两倍的原因，未必两倍的结果（Twice the cause, seldom twice the effect）
2026-07-23 · 什么算「复杂」
我们从小被训练成线性动物：多花一倍力气，就期待多一倍回报；出了一倍大的事，就去找一个一倍大的原因。可真实世界里绝大多数要紧的关系都不长这样——不成比例才是常态，那条我们最信赖的直线，反倒是稀有的例外。
往咖啡里加糖：第一勺甜得明显，第五勺几乎尝不出区别。可往一锅汤里放盐，多放那么一点点，整锅就毁了。同样是「多加一点」，一个几乎没反应，一个天翻地覆——差别不在你加了多少，在你从哪儿开始加。
这就是非线性（nonlinearity）：输出不跟着输入按比例走。听上去像句废话，后果却极重——它意味着你不能靠「小样本推大局」，不能靠「按当前速度外推」，也不能靠「把原因和结果配对」来理解一个系统。我们脑子里那台默认的线性外推机，在这类关系面前会系统性地、朝一个可预测的方向犯错。
本期只讲一件最基础的事：「不成比例」到底会带来什么，为什么它让预测变得这么难。后面几期的混沌、临界、幂律，全都是非线性的不同面孔——这一期是它们共同的地基。
先说清楚什么叫「线性」，才好说它怎么破。线性关系有两条老实的性质。一是成比例：投入翻倍，产出翻倍。二是可叠加（叠加原理，superposition principle）：两件事一起做的结果，等于各自单独做的结果加起来。桌上放两盏一样的台灯，总亮度就是一盏的两倍——世界上真有一批这样规规矩矩的关系。
非线性就是这两条至少破了一条。破了之后，关系会长成几种典型形状：① 边际递减（先陡后平）——健身头三个月突飞猛进，之后同样的训练量换来的进步越来越小；② 加速（先平后陡）——存钱吃复利、口碑破圈、技术债的利息，越往后同样一步迈得越大；③ S 型（先平、中间陡、再平）——很多真实过程都是这样：起步毫无动静，到某一段突然剧烈响应，再往后又饱和下来。
关键就在这里：在一条非线性曲线上，「同样多加一个单位」的效果，取决于你此刻站在曲线的哪一段。在平缓段，你使多大劲都几乎没动静；在陡峭段，轻轻一推就是一大跳。所以「投入产出比」根本不是一个固定的数字，它是你所在位置的函数。
于是有一句反直觉的话在这里成立：小投入撬动大回报，和小疏忽酿成大灾难，是同一件事的两面。它们说的都是「你正好站在陡峭段」——区别只在于那一跳是朝你想要的方向，还是朝相反的方向。想占前者的便宜，就得连后者的风险一起认。
动手投入之前，先判断自己站在曲线哪一段。平缓段：加码是浪费，该换战场，而不是加倍努力。陡峭段：这里既是杠杆也是雷区——同一个位置，顺着推是暴利，逆着来是暴亏，所以陡峭段的正确动作不是「用力」，是控制方向和步长。把「我要更努力」这个默认反应，换成一句「我现在在曲线的哪一段」。
EN Linearity means two things: proportionality (double the input, double the output) and superposition (the effect of two things together equals the sum of each alone). Nonlinearity breaks at least one. On a nonlinear curve the return on one more unit of input depends entirely on where you already sit — flat on the toe, huge on the steep part. Small input, big reward and small slip, big disaster are the same fact: you happen to be on the steep segment.
有一类非线性特别爱骗人：阈值（threshold）。在到达某个点之前，你怎么加力，系统都纹丝不动，好像根本没在听；一旦越过那个点，它整个翻过去，而且常常回不了头。
最干净的例子是水。你从 99℃ 一路加热到 99.9℃，水还是水，看不出要沸的样子；越过 100℃，它就成了蒸汽。温度是被你一度一度、平滑地推上去的（连续的因），相态却是「啪」地跳过去的（不连续的果）。因是连续的，果是断裂的——这是阈值最刺眼的地方。
更极端的是过冷水：干净的水可以被小心地降到 0℃ 以下还不结冰。这时候你往里丢一粒小冰晶，或者敲一下杯子，整杯水会在一两秒里哗地冻成冰。触发它的动作小得可笑，结果却是整杯相变——因为系统早被推到了阈值边上，只差有人碰一下。
阈值让「因果配对」彻底失效。越过阈值的那「最后一下」，看上去像元凶，其实它和之前每一下一模一样。压垮骆驼的最后一根稻草，和第一根一样重——把责任算在它头上，是把一个连续积累的过程，误读成了一个突然冒出来的原因。
EN Thresholds are the most deceptive nonlinearity: nothing responds until a point, then everything flips, often irreversibly. Water heated smoothly stays water until 100°C; supercooled water flash-freezes on one seed crystal. The continuous cause maps to a discontinuous effect, so the "last straw" that crosses the threshold is identical to every straw before it — blaming it mistakes slow accumulation for a sudden cause.
现在说说我们自己。人脑处理「趋势」有个根深蒂固的默认设置：线性外推（linear extrapolation）。看到一个量在涨，我们本能地问「照这个速度，X 时间后到哪」——而「照这个速度」这五个字，已经偷偷假设了增速不变，也就是假设了线性。
一张普通的纸对折 42 次，厚度就能够到月球。几乎没人猜得到，大多数人会猜一栋楼那么高。原因是每折一次厚度翻倍，这是指数（exponential），而我们的直觉在做加法。麦粒摆棋盘是同一个故事：第一格一粒、往后每格翻倍，摆到第 64 格所需的麦子，比人类有史以来种出来的全部还多。
而且这个错误是有方向、可预测的：对复利型的增长，我们习惯性低估（总觉得「还早」）；对阈值型的突变，我们习惯性错愕（「怎么突然就……」）。两种错源自同一个默认——用一条直线去接一条不是直线的曲线，一开始贴得很近，越往后偏得越离谱。
这就是为什么「现在人数还少」在疫情早期是最危险的安心，为什么「才亏了 5%」在杠杆爆仓的前一天看着毫无威胁——线性的眼睛在指数的、有阈值的世界里永远慢半拍，而且越到关键时刻，错得越狠。
每当你听见自己说「照这个速度……」，停一下——这句话默认了线性。改问两个问题：这个量是加法涨的，还是乘法（翻倍）涨的？它前面有没有一个阈值？只要是乘法或有阈值，你的直觉估计一定偏低、偏晚，请把预警线画到「感觉还太早」的地方；等到「感觉差不多该动了」，通常已经晚了。
EN The human default for trends is linear extrapolation — "at this rate…" already assumes a constant rate. Fold paper 42 times and it reaches the Moon; almost no one guesses that, because doubling is exponential and intuition adds. The error has a direction: we underestimate compounding ("still early") and are blindsided by thresholds ("how did it suddenly…"). A straight line fits a curve well at first and diverges catastrophically later.
「非线性」是复杂性科学里被当成万能咒语用得最凶的词之一。光说一个系统「非线性」，几乎不含任何信息——因为严格线性的系统在自然界才是稀有品。真正要紧的，是知道它在哪些地方不给你你想要的东西。
第一，非线性不等于不可预测。一颗炮弹的弹道是非线性的（空气阻力大致随速度平方变化），我们照样把它算得极准；行星绕太阳是非线性的，天文学家能报出几千年后的日食。非线性只是「不成比例」，它本身完全不排斥精确预测。把「非线性」直接读成「测不准、看天意」，是把它和后面要讲的混沌（chaos，对初始条件的敏感依赖）搞混了。不成比例 ≠ 不可测。
第二，局部几乎总是线性的——这不是漏洞，是我们能活下去的原因。任何一条光滑的曲线，你凑得足够近看，都近似是一条直线。这正是「线性近似」为什么这么好用：短期、小范围内，把非线性当线性来处理，误差小到可以忽略，工程、经济、日常决策大量地、正当地这么干。错从来不在「用了线性近似」，而在「把它外推到近似早已失效的范围之外」还浑然不觉。危险的不是那条直线，是不知道它的有效期。
第三，也是最要紧的：「非线性」不是一块遮羞布。出了事说「系统太非线性了、没法预料」，往往只是一句推卸。很多所谓「黑天鹅」，事后看是踩在一段本就该知道的陡峭曲线或阈值上——非线性使精确的点预测很难，却常常让「方向」和「量级」变得更清楚而非更模糊：你明知自己在陡峭段、明知前头有阈值，只是不知道具体哪一天。把「测不准哪一天」偷换成「完全无法预料」，是拿真实的不确定性，去掩盖本可以做的准备。
说「这事没法预测」之前，先把话说全：是「连方向和量级都不知道」，还是「只是不知道精确的时点」？前者极少，后者极多。后者是可以准备的——你不需要预测爆胎的确切时刻，就能决定备一条备胎。别让「非线性」这个词，帮你把「没准备」说成「没法准备」。
EN Three limits. Nonlinear does not mean unpredictable — a shell's trajectory and planetary orbits are nonlinear yet forecast precisely; conflating nonlinearity with chaos is a category error. Locally almost everything is linear, which is why linear approximation is legitimate and useful — the mistake is extrapolating it past its valid range. And "it's just nonlinear" is often an excuse: nonlinearity blurs the exact timing, not usually the direction or the order of magnitude, so it rarely licenses being unprepared.
看二阶信息。线性近似的误差随偏离基准点的距离大致平方增长，所以只要盯住「同样的动作，效果是不是和上次不一样了」——效果一旦开始变化，就是曲率在提醒你已经离开了直线段。真正的难点不在有没有信号，在我们太容易把「效果变了」解释成外部噪声，而不是「我离开了线性区」。
因为凸性（获益端）和凹性（受损端）在心理上并不对称：损失厌恶让我们高估近处的小损失、低估远处的大灾难，而复利型的收益又总被低估。结果是同一条陡峭曲线，我们只盯着它朝上的那一半。真要对称地看，得强迫自己把「万一在这段逆着走」也画出来。
这正是后面 Topic 36「临界慢化」要处理的：逼近阈值时，系统被扰动后的恢复会变慢、涨落会变大。所以区分二者，看的不是「反应大小」，是「反应之后多久平复」。这也提醒：阈值前的平静本身不携带距离信息，你得去测别的量。
关键的一步是对初始条件的敏感依赖——初值差之毫厘，轨迹谬以千里，误差以指数速度放大。这就是 Topic 8 混沌要讲的东西。非线性是它的必要条件（线性系统不会混沌），但远不是充分条件：绝大多数非线性系统一点都不混沌。
叠加原理在人的系统里最先失效：两项政策各自温和，合在一起可能触发一个谁都没单独制造的阈值（挤兑、踩踏、舆论翻转）。「分项评估、各自达标、加起来就没问题」正是一个线性假设，而它恰恰在交互最强、最要紧的地方最不成立。