複雜科學是什麼：跨學科的緣起與定位

一、問題的真正位置：複雜科學研究什麼？

「複雜科學」容易被誤解成一種宣稱萬物互相關聯的宏大口號。較準確地說，它是一個研究綱領：面對由大量元件、局部互動、回饋迴路、非線性關係、適應行為與多尺度結構組成的系統，尋找可被計算、比較、解釋與預測的規律。聖塔菲研究所對自身任務的通俗表述是「為複雜世界做科學」，其官方頁面把複雜系統科學定位為跨學科地使複雜現實進入科學理解。

這裡的「複雜」不是日常語言中的「難」而已。三體問題很難，但它不必然具有適應性；一個有十億顆獨立氣體分子的系統很龐大，但統計力學可用平均量處理。複雜科學特別關心的是中間地帶：元素數量多到無法逐一追蹤，卻又不能被簡單平均消去；整體行為不是單元性質的線性總和，且常常對歷史、網路結構與微小擾動敏感。

因此，複雜科學通常研究下列類型的現象：螞蟻群落如何在沒有中央控制者的情況下形成分工；基因調控網路如何在隨機性中維持細胞型態；市場為何會出現泡沫、鎖定與崩盤；城市規模如何與創新、犯罪、基礎設施呈現規律縮放；生態系如何在穩定與崩解之間轉換；神經網路如何從局部連結產生認知功能。這些例子分屬不同學科，但共同結構是：局部互動、回饋、非平衡、演化、資訊與多尺度組織。

二、戰後思想背景：從「有組織複雜性」到非線性世界

1. Weaver 的三分法

1948 年，Warren Weaver 在〈Science and Complexity〉中提出一個後來被視為複雜科學前史的三分法：十九世紀物理學擅長處理少數變數的「簡單性問題」；統計力學擅長處理大量、近似獨立元素的「無組織複雜性」；但生命、社會、經濟與生態中的許多問題位於兩者之間，是變數眾多且彼此有結構關係的「有組織複雜性」。Weaver 的洞見不在於給出成熟理論，而在於指出科學方法需要新的數學、計算與跨領域團隊來處理這個中間區域。

這篇文章與同時代的資訊論、控制論同年出現並非偶然。戰爭與冷戰工程推動雷達、通訊、運籌、電腦與系統工程，研究者開始把機器、神經、生物與社會都看成具有訊息、控制、回饋與目標行為的系統。Norbert Wiener 的控制論、Claude Shannon 的資訊論、John von Neumann 的自動機與博弈思想，使「跨材料、跨載體的形式規律」成為可能的科學語言。

2. 還原論的成功與缺口

二十世紀科學的主流成功高度依賴還原論：把物質拆成粒子，把生命拆成分子，把決策拆成偏好與約束，把社會拆成個體行為。這種方法非常強大，沒有它就沒有量子力學、分子生物學、半導體與現代醫學。然而，複雜科學的出現並不是否定還原論，而是指出一個缺口：即使你知道每個零件，仍未必知道整體如何組織、如何適應、如何在尺度轉換中產生新變數。

Philip W. Anderson 1972 年的〈More Is Different〉是這個轉向的重要宣言。Anderson 反對把所有科學層次都化約為基本粒子物理；他指出每一層級都可能有新的組織原理。超導、磁性、生命、心智與社會並非違反底層物理，而是當元件數量與組織方式改變時，出現新的有效理論。這種「層級中的自主性」後來成為複雜科學自我定位的核心。

3. 非線性動力學與混沌的先行突破

1960 至 1970 年代，非線性動力學逐漸改變科學家對可預測性的理解。Edward Lorenz 的天氣模型顯示，確定性方程也可能因初始條件微小差異而迅速分歧；Robert May 把混沌概念帶入生態族群模型；Feigenbaum 常數揭示不同系統通往混沌的普適路徑。這些成果讓研究者意識到，非線性不是小修正，而可能是秩序、週期、混沌與突變的根源。

與此同時，Ilya Prigogine 的耗散結構與遠離平衡熱力學，為「秩序如何在能量流與非平衡條件下生成」提供語言。生命系統不是封閉平衡體，而是在開放系統中消耗能量、維持結構、製造梯度。這使複雜科學得以連接物理、化學與生物：秩序不必只能來自外部設計，也可能在非平衡條件下自組織。

三、聖塔菲研究所的成立：制度化的跨學科實驗

聖塔菲研究所（Santa Fe Institute, SFI）成立於 1984 年。官方歷史頁以「沒有封地的機構」描述其起源；George Cowan 是關鍵創辦者之一，並在 1984 至 1991 年間擔任首任院長。Cowan 曾參與曼哈頓計畫，長期在洛斯阿拉莫斯國家實驗室從事研究與行政工作。他對 1980 年代科學過度專門化、學科壁壘與經費體制導致的知識碎片化感到不滿，於是推動一個不以傳統學系、終身教職與單一領域為核心的研究場所。

SFI 的創辦與早期核心人物包括 George Cowan、Murray Gell-Mann、David Pines、Stirling Colgate、Nick Metropolis、Herb Anderson、Peter A. Carruthers、Richard Slansky 等；Philip Anderson、Kenneth Arrow、John Holland、Stuart Kauffman、W. Brian Arthur、Chris Langton 等人則在不同階段塑造了研究方向。這份名單本身說明 SFI 的特殊性：粒子物理、凝態物理、經濟學、電腦科學、演化生物學、人工生命與社會科學在同一桌上工作。

這不是普通的跨系所合作，而是以制度設計迫使學科邊界變薄。SFI 早期採取小型常駐研究群、大量訪問學者與外部教員網絡的模式，不依賴龐大實驗室與固定學系。其目的不是成為另一個物理系或經濟系，而是讓不同領域帶著各自的形式工具來研究「複雜適應系統」。Pacific Standard 對 Cowan 的訃聞中指出，他在 1980 年代已憂慮知識專門化造成的碎片化，並推動對非線性複雜現象的定量研究；這正是 SFI 的制度動機。

四、關鍵人物與貢獻

五、核心概念：複雜科學的理論工具箱

1. 湧現：整體規律不是零件列表

湧現是複雜科學最常被引用、也最容易被濫用的概念。嚴格地說，湧現不應只是「整體大於部分之和」這類口號，而是指在某一組尺度上出現可辨識、可重複、可壓縮描述的模式，而這些模式不能用單一元件性質直接讀出。例如，溫度不是單一分子的性質，交通堵塞不是單一車輛的性質，市場價格不是單一交易者的性質，細胞分化不是單一基因的性質。

湧現有強弱之分。弱湧現通常指整體行為可由底層規則產生，但需要模擬或高層描述才容易理解；強湧現則涉及更有爭議的主張，即高層性質具有不可由低層規則推出的因果力量。主流複雜科學多採取較保守的弱湧現立場：底層規則仍有效，但高層模型在解釋與預測上不可或缺。

2. 非線性與回饋：小因不必有小果

在線性系統中，輸入與輸出成比例，原因可以相加，擾動可被分解處理。但複雜系統常有正回饋、負回饋、門檻效應與飽和效應。正回饋會放大小差異，導致贏者通吃、技術鎖定、泡沫或極化；負回饋會維持穩態，如體溫調節、價格調整或族群控制。兩者交錯時，系統可能在穩定、震盪、混沌與突變間轉換。

這也是為何複雜科學重視非平衡。許多系統不是先到達均衡再被分析，而是在變動、修正、學習、崩解與重組中運作。Arthur 對複雜經濟學的說明尤其清楚：標準經濟學傾向問哪些行為與整體模式相容，複雜經濟學則問代理人如何回應他們共同創造的整體模式，並因此改變下一輪模式。

3. 適應性代理人：規則會變，行為會學

複雜適應系統（Complex Adaptive Systems, CAS）的特徵是系統內部單元不只是被動粒子，而是能根據經驗、訊號、成功失敗或選擇壓力改變行為。John Holland 的遺傳演算法與分類器系統，使這種適應性可被計算模型化：規則被編碼、測試、重組、突變，表現較好的規則被保留。

Murray Gell-Mann 1994 年〈Complex Adaptive Systems〉指出，SFI 內部不同研究群對 CAS 有不同詞彙，有些人談人工生命或人工社會，有些人把自然 CAS 與電腦系統一併研究。這段話重要之處在於，它承認 CAS 不是一開始就有單一定義，而是一組共同問題和方法的交會：自然系統、人工系統、計算模型與適應過程共同進入分析。

4. 網路與多尺度：位置比平均值重要

複雜系統中的元素不是均勻混合的。誰連到誰、連結強度如何、模組如何嵌套、中心節點是否存在、路徑長度與群聚係數如何，常常決定整體動態。從神經網路、蛋白互作網路、金融負債網路、供應鏈到社群媒體，網路結構使傳染、同步、故障、擴散與集體行動具有明顯的拓撲依賴性。

多尺度則要求研究者同時處理微觀規則、介觀結構與宏觀模式。Simon 的近可分解性在此非常關鍵：如果一個複雜系統由相對穩定的子系統組成，子系統內互動強，子系統間互動較弱，研究者就能在不完全追蹤所有細節的情況下建立有效模型。這使複雜科學避免落入「所有東西都互相影響，所以無法分析」的陷阱。

5. 計算實驗：模型作為理論顯微鏡

複雜科學與電腦密不可分。代理人基模型、細胞自動機、蒙地卡羅模擬、演化演算法、網路模擬與資料驅動模型，讓研究者能在解析解不可得時進行受控實驗。Arthur 曾把計算視為一種延伸理論心智的工具：當代理人異質、互動非線性、策略會改變時，傳統紙筆均衡解可能不足，計算實驗可以追蹤假設如何生成模式。

但這也帶來方法論風險。模擬不是證據本身；模型若參數過多、結果只在狹窄設定下成立、缺乏與資料對照，就可能成為漂亮的寓言。嚴格的複雜科學必須說明：模型抽象掉什麼、保留什麼、結果對參數是否穩健、是否有可觀測預測、是否能與替代理論區分。

六、時間線：從前史到 SFI 的研究綱領

七、複雜科學與各領域的互相塑形

物理學：從平衡到非平衡，從粒子到模式

物理學為複雜科學提供了統計力學、相變、臨界現象、重整化群、非線性動力學與隨機過程等工具。自組織臨界性試圖把沙堆雪崩、地震、森林火災、演化爆發等事件的冪律分布放在同一機制下理解。這一方向的吸引力在於尋找跨系統的普適性；爭議在於許多自然冪律也可能來自其他機制，且經驗資料常難以唯一支持 SOC。

凝態物理對 SFI 影響尤其深。Anderson 與 Pines 等人的背景使 SFI 早期繼承了「多體系統產生新層級規律」的直覺。這讓複雜科學不是單純的生物或社會科學跨界，而是有物理學形式化傳統作支架。

生物學：演化、自組織與可達性

在生物學中，複雜科學挑戰的是過度單線的適應論。Kauffman 的基因調控網路與 NK 模型指出，演化搜索發生在崎嶇適應度地景中；可演化性取決於基因互作、模組性、突變鄰域與選擇壓力。生命秩序不只是自然選擇從外部雕刻出來，也可能來自網路動力學的自發結構與物理化學限制。

這並不意味自然選擇被取代。較準確的說法是：複雜科學把演化看成選擇、發育、物理限制、歷史偶然與系統可達性共同作用的過程。這一取向後來與演化發育生物學、系統生物學、合成生物學相互滲透。

經濟學：從均衡機器到演化過程

SFI 對經濟學的影響是最具代表性的跨學科案例之一。Kenneth Arrow 作為一般均衡理論大師參與 SFI，本身就形成一種張力：複雜經濟學不是簡單否定均衡，而是試圖處理均衡框架較難捕捉的現象，如報酬遞增、技術鎖定、預期形成、制度演化與金融不穩定。

W. Brian Arthur 的工作把「歷史偶然」帶回經濟理論。若技術採用具有網路外部性或學習效應，早期微小優勢可能被正回饋放大，使不一定最優的技術成為市場標準。El Farol Bar 問題則展示代理人面對其他代理人的預期時，無法依賴單一理性均衡；他們必須形成、測試與替換預測規則。這種經濟觀更接近生態系：策略在環境中演化，而環境又由策略共同構成。

電腦科學與人工生命：從分析到合成

電腦科學不只是工具，也是複雜科學的哲學來源。細胞自動機、遺傳演算法、人工生命與代理人模型共同提出一個方法論轉向：如果我們理解一個現象，是否能用簡單規則把類似現象構造出來？Langton 的人工生命研究不是把生命定義限於碳基生物，而是追問生命樣過程能否在不同媒介中出現。

這種合成式科學與傳統分析式科學互補。傳統科學問「這個現象由什麼造成」；合成式複雜科學問「哪些規則足以生成這類現象」。兩者都需要經驗約束，否則合成模型容易成為視覺上迷人但科學上鬆散的玩具。

八、定位：複雜科學是學科、方法，還是世界觀？

複雜科學至今很難被歸類為單一學科，這既是力量也是弱點。它不像物理學有相對明確的核心方程，也不像分子生物學有穩定的實驗對象；它更像一套跨學科方法與問題意識：研究多元元素如何透過局部互動產生宏觀秩序，研究系統如何在非平衡中適應與演化，研究跨尺度結構如何約束與釋放行為。

若把它看成方法，核心工具包括非線性動力學、統計力學、資訊論、網路科學、計算模擬、代理人基模型、演化演算法與資料科學。若把它看成研究對象，核心是複雜適應系統。若把它看成世界觀，則主張世界許多關鍵現象不是由中央設計或單一原因產生，而是由互動、回饋、歷史與選擇共同構造。

最穩健的定位應避免兩個極端。一端是把複雜科學神秘化，好像它能解釋所有難題；另一端是把它貶為時髦隱喻。實際上，它在某些問題上提供了非常有力的工具，例如網路傳播、金融風險、演化搜尋、城市縮放、群體行為與計算社會科學；但在另一些問題上，它仍然只是啟發式框架，尚未形成高精度預測理論。

九、爭議與局限

1. 概念過寬與邊界模糊

「複雜」可以指非線性、不可預測、多元件、適應性、計算不可約、資訊量高、結構層級多、行為難以壓縮。這些意義彼此相關但不相同。若研究者不說清楚自己使用哪一種複雜性，複雜科學就會變成涵蓋一切的標籤。Gell-Mann 曾提出有效複雜性等概念，正是試圖區分純隨機、簡單規律與有結構的中間區域。

2. 模型驗證困難

複雜系統模型常涉及多參數、異質代理人與非線性互動。這使模型可產生豐富結果，但也提高過度配適與不可辨識的風險。一個代理人模型能重現某種宏觀模式，並不等於底層假設正確；不同微觀機制可能導向相似宏觀結果。因此，模型比較、敏感度分析、外部資料驗證與可重現計算流程非常重要。

3. 隱喻外推過度

複雜科學的語言很容易跨域流動：生態、網路、演化、適應、臨界、湧現。這些語言有啟發性，但若從物理沙堆直接推到金融市場，或從生物演化直接推到企業策略，中間缺少機制對應，就會變成隱喻而非科學。跨學科的真正困難不是借詞，而是證明結構同構、機制可比、資料支持。

4. 預測與政策的距離

複雜科學常能指出線性政策思維的危險，例如干預會引發反饋、代理人會適應政策、局部最佳化會造成系統風險。但從這些洞見到具體政策仍有距離。政策需要可執行、可監測、可負責任的建議，而複雜系統常有深度不確定性。較成熟的應用通常不是承諾精準預測，而是用情境模擬、壓力測試、網路脆弱性分析與適應性治理來改善決策。

十、影響與後續發展

複雜科學的最大影響，可能不是創造一個統一方程，而是改變了許多領域的問題設定。經濟學開始更認真處理異質代理人、路徑依賴與非均衡；生物學發展系統生物學與網路生物學；社會科學吸收代理人基模型與計算社會科學；公共衛生與流行病學更重視網路接觸與行為回饋；AI 研究則在集體智慧、多代理人系統、演化搜尋與人工生命中延續複雜科學傳統。

SFI 也塑造了一種研究文化：小型、流動、跨領域、高風險、重視問題而非學科身份。這種文化不容易複製，因為它依賴高度自律的研究者、共同語言的建立與對方法嚴謹性的要求。若只有跨領域座談而沒有共同模型與驗證標準，就不會產生真正的複雜科學。

到 2020 年代，複雜科學與資料科學、機器學習、網路科學、系統風險研究有更多交集。大型社會平台、供應鏈、金融網路、氣候風險與生成式 AI 使「互動系統」的重要性上升。不過，這也帶來新挑戰：資料多不等於理解深；黑箱模型能預測局部模式，未必能解釋跨尺度因果。複雜科學若要保持價值，必須在機制模型、資料推斷與可解釋性之間建立更嚴格的橋梁。

結論：複雜科學的準確位置

複雜科學的歷史不是突然出現的革命，而是多條二十世紀科學線索在 1980 年代前後匯流：控制論與資訊論提供訊息和回饋語言，非線性動力學提供不穩定與混沌語言，統計物理提供多體與臨界語言，電腦科學提供模擬與合成工具，生物演化提供適應與選擇框架，經濟與社會科學提供異質代理人和制度問題。聖塔菲研究所的重要性，在於把這些線索變成一個可持續的跨學科研究場域。

它最有力的主張是：許多關鍵現象存在於零件與整體之間、均衡與混沌之間、隨機與規律之間、自然與人工之間。要理解它們，科學不能只問元素是什麼，也要問元素如何互動；不能只問系統的平衡態，也要問它如何形成、適應與崩解；不能只追求單一層級的解釋，也要建立跨尺度的有效理論。

它最需要警惕的危險則是：把「複雜」變成萬用詞。真正嚴格的複雜科學，必須把宏大語言落回具體機制、可檢查模型、清楚尺度、資料驗證與可被反駁的預測。只有這樣，複雜科學才不只是跨學科的風格，而是研究複雜世界的可檢驗科學。

參考來源清單