。计算生态的复杂相互关联性，违反了传统的等级分解要求，传统管理中进行的等级分解是将其分解为技术的、工业的或管理的部门。现代技术通信网络是增长着的开放系统，其中必定没有诸如机器或人的中心控制、同步控制或一致数据。
不完整的知识导致了某种优化差距，而信息接受的延迟则引起其中单元的振荡。合作以及对有限资源的竞争可能导致协同效应。混沌则阻止了任何稳定的问题求解策略。马尔文·闵斯基已经研究了一种简化的集体问题模型，求解使用的一些独立的单元，它们针对一组相关问题，并发生相互作用。这种例子可以运用于计算机辅助信息系统的分布系统的模型设计中。
贝纳多·A．休伯曼和塔得·哈格分析了一个模型，它有一些中心或成员，能够在种种可能的策略中进行选择，以完成指定的任务（图6。16）。此策略相应于他们所设想的报酬，单元反复地针对不同策略评价所设想的报酬，并转向具有最大报酬的策略。此模型的演化方程决定了过程改变其策略的速率。由于在一定时间间隔中只有一部分成员决定转向，所以系统的动力学必须用几率方程来建模。
此种系统可以显示出种种行为，范围从不动点一直到振荡和混沌。系统中不可避免的振荡可能是延迟的信息所引起的。不完整的知识和延迟甚至可能引起混沌行为。由于报酬依赖于偏爱选择何种策略，动力学和初始条件都将阻止对于长期行为作出预见。
世界正在成为充满数量巨大的计算系统的世界，复杂性在不断增长。其中包括有传统的冯·诺意曼机，向量巨型机，共享贮存多处理器、联接机、神经网络机和成千上万的如同阿米巴那样充满这个世界的个人计算机以及将来的分子计算机。这些计算系统正在逐步与诸如卫星、电话、光纤的种种信息系统联接起来。一个自组织的世界范围的软件和硬件系统网络的思想，已经变成现实了。
例如，1969年，在美国国防部建立了计算机辅助的信息网络。它已经成了一个迅速成长的网络的核心。这个网络已经联接了175000台计算机、936个终端及许许多多的人。在INTERNET的增长中，没有任何中央处理器的计划或控制，而是一个或多或少有些混乱的过程。然而，组织模式从混沌中出现了，或者也将以某种全球自组织的方式衰退。
在复杂的信息网络中，知识和信息分布在多个中心和个别的程序编制者中。它们的复杂性排除了集中计划。如同所有包括目标、资源和行动的系统一样，计算已经用经济学术语来加以描述了。显然，运用着市场机制的软件和硬件的计算市场已经出现。正如我们已经在6．2－3节中见到的，市场是一种自组织的复杂生态系统的形式。按照斯密的基本见解，比起任何程序编制者和集中控制者的计划和理解，消费者进行选择的力量将使得计算市场生态系统为人们提供更好的服务。原因在于，计算生态系统的巨大复杂性和多样性是与人们的市场联系在一起的。
读者可以回忆一下生物生态系统的复杂性，其中有多个层次，包括细胞、器官和机体。同样地，一个计算生态系统的元素，也是按照计算系统的复杂性增长而在不同水平上结合起来的。图6．20示意了全球的USENET网络，它通过许多的局域成长因素而成长起来。该网络的发展现状是包含了37000个节点，它只是INTERNET的一部分。如果人们想要发送或接收电子邮件或利用其他的信息服务，只要找到一个局域的USENET站就可以实现所希望的全球联结。
不过，在计算生态系统与生物生态系统之间的类似性，并不意味着任何的还原主义或生物主义。在复杂系统的框架中，计算生态系统和生物生态系统仅仅是数学演化方程的模型，由此标志了复杂系统的非线性动力学。按照闵斯基的观点，覆盖全球的计算机辅助网络可以解释为一种“市场”或“精神社会”。
哲学上，这种新的世界性“知识媒介”或计算机辅助的“智能”，使我们想起了黑格尔的理念。他的理念是一种“客观精神”的形成，它嵌在人类社会及其法律系统、经济和官僚制度之中，克服了个人的“主观精神”。但是，这些计算生态系统，既没有人类个体的大脑神经网络具有的意识，也没有大脑神经网络所具有的意向性（参见第4章）。
然而，问题是计算生态系统是否可以称作具有某种程度的“智能”。对于个体进行的智能测验，是判断其在一定时间中实现某种设定的目标的能力。在这里，智能并非某种形而上学的普遍概念；相反，这里设定了若干个精确程度不同的可检验的行为标准。一些作者已经建议，判断一个社会的“智能”，同样可以根据它运用给出的资源去实现目标的能力，这些目标是由一定的合法的子群体（例如议会）设定的。“智能”程度依赖于能够实现的目标的范围，实现目标的速度和所用手段的效率。这些定义的细节可以是不同的，但是，基于这些概念的“智能”实际上涉及到整体系统的宏观特征。这些定义的实际目的，是要比较计算生态系统及其成功地求解问题的程度。与此相反，诸如一个国家的集体“智能”这样的术语，在意识形态上是危险的。而且，我们必须意识到，智能的技术标准与意识这样的概念是有区别的，意识实际上是由生物进化中一定的大脑网络的自参照性所实现的。
信息和计算的生态系统的生长，与社会的基本性变化相联系，其特征是从传统的处理货物的产业转向信息和信息服务的知识产业。信息的生产、分配和管理都已经成为以知识为基础的现代社会的主要活动。因此，在人类和信息系统之间的界面必须不断地加以改进，以实现世界范围的人类通信网络的理想。人类的表示方式，如言谈、姿势或书写，都应该为计算和信息系统直接理解。“完整人范式”和“人机网络”是未来通信世界的最重要内容。
人类的通信不仅仅涉及到信息字符串，而且还涉及到直觉、感情和情绪。未来的通信世界有时被称作“全球村”以强调由于高技术环境导致的熟知程度。但是，对它的接受决定性地取决于与人类友好界面的实现。我们必须考虑一种新的复杂性，包括人的直觉和情绪。古老的理性理想，作为对于人类生活本质的抽象，完全地忽视了人类世界。甚至科学研究的过程也是由人的直觉所鼓舞，由人的情感所驱动，这是在未来的通信世界中必须要加以考虑的。
一些人担心，社会文化进化的最终吸引子将不是一个全球村或世界性的城邦，而是一个巨大的“利维坦”借助着现代的高技术程序来统治着人类。在虚拟现实的计算化世界中，人类的所有表达方式都将数字化，对于人们的亲密不留下任何余地。但是，社会文化进化的复杂性将允许有多个吸引子。它们不可能由人们的决策来预见或决定，但是它们将受到人们能够实现的条件和约束的影响。在一个高度复杂性的世界中，人类自由的机会是什么？在一个高度非线性的集体效应的复杂世界中，个人的责任程度是什么？这些问题导引出结语中关于复杂性、非线性世界中的伦理学的讨论。
《复杂性中的思维物质》
克劳斯·迈因策尔著 曾国屏译
7关于未来、科学和伦理学的结语
复杂系统原理主张，物理的、社会的和精神的世界都是非线性的、复杂的。这个基本的认识论结论对于我们现在的行为和未来的行为，都有重要的影响。科学和技术对于未来的发展有着至关重要的影响。因此，本书最后将展望一个复杂的和非线性世界中的未来、科学和伦理学。我们对于其未来能够知道什么？我们应当干些什么？
7．1复杂性、预测和未来
在古代，预测未来的能力似乎是预言家、祭司和占星术士的某种神秘能力。例如，特尔斐神谕中，占卜家皮蒂娅（公元前6世纪）在迷糊状态之中揭示了帝王和英雄的命运。在现代，人们变得相信拉普拉斯妖的无限能力：对于无摩擦的不可逆的线性保守世界，预测将是完满的。要预测一个过程的未来，我们只需要知道其精确的起始条件和运动方程，通过求解其未来时刻的方程就可以办到。科学哲学家们也早已致力于分析自然科学和社会科学中进行预测的逻辑条件。关于人的预测能力的信念，在本世纪中由于几方面的科学发展而动摇了。量子理论教导我们，一般地说，我们只能作出概率性预测（参见2．3节）。一大类现象是由确定论混沌支配的：尽管它们的运动服从牛顿物理学定律，它们的轨迹却是敏感地依赖于其起始条件的，因而排除了长期预测。在耗散系统中，如同贝纳德实验的流体层（图2．20），有序的出现不可能预测，因为这有赖于微观上的起始小涨落。诸如蝴蝶翅膀扇动那样的随机事件，原则上是可能影响全球的天气动力学的。在第6章中，我们已经知道，经济、商业和社会中的模式和关系常常会剧烈变化。在自然科学之外，人们的行动——这是社会科学中要观察的——能够而且正在影响着未来的事件。因此，预测可以变成自我满足或自欺欺人的预言，它自己在改变着已经建立的模式或过去的关系。预测是否也就只不过是盯住水晶球看呢？
但是，几乎我们的所有决策都联系着未来的事件，需要预测关于未来环境的情景。这对于个人的决策的确如此，例如何时与何人结婚、何时和如何投资储蓄；对于影响着整个组织、公司、社会或全球状态的复杂决策也是如此。近些年来，改进经济和生态、管理和政治中的预测和决策已经得到越来越多的强调。经济震荡、生态突变、政治灾难以及诸如新市场的机会、新技术的趋势和新的社会结构，都不应该再是杂乱无章的，不应该是上帝送来的致命事件。人们希望做好准备，因此开始发展起来种种定量的预测方法，它们针对着如商业和管理中的不同的情形。从方法论的观点看，所有的定量预测工具都标志着特定的预测水平，这限制了它的可靠应用。让我们对一些预测工具的长处和短处进行一些考察吧。
最通行的定量预测方法是时间序列程序。它们假定，在数据系列中的某种模式是可以在时间上再现的，可以外推到未来。因此，一个时间序列程序，对于预测环境因素如就业水平或超级市场每周的销售情况——在此个体的决策没有多大的影响——可能是合适的。但是，时间序列是不可能对数据模式背后的原因作出解释的。在历史上，巴比伦天文学家就运用着这种方法，他们把月亮东升的数据模式外推到末来，而没有任何基于行星运动模型的解释。在18世纪，物理学家对于太阳黑子的原因知之甚少。但是在太阳黑子的观察中，发现了一种频率和数量的模式，因而通过时间序列的连续来进行预测就成为可能。在商业和经济中，数据序列中隐含着多种模式。某种水平的模式可能在数据中并没有得到体现（例如稳定销售的产品）。某种季节性模式的出现，是按照某种季节因素引起的一系列的涨落，如有些产品的销售依赖于天气。某种循环模式可能不会以恒定的时间间隔再现自身，如金属的价格或国民总产量。某种趋势模式，出现在变量值随时间出现某种一般性增减时。在数据序列中有某种隐含模式时，此模式必须要通过将过去的数值平均化和平权化（“平滑化”）而与杂乱无章区分开来。数学上，线性的平滑化方法可以有效地运用于这样的数据：它们展示了某种趋势模式。但是，平滑化方法并不试图去证明基本隐含模式的个体组分。趋势、循环和季节性因素还可以有子模式，它们必须从分析数据序列的总模式中分离出来、分解开来。
在时间序列程序中，某种过去的数据模式被简单地外推到未来，而一个解释性模型则假定了在（“因”）变量y（这是我们希望预测的）和另一个（“自”）变量x之间的关系。例如，因变量y是每单位生产的费用，而决定着生产费用的自变量X是单位产品的数目。在此情形下我们可以在x和y的2维坐标系中建立关系模型，画出一条直线，它在某种意义上将给出这种关系的最好的线性近似。回归分析运用此种最小面积方法，去减少实际观察值y和相应的线性近似直线上的点y之间的距离。显然，在许多情形下这种方法并非一种有效的方式。一个例子是月销售量的预测，它按照一年的季节发生非线性变化。此外，所有的经理都知道，销售量并不只受时间的影响，还受到多种多样因素的影响，如国民总产量、价格、竞争对象、生产代价、税收等等。两个因素的线性相互作用，仅仅是经济中的一种简化，就像经典物理学的线性保守世界中的两体问题一样。
但是，一个更精确的复杂模型当然是需要更多的努力、更多的经验和更多的计算时间的。在许多决策的情形下，解释或预测一定的因变量要用到一个以上的变量。举一个普通的例子，销售经理希望预测下一年公司的总销售量，并对影响这种销售量的因素有更好的理解。因为他有一个以上的自变量，他的分析就成了多元回归分析。然而，他希望预测的因变量是表达为自变量的线性函数的。回归方程中的计算基于过去的观察样本的运用。结果是，基于此种回归方程的预测的可靠性，就主要取决于所使用的特定的样本。因此，可靠程度必定由统计显著性检测来度量。与多元回归涉及到一个方程不同，经济计量学模型可能包含多个联立回归方程。在线性方程中，求解的数学方法是基于线性代数和线性优化方法的（例如，单纯形方法）。尽管它们是线性的，经济计量模型可能是非常复杂的，有多个变量，只能用计算机程序和机器来把握。经济学中非线性编程的求解策略常常是将复杂的问题分解成子问题，使之可以近似地�