确定的世界，仍然算不出来（A deterministic world you still cannot compute）
2026-07-26 · 动力学与不可预测性
"蝴蝶效应"几乎总被读成"小事也能改变世界"。它的原意差不多是反的：你永远不可能知道那只蝴蝶在哪儿——所以哪怕世界完全由铁律运行、一丝随机都没有，长期预测照样出局。
天气预报能报到一周，报不到一个月。你大概会想，这是数据不够、算力不够、模型不够细。三样全补上，答案还是一周多一点。
反直觉的地方在这儿：这个上限不来自我们不知道的东西，恰恰来自我们知道的东西。大气服从的方程是确定的——同样的初始状态输进去跑一万次，得到一万条一模一样的轨迹，中间没有掷过一次骰子。确定，然后算不出来。把这两件事拆开，是这门学科最贵的一课。
本站讲"预测不了"的有好几期，机制各不相同：本期讲敏感依赖（sensitive dependence）——初值里的微小差异被指数放大；第 9 期讲一个参数怎么把系统一路推进混沌；第 11 期把预测的极限分成两类（精度极限 vs 计算不可约性）；第 12 期讲噪声本身能干什么。本期只回答一个问题：为什么"确定"不蕴含"可预测"。
1961 年冬天，麻省理工的气象学家爱德华·洛伦兹（Edward Lorenz）在一台叫 Royal McBee LGP-30 的机器上跑一个玩具天气模型。那机器每秒只算得动几十次乘法，慢到你可以盯着结果一行行打出来。
他想把之前的一段结果重看一遍，就没有从头开始，而是从中途起跑——把上一次打印出来的那行数字重新敲了进去。按理说，接下来的走势应该和上次分毫不差。
不是。新旧两条曲线一开始还贴着，然后慢慢分开，几个模拟"月"之后已经完全是两种天气了。
排查了半天，问题出在打印机上：为了省纸，它把内存里的 0.506127 印成了 0.506。洛伦兹敲进去的，是一个在千分之一位上被截断的初值。他后来把这件事整理成 1963 年的论文《Deterministic Nonperiodic Flow》——"确定性的非周期流"。标题本身就是那个发现：确定的，而且永不重复。
这张图的关键不是"它们最后分开了"，而是前面那一段有多像。误差从第一秒起就在，只是还小；它一直在长，长到和系统本身一样大的那一刻，预报就变成了瞎猜。
所以"确定论不等于可预测"这句抽象的话，具体含义就是这张图：方程完全决定一切，可你对初值的了解永远只有有限的精度——而有限的精度只能买到有限的时间。
EN In 1961 Edward Lorenz restarted a toy weather model from a printout that had been rounded from 0.506127 to 0.506. The two runs tracked each other, then drifted apart into completely different weather. Nothing random was involved: finite knowledge of the initial state buys only a finite span of prediction.
上一节说"误差被放大"，这一节把它变成一个能算的量——本期最有用的一步就在这里。
在混沌系统里，两条邻近轨迹的距离大致按指数拉开：d(t) ≈ d₀ · eλt。这里 d₀ 是初始的那点差别，λ 是这个系统放大误差的速率，叫李雅普诺夫指数（Lyapunov exponent）。λ 大于零，就是"混沌"这个词最核心的技术含义。洛伦兹那组方程 λ ≈ 0.9，也就是误差每过大约 0.77 个时间单位翻一倍。
现在把这条式子倒过来解一次。设你能容忍的最大误差是 D，那么你的预测能维持多久：
T ≈ (1/λ) · ln(D / d₀)
注意 d₀ 在对数里面。这一个细节决定了一切：把初值精度提高 10 倍，可预测的时间只增加 ln10/λ ——一个常数。再提高 10 倍，再加同样一小段。精度是指数级的投入，时间是线性的回报。
换成大气的数字：误差大约 1.5 天翻一倍。即便初始场完美到只剩仪器噪声，中纬度天气的可预测上限也就在两周上下。按这个翻倍速度算一下：想把 5 天预报做成 10 天，得把初始误差压到大约十分之一；想再往后推 5 天，再压十分之一——而这已经贴着上限了，两周之后压多少都没用。这不是工程难度的问题，是兑换率的问题。
给你依赖的每一个预测标一个有效期：它的误差多久翻一倍 × 你能容忍几倍误差。超过有效期的点预测，从仪表盘上撤掉——不是改进它，是撤掉它，换成区间或情景。同样，别再为"提高精度"追加投入之前不问回报：在混沌系统里，投入是指数的，买回来的时间是线性的。
EN Nearby trajectories separate as d(t) ≈ d₀eλt, so the horizon is T ≈ (1/λ)ln(D/d₀). Because d₀ sits inside a logarithm, a hundredfold gain in initial precision buys only a fixed extra span. Atmospheric errors double in roughly 1.5 days, capping midlatitude weather at about two weeks.
这是最容易混过去的一步，也是这个词在实践中唯一值钱的地方：乱，不等于随机。
把一段混沌信号和一段噪声并排画成曲线，多数时候你分不出来——两条都在毫无规律地上下窜。可它们的差别在另一种画法下一目了然。
换一种坐标：不画"某个量随时间怎么变"，而是画状态。取信号在时刻 t 的值当横坐标，取它在稍晚一点（比如 0.1 个时间单位之后）的值当纵坐标，每个时刻落一个点。这叫延迟嵌入（delay embedding），是拿一条一维的记录去反推系统状态的标准手法。
左边那个形状就是奇怪吸引子（strange attractor）：系统的状态被约束在一个维数很低的形状上，永远绕，永不重复，也永不离开。→ 参考 · 洛伦兹系统 → 参考 · 相空间与吸引子
右边没有形状可言。噪声的"下一个值"和"这一个值"之间没有任何约束，所以它把方框填满。
这个区别落到操作上就是一条判据：在历史里找到与当前最像的几个状态，看它们接下来一小段是不是走向一致。一致，说明有确定性骨架，短期可预测，建模有回报；不一致，说明你面对的是噪声，再复杂的模型也只是在拟合过去。
一句话记住这两者的分别：混沌是短期高度可预测、长期完全不可预测；随机是两头都不可预测。
在为一堆"看起来有规律"的数据立项建模之前，先做这一个测试：取历史上与当前最相似的 k 个状态，看它们随后一小段的走向是否一致。一致 → 有骨架，短期预测值得投入。不一致 → 停掉建模预算，改做对冲和容错，因为你要预测的东西在这个分辨率下就是噪声。
EN A chaotic time series and a noise series look alike. Re-plot them in state coordinates — value now against value slightly later — and the chaotic one collapses onto a thin surface while the noise fills the box. The operational test: do the nearest historical analogues go on to do the same thing for a short while? If yes there is deterministic structure worth modelling; if no, it is noise.
不可预测的是轨迹，不是统计。这句话是本期全部实用价值的来源。
上一节那个形状有两叶（洛伦兹那只著名的蝴蝶，完整的样子在参考页上）。你说不出第 3000 步落在左叶还是右叶；但你可以相当准地说出：长期看落在左叶的比例是多少、数值的分布长什么样、极端值多久出现一次。这些量对初值不敏感——恰恰相反，它们正是把初值的差别抹平之后剩下来的东西。
天气和气候的关系就在这儿。气候不是"很长的天气预报"，它问的是另一个问题：不是"那天下不下雨"，而是"这套系统的雨量分布往哪儿移"。所以"连下周都报不准，凭什么报 2100 年"这个诘难，把两类问题混为一谈了——一个问轨迹，一个问吸引子的统计。
第二件还能做的事，是把"一条预测"换成"一群预测"：集合预报（ensemble forecast）。既然初值必然带误差，那就别只跑一条轨迹；在初值附近撒一小片云，跑几十条，看它们什么时候散开。欧洲中期天气预报中心和美国国家气象中心从 1992 年起把这件事做成了日常业务。
把预算从"一个更好的模型"挪到"同一个模型的一群初值"。汇报格式随之改：不给一个数，给一个扇形——外加一句"我们的集合在第几步散开"。离散度本身是要报的第一项，因为它是你今天这次预测到底可不可信的唯一诚实度量。
EN Trajectories are unpredictable; the attractor's statistics are not. That is the difference between weather and climate — one asks which path, the other asks how the distribution shifts. Hence ensemble forecasting: perturb the initial state, run many members, and report the spread. How fast the ensemble diverges is itself the measure of today's predictability.
"混沌"是复杂性科学里被借用得最随便的词之一。用它之前，四条边界。
第一，"蝴蝶效应"的流行读法基本是反的。1972 年洛伦兹在美国科学促进会做报告，题目叫"巴西一只蝴蝶扇动翅膀，会不会在得州掀起一场龙卷风？"——这个标题还是会议召集人替他起的。它想说的是：既然如此微小的扰动都足以改写后果，那么任何一次天气都无法被追溯到某个具体的原因。而流行版把它读成了"你的小小善举可以改变世界"，方向正好拧了：混沌不保证任何单个扰动可以被识别、被瞄准、被用来达成什么。它保证的是不可归因。
第二，在真实数据里"发现混沌"极难，而且当年发现的大多没站住。1980 年代末到 90 年代，经济、生态、心电、脑电里都曾冒出大量"找到低维混沌"的论文。等到替代序列检验（surrogate data test）这类严格方法普及之后，相当一部分结论撑不住——短序列、非平稳、带噪声的数据会让那些指标给出假阳性。癫痫发作预警是最有代表性的例子：早期基于混沌指标的算法在严格的盲测里大多没能超过随机基线。能看出"有确定性结构"，和"能预测"，是两件事。
第三，混沌不等于不可控——这一条最反直觉。1990 年 Ott、Grebogi 与 Yorke 提出：正因为系统对扰动极其敏感，用非常小的扰动就能把它稳住。奇怪吸引子里嵌着无数条不稳定的周期轨道，只要在合适的时刻轻轻推一下，就能让系统一直沿着其中一条走。这套方法后来在激光、电路、心律实验里都实现过。所以"反正是混沌的，认命吧"是个错误结论：不可预测与不可干预是两回事。
第四，"两周极限"不是每天都成立的承诺。李雅普诺夫指数是长时间的平均值。实际的可预测性随系统当前所处的位置剧烈变化——有的天气型能报十天，有的三天就散。所以真正该报的从来不是"我们的模型能报几天"，而是"今天这一次能报几天"。集合的离散度正是拿来回答这个问题的。
EN Four limits. The popular butterfly effect inverts the original claim: chaos means causes cannot be traced, not that small deeds matter. Most 1980s–90s discoveries of low-dimensional chaos in real data failed once surrogate-data tests arrived. Chaos is not uncontrollable — OGY control exploits sensitivity to stabilise unstable periodic orbits with tiny nudges. And λ is a long-run average, so the horizon varies from day to day.
由你能容忍的误差定，不由系统定。同一个系统，要求"误差不超过 1%"和"不超过 50%"，可预测时间差着一个常数倍（就是那条 ln(D/d₀) 的公式）。这带来一个实际的操作：与其去改进模型，不如先去谈判可容忍的误差——后者常常便宜得多，而且效果是同一个量级的。
因为在有限精度下，两者的可用信息是一样的。这提示一件事：确定与随机的区别不是关于世界的，而是关于模型的分辨率。同一条河流，在分子尺度上是确定的力学，在工程尺度上用湍流的统计描述更划算。选哪一种不看"世界本来是什么"，看你手上的测量精度和你要回答的问题。
不能直接当。集合只覆盖了初值的不确定性，模型本身的误差（物理过程的近似、分辨率不够）不在里面，所以集合常常过于自信——散得比真实的不确定性小。业务上的做法是拿历史检验去校准它（可靠性图、分级技巧评分）。一句可迁移的话：任何自产的不确定度都要拿现实校一遍，否则它量的是模型的自信，不是世界的模糊。
意义在于它规划的应该是另一类对象。轨迹不可规划，但约束、边界条件、系统的结构参数是可规划的——它们改变的是吸引子的形状与统计，而那正是长期唯一可预测的东西。判断一份长期计划的质量，看它承诺的是"三年后我们会到达某个点"，还是"三年后我们的分布会移到哪儿"。