1 面对未知，人类如何寻找答案？
人类一直生活在一个充满不确定性的世界中：无论是自然环境、社会关系，还是个人选择，我们都无法直接知道尚未发生或尚未被认识的事情。因此，如何利用已经掌握的信息去理解未知，是人类长期以来面对不确定世界时形成的一种基本认知能力。
这种能力在现代社会中无处不在：金融机构通过历史数据分析市场变化，企业根据用户行为判断消费需求，气象系统利用复杂模型推断天气，医疗研究则通过统计分析评估疾病风险。人工智能出现之后，机器也开始从海量数据中学习规律、识别信息之间的关联，并将这些能力应用于图像识别、语音处理、文本生成等任务，以及对未知结果的推断。
然而，人类对未知的探索并不是从现代科学开始的。在缺少统计学、计算机和现代科学工具的古代，人们同样面临着许多无法直接获得答案的问题：近期的境遇会如何？眼前这个人是否值得托付终身？面对人生中的重大选择，不同的决定又可能带来怎样的结果？为了应对这些不确定性，人们也在寻找能够帮助自己作出判断的依据。
由此，历史上逐渐形成了各种尝试理解未知的方法，包括占卜、星象、命理等传统体系。它们与现代科学和人工智能建立在完全不同的知识背景之上，所采用的解释方式和判断依据也截然不同，但都可以看作人类试图为未知建立解释和判断体系的不同尝试。
那么，一个值得思考的问题就出现了：如果古代算命、现代科学和人工智能都在尝试理解未知，那么它们之间究竟有什么本质区别？人类又是如何一步步将这种最初依赖经验和象征的探索，发展成今天可以利用数据、模型和计算能力完成的复杂推断？
2 古人从已知推断未知的方法
2.1 古人如何理解和推断未知？
人类尝试理解未知，并不是只有一种方式。在不同文明和历史阶段，人们根据当时能够观察到的现象、积累的经验以及对世界的理解，发展出了各种解释和判断未知的方法。
这些方法在形式上存在巨大差异：有些通过观察自然现象推测变化趋势，例如古人通过天象、气候和自然规律判断可能发生的变化；有些通过个人信息推断人生轨迹，例如根据出生时间建立命理体系；还有一些通过随机符号触发思考，例如通过卦象或牌面帮助人们重新审视当前处境。
如果从信息处理和模型构建的角度观察，这些体系虽然使用了不同的符号、变量和解释框架，却可以在形式上找到一些相似之处：它们都尝试从现实或特定情境中获取信息，将复杂的问题转化为有限的符号或变量，再依据各自的解释规则形成对未知的判断。
当然，形式上的相似并不意味着这些体系具有相同的可靠性或认识论基础。现代科学依赖系统的数据收集、数学方法和可重复验证，而古代体系更多依靠经验积累、象征体系和传统解释框架。
不过，从人类认知发展的角度来看，这些古代体系仍然具有重要意义：它们代表了人类在缺少现代科学工具的情况下，对复杂世界进行观察、归纳和解释的一种早期尝试。
2.2 易经卜卦：通过变化理解未知
在众多古代判断未知的方法中，《易经》是一种具有鲜明系统性思维的代表。
《易经》中的“易”，通常与变化联系在一起。古人认为，天地万物都处于不断变化之中，任何事物都不存在完全固定的状态，而是在不同阶段之间不断转换。因此，《易经》关注的问题并不只是：未来一定会发生什么？而更接近：当前事物处于什么状态？这种状态可能向哪里发展？人在这个变化过程中应该如何调整自己的行为？要理解《易经》如何描述这种变化，首先需要认识它所使用的基本符号体系。
《易经》通过阴阳这一对基本概念描述事物的不同属性和状态。爻（yáo）是《易经》中表示阴阳的基本符号，分为阴爻和阳爻，分别用断开的两段线“⚋”和连续的一段线“⚊”表示。这两种基本形式称为“两仪”。
在此基础上，两个爻按照不同方式组合，可以形成四种结构，称为“四象”（2²=4）；三个爻进一步组合，则可以形成八种基本结构，称为“八卦”（2³=8）：
进一步将两个三爻卦上下组合，形成由六个爻组成的六爻卦。由于每个爻仍然只有阴、阳两种可能，因此六个爻共有 2⁶=64 种组合方式，这就是六十四卦体系：
卡通《火影忍者》中，宁次的大招也借用了这一概念：
如果从现代系统论的角度重新审视这种思维方式，可以将其理解为一种对系统状态及其演化过程的描述。用现代语言概括，这可以理解为一个系统从潜伏、发展到成熟的状态演化过程。这种阶段性结构，在现代企业生命周期、技术发展周期，甚至个人成长模型中，都能找到某些相似之处。
例如，乾卦中的“潜龙勿用”“见龙在田”“飞龙在天”，描述的并不是三个完全不同的人生，而是一种能力与环境不断匹配的发展过程：“潜龙勿用”强调的是，虽然具备潜力，但当前阶段条件尚未成熟，不适合急于行动；“见龙在田”意味着能力开始显现，并逐渐进入能够发挥作用的环境；“飞龙在天”则代表个人能力、环境条件和时代机会达到较高的匹配状态。
因此，从现代视角看，《易经》卜卦的意义未必在于判断某个具体结果是否准确，而在于它提供了一种面对不确定性的思考框架：人在面对重大选择时，容易直接关注“结果会怎样”，而《易经》更关注当前处于什么状态、事物可能发生怎样的变化，以及面对这种变化可以采取什么行动。从这个角度看，它关注的不只是结果本身，也包括结果形成之前的变化过程。
如果从模型构建的角度进行抽象，易经卜卦的基本思路可以概括为：
现实问题
↓
随机产生卦象
↓
阴阳变化模型
↓
分析当前状态与发展趋势
↓
形成行动建议
在实际卜卦过程中，常见的方法之一是六爻摇卦法（也叫金钱卦）：每次同时投掷三枚铜钱，根据正反面组合确定一个爻的阴阳属性，以及是否发生变化。三枚铜钱的不同组合对应老阴、少阴、少阳和老阳四种情况，其中老阴和老阳属于变爻。连续投掷六次后，由下到上形成一个完整的六爻卦，再结合卦辞、爻辞以及爻变关系进行解释，必要时还会根据变爻形成新的卦象，即变卦。
从现代认知的角度理解，随机产生的卦象可以看作一种思考的触发机制：它通过引入非预设的信息，帮助人们跳出原有的思维框架，重新审视当前的问题。当然，卦象本身并不能直接给出答案，还需要结合背后的阴阳变化思想以及卦辞、爻辞等解释体系，才能形成对现实问题的判断。
从形式上看，《易经》的符号体系还与现代信息编码中的二进制思想存在相似之处：阴爻和阳爻构成两种基本状态，通过有限数量的二元状态组合，可以表达更复杂的信息结构。二进制利用 0 和 1 表示两种基本状态，再通过不同组合表达更复杂的数据，其基本组合思想与阴阳爻构成卦象的方式有一定相似性。
因此，与其说《易经》是一种预测未来的工具，不如说它是一种古代人类面对复杂变化时建立的状态描述与解释体系。它试图回答的并不是“未来一定会发生什么”，而是“在不断变化的环境中，我现在处于哪里，以及应该如何行动”。
2.3 八字与紫微斗数：从有限信息理解个体
如果说《易经》更关注事物在变化过程中的状态转换，那么八字和紫微斗数则进一步将关注点转向了个体本身：能否从一个人的出生时间等先天信息出发，解释其性格、处境以及人生经历？
这类命理体系的共同思路，是从出生时间等有限信息出发，将其转换为特定的符号和属性，再通过一套解释规则，将这些信息与人的性格、经历和人生变化联系起来。
其中，八字是最具代表性的传统命理体系之一。八字，又称“四柱”，以一个人的出生年、月、日、时作为基础信息，将其转换为年柱、月柱、日柱、时柱，每柱由天干和地支组成，因此共有八个字。例如，一位1980年12月1日中午12点30分出生于成都的男性，其出生时间按照传统八字排盘规则转换后，可以得到如下四柱：
从现代视角看，八字实际上完成了一次信息编码：出生时间被转换为一组具有特定含义的符号变量，再通过五行生克、阴阳属性等规则进行组合分析，最终形成对个人性格、能力倾向和人生阶段等方面的解释，其结构可以抽象为：
出生信息
↓
符号编码（天干地支）
↓
属性分析（阴阳五行）
↓
个人特征与发展趋势判断
紫微斗数则是在类似思想基础上的进一步扩展。它同样以出生时间作为基础输入，但引入了更多结构化变量，例如十二宫位和不同星曜组合，用于描述事业、财富、家庭、人际关系等人生领域。与八字相比，紫微斗数试图通过更多维度及其组合关系，形成对个人及其人生阶段的整体解释：
例如，在传统解释体系中，命宫主要用于描述个人的性格和基本特征，官禄宫用于分析事业发展，财帛宫则用于分析财富状况。通过观察不同宫位中的星曜配置及其相互关系，紫微斗数试图从多个维度构建对一个人的整体认识：
出生信息
↓
转换为多个属性维度
↓
分析不同维度之间的关系
↓
形成对个人及人生阶段的整体解释
从这个角度看，八字和紫微斗数体现了一种典型的人类认知方式：面对复杂的人生系统，人们希望先定义几个关键变量，然后通过这些变量进一步解释大量复杂现象。
当然，从现代科学角度看，目前并没有可靠证据证明，一个人的出生时间能够通过八字或紫微斗数所采用的规则，准确预测其性格和人生轨迹，因此这些体系不能被视为经过科学验证的预测模型。但从认知发展的角度来看，它们的确反映了人类试图将复杂、不确定的问题转换为可理解结构的一种早期尝试。
2.4 塔罗牌：随机符号与意义解释
与易经、八字以及相术不同，塔罗牌源于欧洲，最初主要作为一种纸牌游戏使用，后来逐渐发展出占卜和象征解释等用途。现代常见的塔罗牌通常包含78张牌，由22张大阿卡那牌（Major Arcana）和56张小阿卡那牌（Minor Arcana）组成：
其中，大阿卡那主要用于表达更加宏观的人生主题，例如：愚者：开始、探索；魔术师：创造、行动；死神：结束、转变；世界：完成、整合。小阿卡那则更加类似普通扑克牌结构，分为权杖、圣杯、宝剑和星币四个牌组，分别对应不同的象征主题，更多用于描述日常生活中的具体情境。
塔罗牌并不存在唯一固定的解释体系，不同流派会采用不同的牌面设计、象征来源和解释方式，例如经典的韦特体系、马赛体系以及托特体系等。这些体系虽然共享部分传统符号，但对于牌面象征、排列方式以及解释方法存在差异。因此，塔罗牌并不是一套具有唯一解释规则的固定预测模型，而更像是一套开放式的象征语言。相同的牌面，在不同体系和具体情境下，可能产生不同的解释。
塔罗牌与前面的体系在信息来源和判断方式上也有所不同：易经通过随机方式生成卦象，八字和紫微斗数依据出生信息建立判断依据，而塔罗牌则通过随机抽取象征符号，让使用者围绕这些符号进行意义解释。
其过程可以抽象为：
随机符号
↓
象征解释
↓
个人经验投射
↓
认知调整与行动思考
随机产生的牌面本身并不包含关于个人未来的客观信息，但它提供了一组具有象征意义的刺激，使人能够围绕这些符号重新组织自己的想法。例如，塔罗牌中的“死神牌”经常被误认为代表死亡或灾难，但在多数解释体系中，它更多象征结束、转变以及新的开始。当一个人面对这样的符号时，真正发挥作用的可能并不是牌面提供了什么关于未来的信息，而是它所代表的象征意义促使使用者重新审视当前状态，并思考是否需要改变原有的行为模式。
从心理学角度看，这种过程与人的投射机制存在一定相似性：面对具有多重解释空间的外部符号，人们往往会结合自身经历、情绪和当前关注的问题赋予其具体意义。因此，塔罗牌在某种意义上更像一面认知镜子：随机产生的符号提供了一个外部刺激，而对符号的解释过程，则可能帮助人发现自己原本没有明确意识到的想法。
当然，这并不意味着塔罗牌能够准确预测具体事件，从现代科学角度看，目前没有可靠证据证明随机牌面与具体事件之间存在稳定的因果关系。但从人类处理未知的方式来看，塔罗牌体现了另一种思路：当人无法直接获得答案时，可以借助外部符号重新审视自身处境，整理已有认知，并辅助自己进行判断。
2.5 面对未知，人类需要什么？
易经、八字与紫微斗数、塔罗牌虽然采用了不同的符号体系和解释方式，但它们能够长期流传，除了人们对预测未来的期待之外，也与它们满足了人类面对不确定世界时的一些基本认知需求有关。
其中一个重要作用，是降低面对未知时的不确定感。在面对婚姻、事业、疾病、财富等重要问题时，人们往往希望找到某种解释，使原本无法理解的事情变得可以讨论，甚至能够据此采取行动。这些体系提供的，正是一套理解和解释当前处境的框架：它未必能够真正揭示未知，但能够帮助人形成相对明确的认识和预期。
另一个作用，是为决策提供心理上的参照。人在面对重大选择时，并不总是拥有足够的信息，也不一定能够完全依靠理性计算做出决定。无论是卦象、命盘还是塔罗牌，都可以成为一种外部参照，让人重新审视自己的处境。有时候，人真正需要的并不是一个绝对正确的答案，而是一个帮助自己组织思考、确认倾向或者承受不确定性的参照物。
这也解释了为什么类似的需求并没有随着科学发展而消失——现代社会中，人们依然会使用天气预报、经济预测、风险模型和大数据分析等工具。它们与古代的占卜和命理体系有着完全不同的数据基础、理论依据和验证方法，但背后仍然存在一个相似的人类需求：希望借助已知信息理解未知，并据此做出判断和行动。
3 经验为什么能够成为推断未知的基础？
3.1 从观察到经验：人类如何积累对世界的认识
第二章讨论了古人如何通过卦象、出生信息或随机牌面等不同方式，为未知建立解释和判断的框架，但这些解释和判断规则并不会凭空出现。那么，人们又是如何逐渐积累这些判断依据的？
事实上，人类认识世界最早的方式之一，就是长期观察和经验积累：农业社会的人观察季节、气候和作物变化；医生观察不同症状与疾病之间的关系；商人观察价格和供需变化；军事家则从一次次战争中总结地形、兵力和战术对结果的影响。
最初，这些经验可能只是非常零散的判断：“出现这种情况，通常会发生那种结果”。但当类似现象反复出现时，人们就会尝试从中寻找规律，并将这些观察结果总结为更容易记忆和传递的经验。随着经验不断积累、实践和传承，一些被反复观察到的现象及其关联，逐渐从个人的零散认识，沉淀为一个群体长期积累的知识。
因此，虽然古代没有数据库、传感器和计算机，但人类本身就是一个长期运行的“观察系统”。大量个体在长期实践中积累的分散经验，虽然没有经过现代意义上的数据采集和结构化处理，却在某种程度上形成了一个庞大的历史经验库——如果从今天的数据思维来看，它有点像一个没有数据基础设施的“古代版大数据”。
问题也由此变得有趣起来：如果一个经验规则背后确实积累了大量历史样本，那么它和今天所说的数据分析，到底有多大的区别？
3.2 从经验到模式：“印堂发黑”的案例
如果要理解古代经验与现代数据分析之间的差异，一个很典型的例子就是民间常说的“印堂发黑”：
假设我们尝试从经验积累的角度，重新构建这类民间说法可能形成的过程：古代的相术观察者长期接触不同的人，并注意到一些人的面部状态、精神状态与随后发生的事情之间似乎存在某些联系。例如，一个长期处于疲劳、压力较大、睡眠不足或者疾病状态的人，可能表现出面色晦暗、精神不振等外部特征，而这些状态又可能进一步影响他的判断、行为以及生活表现。如果类似情况在大量个体身上反复出现，观察者就可能逐渐形成一种经验判断：某些外部特征似乎与某些后续结果存在关联。
随着这种经验不断被观察和传承，原本复杂而模糊的观察，就可能被压缩成一句更容易记忆和传播的判断：“印堂发黑，近期有灾”。这里实际上发生了一种典型的信息压缩：复杂的个体状态、行为表现和后续结果，被简化成一个容易识别的外部特征，再与某种结果建立对应关系。
如果用现代数据分析的语言重新描述，这个过程可以被理解为一种非常原始的模式识别：观察者从大量历史经验中寻找反复出现的特征，再根据这些特征判断某种结果是否可能出现。现代机器学习也会从历史样本中寻找特征与结果之间的统计关系，再将这些关系用于新的样本。两者在基本思路上存在某种相似性：都是试图从过去发生过的事情中寻找模式，再利用这些模式理解未知。
不过，古人在积累经验和寻找模式时，很容易受到认知偏差的影响。如果一个人出现“印堂发黑”后真的发生了坏事，这个案例可能被记住，并成为支持这条经验的证据；而大量“印堂发黑”后什么事情都没有发生的案例，却可能因为缺乏戏剧性而被忽略。这样一来，人们记住和传播的就不再是全部观察结果，而是那些更符合原有判断的案例。
因此，即使一条经验规则背后真的积累了大量历史观察，也不能仅仅因为它流传很久或者很多人都这么说，就认为其中的模式具有可靠性。从经验中发现模式，只是认识规律的开始；要判断这种模式是否真实存在、能否稳定复现，以及是否具有实际的解释和预测能力，还需要进一步验证。
3.3 从经验模式到可检验的规律
到这里，一个更重要的问题出现了：如果古人能够通过长期观察积累经验，并从中发现重复模式，那么这些模式为什么还不能直接成为可靠的规律？
真正的区别，并不只是数据量的多少，而是人类开始用不同的方法判断一个观察结果是否能够被称为规律。
在缺少系统分析和验证工具的情况下，古代经验往往更倾向于把反复观察到的关系直接总结成规则。例如，观察到某种特征经常与某种结果同时出现，就可能形成“出现 A，通常会发生 B”的经验判断。这种方法简单、直观，也容易通过语言和故事传播，但通常不会进一步追问：这种关系出现的概率是多少？有没有其他因素同时影响结果？如果没有 A，B 是否同样会发生？这种关系在不同人群和环境中是否依然成立？
现代统计学和科学研究方法的发展，恰恰让人们开始系统地提出这些问题。人们不再满足于“我观察到了一个规律”，而是尝试通过概率分析、对照研究和重复验证，判断观察到的关系是否超出了随机波动的范围，以及它能否在不同条件下稳定出现。
例如，如果观察到“印堂发黑的人更容易遭遇灾祸”，现代统计思维不会直接接受这个结论，而是会进一步追问：印堂发黑的人中，有多少人真的遭遇了灾祸？没有这一特征的人群中，又有多少人遭遇了灾祸？两组之间的发生比例是否存在明显差异？这种差异是否可能受到年龄、健康状况、生活压力等其他因素的影响？
也就是说，古代经验主要是在寻找“看起来存在的规律”，而现代统计学开始尝试判断“这种规律是否真的存在”。
这是一种重要的认知跃迁：前者依赖长期观察和经验归纳，后者则要求通过概率、对照和重复验证，对经验归纳出来的规律进行检验。
从这个角度看，古代这些体系并不是现代科学的简单版本，而是人类早期尝试理解和解释未知的不同方式。它们虽然采用了不同的信息来源和解释框架，但都在一定程度上体现了“从已知信息出发，通过既有模式推测未知”的基本思路。只是，它们还没有建立起一套系统的方法，去判断这些推断依据究竟反映了真实规律，还是人类从复杂现实中发现的偶然关联。
4 从经验判断到科学推断
4.1 从经验规律到数学模型
第三章最后讨论了一个重要的分界：人类不仅需要从历史经验中发现模式，还需要判断这些模式是否真实存在，并将其转化为可以检验的规律。但即使完成了这一步，仍然不能直接得到一个可以用于预测的系统。因为发现某种规律和利用规律计算未来之间，还需要一个重要环节——将规律转化为可以计算的模型。
所谓模型，可以简单理解为对现实世界进行抽象和简化后，建立起来的一套描述变量及其相互关系的结构。现实世界中的变量通常非常复杂，并且相互影响，因此人类需要从中提取与问题相关的变量，用一定的数学关系描述它们之间的联系，再利用这些关系推算未来可能出现的状态。
当这些关系被组织成一个可以运行的模型之后，预测就变成了一个可以计算的过程：
现实世界
↓
观测数据
↓
识别变量及其关系
↓
数学模型
↓
输入当前状态
↓
计算未来状态
例如，“气压持续下降可能预示着天气系统正在发生变化”可以算是一种经验层面的规律，但它本身还不足以完成现代天气预报。真正的预测还需要知道当前气压是多少、变化速度如何、温度和湿度处于什么状态，以及这些变量之间如何共同影响未来天气。只有把这些关系组织成一个能够运行的模型，规律才真正获得了预测能力。
这也是现代预测模型与传统经验规则之间非常重要的区别。经验规则往往把复杂现实压缩成少量容易记忆的对应关系，而模型则试图保留更多影响结果的变量，并描述这些变量之间的相互作用。现实越复杂，模型通常就需要考虑更多变量，以及它们之间更加复杂的相互作用。
类似的变化也发生在金融、医学、工程以及社会科学等领域：金融模型根据市场变量预测走势，医学模型根据患者信息评估疾病风险，工程模型则根据设备状态预测未来变化。虽然研究对象不同，但都遵循同一个思路：把关于现实世界的规律组织成一个能够接受输入、产生输出的模型。
因此，从现代科学的角度来看，“发现规律”与“建立模型”是两个相互衔接但又不同的阶段。前者解决的是我们是否发现了某种稳定关系，后者解决的是如何将这种关系转化为可计算的结构，并利用它对新的情况进行预测。
4.2 从确定性到概率
当人类开始使用模型预测未来之后，很快就发现一个无法回避的问题：即使模型建立在稳定规律之上，也很难保证预测结果一定发生。现实世界中存在大量无法完全观测、无法精确控制，甚至本身就具有随机性的因素，因此模型即使能够描述其中的规律，也很难保证预测结果一定发生。
例如，天气模型可以根据当前大气状态预测明天是否可能降雨，但即使考虑了大量变量，也很难简单地给出“明天一定下雨”这样的确定结论。更合理的表达方式，是给出在特定时间和区域内出现降雨的概率。因此，现代天气预报通常会使用“降雨概率”这样的形式表达预测结果。
这意味着，现代预测与传统经验中的判断出现了一个重要区别。传统经验规则往往倾向于建立比较直接的对应关系，而现代预测模型则承认：即使掌握了大量信息，也未必能够消除未来的不确定性。
因此，现代预测不再简单追求回答“未来到底会发生什么”，而是更关注不同结果出现的可能性。例如，医学预测可以评估某种疾病发生的风险，金融预测可以计算某种资产上涨的概率，天气预报则可以给出降雨的可能性。预测结果也由单一答案，变成了对不同可能性的描述。
“明天下雨”与“明天下雨的概率为80%”，表达的是两种不同的预测方式。前者以确定性的形式给出判断，后者则明确表达了未来仍然存在其他可能。对于需要安排出行的人来说，真正有价值的往往也不是一个绝对正确的答案，而是知道不同结果出现的可能性，从而决定是否需要带伞、调整行程或者准备备用方案。
从这个意义上说，概率并不意味着预测能力不足，而是现代预测处理不确定性的一种重要方式。
换句话说，现代预测真正追求的并不是消除不确定性，而是量化不确定性——人类无法让未来变得完全确定，却可以通过数据、模型和概率，对未来可能出现的不同结果及其可能性进行更精确的描述。
4.3 从预测到验证
当预测结果开始以概率的形式表达之后，一个新的问题就出现了：如果模型告诉我们某件事情发生的概率是80%，我们凭什么相信这个80%？
仅仅能够给出预测结果，并不能证明模型有效。一个模型即使给出了看似精确的概率，这些概率也未必与真实世界中的发生频率相匹配。因此，现代预测与古代经验预测之间的另一个重要区别，就是预测结果必须接受现实的检验。
最直接的方式，是将模型的预测结果与后来真正发生的结果进行比较。如果模型对大量类似事件都给出了80%左右的发生概率，那么在这些预测对应的事件中，实际发生的比例也应该接近80%。如果预测概率与实际结果长期存在明显偏差，就说明模型可能存在问题，需要进一步分析和修正。
这里需要注意的是，一次预测正确，并不能证明模型有效；一次预测错误，也不能证明模型无效。 概率预测本身允许错误发生，真正需要观察的是模型在大量预测中的整体表现，以及预测概率与实际结果之间是否具有稳定的一致性。
这实际上改变了“规律”的地位。在古代经验体系中，一条流传很久的经验可能因为不断被重复使用而获得权威；但在现代科学中，经验本身并不足以成为最终依据。一个规律能否成立，还需要接受观察、实验、统计分析以及持续的预测检验。
更进一步，模型验证还需要判断它为什么有效、在哪些情况下有效，以及离开原有数据后是否仍然有效。一个模型如果只是记住了历史数据中的特殊模式，却无法适应新的数据，那么它在历史上的高准确率并没有太大意义。这就是机器学习和统计学习中常见的过拟合问题：模型可能过度学习了训练数据中的偶然特征，而没有真正掌握能够推广到新数据的稳定规律。
因此，现代预测并不是一条“观察 → 规律 → 预测”的单向链条，而是一个不断接受现实检验并进行修正的循环：观察数据、发现规律、建立模型、进行预测，再将预测结果与真实结果比较，并根据检验结果评估、修正甚至重新建立模型。
从这个意义上说，现代科学预测与古代经验预测之间最重要的差别，并不只是使用了更多的数据或者更复杂的计算工具，而是建立了一套让预测接受现实持续检验的机制。
5 机器开始学习如何推断未知
5.1 从人类建模到机器学习
第四章讨论的现代预测模型，虽然已经能够处理大量数据，并通过数学方法建立变量之间的关系，但在传统的建模方式中，模型的基本结构和变量关系通常仍然需要由人类预先设计。人类需要决定研究什么问题、收集哪些数据、选择哪些变量，以及如何描述这些变量之间的关系。机器负责执行计算，而模型应该如何构建，主要仍然是人的工作。
这种方式实际上延续了前面所讨论的人类预测传统。无论是古代根据经验总结判断规则，还是现代科学根据数据建立数学模型，都存在一个共同环节：人类负责从现实中寻找值得关注的模式，并将其组织成解释或预测未知的规则。 区别在于，现代科学拥有更加系统的数据、数学工具和验证方法。
但随着数据规模不断扩大，变量之间的关系也越来越复杂，人类开始遇到一个新的限制：即使拥有足够的数据，也未必能够预先想到其中所有有价值的变量关系。 现实中的变量可能远不止人类能够预先考虑的那些，不同变量之间还可能存在复杂的非线性关系。面对这种复杂性，仅靠人类预先判断“哪些变量重要”“它们之间有什么关系”，本身就可能成为预测能力的瓶颈。
机器学习正是在这样的背景下出现的。它改变的并不仅仅是计算速度，而是模型构建过程中的角色分工。
传统模型通常是：
现实问题
↓
人类选择变量
↓
人类设计模型
↓
机器进行计算
↓
得到预测结果
而机器学习则试图将其中一部分“寻找模式”和“建立模型”的工作交给机器：
现实问题
↓
人类准备训练数据
↓
机器学习数据中的模式
↓
形成预测模型
↓
输入新的数据
↓
产生预测结果
这里最重要的变化，是机器不再只是执行人类设计好的模型，而开始参与模型本身的构建。
当然，这并不意味着机器可以完全脱离人类自主理解现实。人类仍然需要确定问题、准备数据、选择训练目标，并设计评价模型的方法。机器学习真正改变的是模型构建过程中的一部分工作：过去需要人类根据经验和理论预先设计的复杂关系，现在可以在一定程度上交给算法，让机器从大量数据中自动学习。
例如，给机器大量历史病例及其对应的诊断结果后，算法可以从患者的年龄、症状、检查指标等变量及其组合中，寻找与诊断结果之间的统计关系，其中某些模式可能并不是人类最初能够直观想到的。
于是，人类构建预测模型的方式发生了一次重要变化：过去是人类发现规律，再让机器计算；机器学习则开始让机器从数据中发现规律，再利用这些规律进行预测。
5.2 从机器学习到深度学习
机器学习解决了一个重要问题：人类不再需要提前把所有规律写进模型，而可以让机器从数据中寻找模式。但这里仍然存在一个限制——机器能够发现什么样的模式，在很大程度上仍然受到人类特征设计方式的影响。
传统机器学习通常需要人为设计或选择特征。例如，在处理图像、语音等数据时，人类往往需要先通过特定方法提取颜色、边缘、形状或声音频谱等特征，再让算法根据这些特征寻找规律。对于特征容易提取、问题结构相对明确的任务，这种方式非常有效；但现实世界中的信息往往包含复杂的层次关系，仅靠人工设计特征，很难完整描述其中的信息。
深度学习带来的重要变化，就是进一步减少了这种人工特征工程的依赖。深度神经网络通过多层结构，从原始数据中逐层学习更加抽象的表示。例如，在图像识别中，较底层可能学习边缘和纹理，中间层逐渐形成形状和局部结构，更高层则可能形成对物体类别及其语义特征的表示。
因此，深度学习实际上把前面所说的“机器寻找模式”又推进了一步：
传统机器学习
原始数据
↓
人工设计或选择特征
↓
机器学习特征之间的关系
↓
预测结果
深度学习
原始数据
↓
机器逐层学习特征表示
↓
形成多层次抽象表示
↓
学习复杂模式
↓
预测结果
这里真正重要的并不是“深度”本身，而是模型开始同时学习“应该关注什么”和“这些信息之间有什么关系”。过去，人类需要先把现实转换成适合机器处理的特征，再让机器学习；深度学习则开始让机器参与这个转换过程本身。
这使模型能够处理更加复杂的数据，也带来了一个新的问题：模型内部形成的表示可能越来越难以用人类熟悉的概念解释。 模型能够给出准确的预测，并不意味着人类能够清楚地说明它究竟依据哪些内部特征得出了这个结果。
于是，预测能力与人类理解能力开始出现一定程度的分离。过去，在许多传统预测模型中，模型使用的变量和关系通常具有比较明确的定义，人类可以通过这些变量和模型结构，大致理解预测结果是如何产生的。而在深度学习中，模型可以从数据中形成规模庞大、层次复杂的内部表示，其中很多特征和关系并没有直接对应到人类能够命名的概念。
这意味着，人类构建预测模型的方式又向前迈了一步：机器不只是替人类计算，也不只是替人类寻找规律，而开始形成复杂的内部表示。
而当这种能力进一步扩展到文本、图像、声音等不同类型的信息时，问题也随之发生变化：机器能否建立更加通用的表示，并在不同类型的信息之间建立联系，从而处理更加复杂的任务？
5.3 从专用模型到通用模型
早期的许多深度学习模型主要用于图像识别、语音识别、文本分类等特定任务。这些模型通常针对明确的问题进行训练，输入和输出也相对固定，因此模型的能力往往与具体任务紧密相关。
随着训练数据越来越丰富、模型规模不断扩大，研究者逐渐发现，模型从数据中学习到的能力并不一定只能用于最初设定的任务。当模型接触到足够多样化的信息时，它可能学习到一些能够被不同任务共同利用的特征和信息表示，从而具备处理多种问题的潜力。
大语言模型就是这种变化的典型例子。它最基本的训练目标看起来非常简单：根据前面的文本预测下一个词元（Token）。词元并不完全等同于日常语言中的词语，而是模型处理文本时使用的基本单位。但当模型在海量、多样化的文本上不断进行这种预测时，为了提高预测的准确性，它不能只记住词语之间的简单对应关系，还需要逐渐学习语言结构、上下文关系，以及文本中包含的各种知识。
因此，虽然训练目标仍然是预测下一个词元，但模型最终获得的能力却不再局限于这一任务。经过训练之后，同一个模型可以进一步用于问答、翻译、总结、代码生成等不同任务。
这意味着，模型的发展开始从“针对一个问题建立一个模型”，逐渐转向“通过一个通用模型处理多个问题”。
传统的专用模型可以简单表示为：
特定训练数据
↓
针对特定任务训练
↓
专用模型
↓
特定任务
↓
预测结果
而通用模型则更接近：
海量、多样化训练数据
↓
通用模型训练
↓
通用模型
↓
┌─────┼─────┐
↓ ↓ ↓
问答 翻译 代码
注：此处所说的通用，并不是指模型能够解决所有问题，而是指同一个模型可以通过不同的输入和任务要求，适应多种不同类型的任务。
这里最重要的变化，并不是模型突然拥有了某一种具体的新功能，而是模型学习到的能力开始具有跨任务迁移的特性。模型不再需要针对每一个问题分别建立一套完整的模型，而是可以在一个已经训练好的通用模型基础上，处理不同类型的问题。
而这也让“预测”在整个模型构建过程中出现了新的位置：它不再只是专用模型最终输出的结果，也可以成为训练通用模型、形成通用能力的基础。
6 当机器开始推演未来
如果机器已经能够从海量信息中学习规律，并形成可以处理不同问题的通用模型，那么我们不妨进一步做一个大胆的想象：随着这种能力继续发展，机器是否能够建立关于现实世界的动态模型，并据此推演未来可能出现的不同状态？
一个比较容易理解的方向，是个人数字孪生。
今天，我们已经可以通过一个人的搜索记录、消费行为、位置变化、社交关系以及其他数字痕迹，逐渐形成对这个人的数字画像。但数字画像主要描述的是“这个人是什么样”，而数字孪生则试图进一步建立一个与现实对象持续对应的动态模型：当现实对象的状态发生变化时，数字模型也能够随之更新，并模拟不同条件下可能出现的变化。
将这种思想扩展到个人身上，一个系统便可以通过持续获取某个人的行为模式、兴趣变化、经济状况、社交关系以及过去的决策等信息，建立一个不断更新的个人模型，并尝试模拟这个人在不同条件下可能采取的行为。此时，机器预测的就不再只是一个孤立结果，而可能是一条未来可能发展的路径。
这种动态模拟还可以进一步扩展到企业、城市乃至更大的社会系统。与个人模型相比，这些系统不仅涉及更多变量，还包含不同主体之间复杂的相互作用。随着模型逐渐具备描述这些关系和动态变化的能力，机器所做的事情也可能从预测某个结果，进一步发展为：根据当前状态，模拟不同条件下可能出现的未来。
当然，这仍然属于一种面向未来的想象。现实中的人和社会包含大量无法观测的变量，人的行为也会受到偶然事件以及其他人的行为影响。因此，即使未来的 AI 能够建立非常复杂的个人或社会模型，也很难真正得到一个确定的未来。不过，无法确定未来，并不意味着未来的所有可能性都无法被提前推演。机器或许无法准确判断某件事情一定会不会发生，却可能通过模拟不同条件下的变化，提前呈现某些可能的发展方向。
科幻作品已经为这种可能性提供了极端的想象。汤姆克鲁斯主演的电影《少数派报告》中，人类发明了一种能够侦测人脑电波、预测犯罪意图的智能机器人——“先知”。它能够提前发现一个人未来可能实施的犯罪，使警方得以在犯罪真正发生之前采取行动。虽然电影中的预测能力远远超出了现实 AI 的水平，但它提出了一个更值得思考的问题：如果机器能够建立足够复杂的人类行为模型，那么未来的某些状态是否可以在真正发生之前被推演出来？
随着这种能力继续发展，“预测未来”或许也会发生变化：它不再只是根据历史数据给出一个概率，而可能变成在机器建立的模型中，不断模拟现实可能沿着哪些路径发展，以及不同选择又会把现实带向哪里。