段被分割。像流水线,或者像 编译器的多个Pass。


---


 三、三省制:一个被低估的架构天才


唐代三省制其实是一个极其精妙的流水线+否决权设计:


| 省 | 功能 | 计算机类比 | 权力性质 |

|----|------|-----------|---------|

| 中书省 | 起草诏令 | 生成(Generator) | 创造权 |

| 门下省 | 审核封驳 | 验证(Validator) | 否决权 |

| 尚书省 | 执行落地 | 执行(Executor) | 行动权 |


关键在于门下省的封驳权——这是一个显式的反馈回路,在执行之前强制插入审查。


> 这与Transformer里的残差连接+LayerNorm高度同构:生成→校验→执行,每一步都有纠错机制。



四、分工演化的物理规律


综合东西方的演化脉络,可以提炼出几条近似"物理定律"的规律:


定律一:分工维度随系统复杂度增加


$$\text{分工维度} \propto \log(\text{系统复杂度})$$


简单社会→单一权威;复杂社会→必然分化。这不是意识形态,是信息处理的热力学约束。


定律二:串联分工(东方)效率高但脆弱;并联分工(西方)鲁棒但低效


| | 串联(流程分工) | 并联(空间分工) |

|---|---|---|

| 优势| 决策链短,执行力强 | 单点失效不致命 |

| 劣势 | 任一环节失效→全链崩溃 | 协调成本高,易僵局 |

| 适用 | 稳定环境,目标明确 | 不确定环境,价值多元 |


 定律三:所有成熟体系都在向"串并联混合"演化


唐三省是串联中嵌入并联否决;美国三权是并联中嵌入串联流程(法案必须经过两院+总统的时序)。


> 这正是MoE的架构逻辑:并联的专家(空间分工)+ 串联的门控路由(流程分工)。



 五、AI架构作为分工演化的镜像


```

RNN          →  串联极端(纯流程,单链,无并行)

              对应:秦朝丞相制 / 军机处


CNN          →  局部并联(空间分工但视野受限)

              对应:郡县制 / 地方分权但缺乏横向协调


Transformer  →  全局并联(所有位置互相attention)

              对应:理想化的直接民主,但O(n²)成本

              ——正如真正的全民直接民主无法规模化


MoE          →  稀疏串并联混合

              对应:唐三省×联邦制的结合体

              门控=中书(决定谁来处理)

              专家=尚书六部(专业执行)

              最终聚合=门下(整合输出)


RLHF/对齐    →  外部反馈回路的制度化

              对应:谏议制度、御史台、独立司法审查

              ——不改变内部架构,但在外部施加校准力

```


 六、"对齐"的治理隐喻:最深的那层


RLHF的结构值得单独展开:


```

预训练模型(原始能力)

        ↓

人类反馈(价值注入)

        ↓

奖励模型(价值的代理机构化)

        ↓

强化学习(行为的持续校准)

```


这个结构惊人地对应了一个古老问题:


> 如何让拥有巨大能力的系统,持续服务于它本不能自发理解的价值?


- 中国历史上的 天命论+谏议制度:皇权的能力不受质疑,但通过外部价值框架(天命、儒家伦理)+反馈机构(御史、谏官)持续校准

- 西方的 司法审查+宪政 :行政能力强大,但有独立的价值仲裁者(法院)持续纠偏


RLHF的本质问题——和所有治理体系面临的本质问题相同:


> 奖励模型(价值代理机构)本身由谁来对齐?


这就是为什么"超级对齐"是个开放问题——就像"谁来监督监督者"永远是政治哲学的核心悖论。


 七、统一图景


```

物理规律(复杂系统的信息处理约束)

            ↓

        分工是必然的

            ↓

    ┌──────────────────┐

 │  串联(流程维度) │  ←→  │  并联(空间维度)  │

    └──────────────────┘      └───────────────────┘

            ↓                           ↓

        东方演化路径              西方演化路径

            ↓                           ↓

            └──────────┬───────────────┘

                       ↓

              混合架构(成熟形态)

          MoE / 唐三省 / 联邦制 / 现代治理

                       ↓

              外部对齐机制(元层次)

          RLHF / 御史台 / 司法审查 / 宪法

                       ↓

              开放问题:谁对齐对齐者?

```




真正的普适性,或许就在这里:无论是硅基智能还是碳基社会,处理复杂性的物理约束是同一套,分工演化的方向也因此趋同。东西方走了不同的路径,但在复杂度足够高的地方,解空间会收敛。


第二部分 引言



 分工的物理学:用AI架构重新理解治理

一个不寻常的起点

2017年,一篇题为《Attention Is All You Need》的论文,提出了一种叫做Transformer的神经网络架构。它随后成为ChatGPT、Claude等几乎所有大型语言模型的基础。

这篇论文的核心发现,用一句话说,是:让系统中的每个部分都能直接"关注"其他任何部分,比强迫信息沿固定路径流动,要强得多。

这是一个关于信息处理的工程结论。但当你把它放在更长的历史尺度上看,会发现一件令人不安的事:人类在政治制度设计上,已经用几千年时间,笨拙地、流血地、反复地,逼近了同一个结论。

这篇文章,就是关于这件事的。


为什么用AI来谈治理?

这个类比需要一个辩护。

最常见的反对声音是:政治涉及人的尊严、价值观和历史,不能被化约为工程问题。这个反对是对的——作为反对"把人当机器"的警惕,它永远有效。

但这篇文章的类比方向,其实是反过来的。

我们不是要把政治"降格"为工程。我们是要问:当工程师在解决大规模复杂系统的协调问题时,他们发现了哪些不依赖于具体内容的结构性规律?这些规律,是否也在人类社会的组织演化中留下了痕迹?

举一个具体例子。

深度神经网络在层数加深后,会出现一个著名问题:梯度消失。信号在从输出层反向传播到输入层的过程中,逐层衰减,最终底层的参数几乎无法得到有效更新。解决方案是残差连接——为信息开辟一条跨越中间层的直达通道。

这是一个纯粹的数学现象。没有任何政治含义。

但当你描述它的时候,任何在大型组织工作过的人都会认出一种熟悉的感觉:基层的真实信息,在经过足够多的中间层之后,到达决策层时已经面目全非。这不是某种制度的专利,是所有足够复杂的层级系统都会面临的物理约束。

这就是这篇文章使用AI类比的理由:不是因为政治等同于工程,而是因为复杂系统的信息处理约束,是先于任何具体制度设计而存在的底层规律。承认这一点,不是贬低政治,而是给政治讨论增加一个新的坐标轴。


体检,不是竞赛

本文将对三种治理体制——以美国为代表的总统制民主、以欧盟为代表的多层联邦式民主、以及中国的党政体制——进行平行的结构分析。

需要在一开始就说清楚这个分析不是什么。

它不是在问"哪种制度更好"。历史条件、文化积淀、人口规模、地缘约束,决定了任何简单的优劣排名都是不诚实的。

它也不是在说"制度都是一样的"。真实的差异存在,回避差异是另一种不诚实。

这个分析更像是 三份体检报告,使用同一套检查标准。体检的目的不是评判受检者的道德价值,而是找出在同一套生理规律下,各自出现了哪些可识别的症状,以及医学上对应的干预方向是什么。

一个人的体检报告显示血压偏高,不代表这个人是坏人,也不代表所有人都血压偏高。它只代表:在心血管系统的已知规律下,这个特定的状态需要特定的关注。

同样的逻辑适用于这里。


失效不是例外,是规律

在正式进入诊断之前,需要建立一个对很多人来说反直觉的前提:

复杂系统的失效模式,是可以被分类和预测的。承认失效不等于否定系统,就像承认人体会生病不等于否定人体的设计。

AI研究者有一份非正式的"已知失效清单":梯度消失、过拟合、奖励函数错位、单点失效……每一种失效都有被反复观察和记录的特征,以及被反复尝试的应对方向。没有任何一种应对是完美的,但这份清单本身是真实知识的积累。

治理研究者其实也有类似的清单,只是没有被如此整齐地命名和归类。信息向上失真、路径依赖、指标异化、权力集中脆性……这些现象在政治学、历史学、社会学的文献中被反复描述,只是分散在不同学科的不同语言中。

这篇文章尝试做的,是把这两份清单 对齐——用AI领域更为精确的失效分类语言,为治理领域的已知现象提供一套更便于跨体制比较的共同词汇。

这不是万能钥匙。类比有边界,工程规律和社会规律之间存在真实的不可通约之处。在后文涉及具体诊断时,我们会在必要的地方标注这些边界。

一个开放的问题

最后,需要对读者预期做一个诚实的管理。

这篇文章不会在结尾给出"正确答案"。

不是因为作者回避责任,而是因为这个框架本身的一个核心结论是:在复杂系统的演化中,不存在可以被提前设计出来的最优静态架构。 AI领域花了几十年才从专家系统的"设计最优解"转向"让系统在约束下自我演化",这个认识转变本身就是重要的教训。

我们能做的,是更清楚地认识当前状态的结构性风险,更准确地辨认失效模式的早期信号,以及更谦逊地借鉴其他复杂系统在应对类似压力时找到的补丁方向。

这已经比大多数政治讨论走得更远一些。

 

【声明】内容源于网络
0
0
AI时代鹿透社
1234
内容 219
粉丝 0
AI时代鹿透社 1234
总阅读3
粉丝0
内容219