科学理解中的幻觉

# 理解幻象：科学中的认知陷阱 来源：https://link.springer.com/article/10.1007/s42113-026-00271-1?error=cookies_not_supported&code=28f8afa8-f0c9-45bc-967d-49ba9c7698eb ### 前言 人类试图通过从能动性与干预感中推断出的原因来理解宇宙：我们推门，门就开了。在最简单的情况下，干预的结果是可以预测的。科学中形成这种理解的第一步是对规律性的观察，这些关系通常以相关性来表达，有时被称为"定律"。从这些观察出发，科学家通过归纳过程形成解释(脚注1)。他们用理论来表达对数据原因的理解。这些理论有时以提出机制的语言假设形式呈现，有时则以数学模型或计算机模拟模型的形式呈现，后者能提高解释的精确性并允许定量预测。随着科学的发展，理论变得更加有力、更加有效，通常是通过解释现象的一个狭窄子领域来实现，而更罕见但重要的是，通过概括和解释更广泛的结果来实现。 理解有时是隐性的，有时是视觉性的，但大多数情况下用语言表达，无论是书面还是口头解释，因此继承了意义的模糊性。这种意义的模糊性同样适用于本文中的术语，如"理解"、"解释"、"因果性"、"演绎"和"归纳"。这些是人类的概念建构，不同的读者会有不同的理解和使用。因此它们抗拒精确定义，而试图强加这种定义会限制不同读者所达成的理解和解释。因此，我们的用法有意模糊，容纳不同的内涵和含义，并与日常用法相匹配。大致来说，理解指个人对某种现象原因的解释；解释指个人向他人传达其理解的方式；因果性指被认为对产生某种现象最重要的机制；演绎指基于公认的前提，使用公认的逻辑和数学规则得出结论（尽管当规则和前提存在分歧时，会产生不同的演绎结果）；归纳指基于对数据、过往结果和理论以及进行归纳者所知的一切的分析，形成当前对某些现象的最佳因果解释。语言歧义在科学实践中普遍存在，这一点从研究者与理论家之间频繁出现的激烈辩论中可见一斑，这些辩论往往源于对所用语言的不同解读。 当理解令人满意时，即便科学家明知解释是不完整的，也可能产生特别强烈的幻象。一些科学家可能会因为一个看似合理且令人满意的解释而不再深入探究。如果这个不完整的理论有用，不去深究是自然的（C.S.皮尔斯，1992/1898），并且可能是由于意识到所有模型都不完整而驱动的。乔治·博克斯在1976年的出版物中概括了科学史上的长期观点：所有模型都是错的，但有些是有用的（Box，1976）。不完整和部分的因果解释确实有用：它们带来了许多科学进步，使现代社会受益。然而，这些不完整的解释也可能具有欺骗性、误导性和/或错误性，并产生代价，比如减缓科学进步，甚至造成伤害——例如，糟糕的科学和错误的解释导致得出疫苗导致自闭症的谬误结论（Madsen等，2002）。 对于科学家感兴趣的几乎所有现象，几乎都可以轻易找到多个层次的解释，这些不同层次可能出于某些目的有用，而对其他目的有害。因此，我们可能相信人类通过燃烧化石燃料导致气候变化，这是一个对极其复杂过程的非常肤浅的解释，但如果它导致开发其他形式的能源生产，那就是有用的。相反，考虑到复杂性可能会被用来完全否定人类能动性的可能性，事实上也确曾如此。再举个例子，一位科学家可能相信并发表研究，声称遗忘是因为人类抑制和压抑不想要的记忆。这无疑是一个肤浅的解释（可能是错误的：Jonker等，2013；Deferme, Otgaar, Dodier, Körner, Mangiulli, Merckelbach, Sauerland, Panzavolta & Loftus, 2024；Raaijmakers & Jakab, 2013），但这种信念可能会引导出有用的实证研究。相反，如果这个解释不正确，则可能有害，可能导致对被假定已忘记童年创伤事件（而这些事件并未发生过）的成年人进行临床治疗（Loftus, 1993; Loftus & Ketchum, 1994; Loftus, 1996）。 用数学方程或计算机模拟表述的理论增加了理论的精确性，通常容易被证伪，并且在预测良好时很有用。另一方面，准确的预测并不能保证即使是模型的创建者也理解模型的工作原理。这种理解失败的例子在科学史上比比皆是。一个涉及伟大科学家的早期例子由斯蒂格勒（2006）描述：在17世纪90年代，艾萨克·牛顿被要求评估三个骰子结果中哪一个最可能。他正确进行了所需计算并给出了正确答案。然而，在提供口头解释为什么答案正确时，他错过了真正的解释。他的解释如果应用于原问题的细微变体，将会产生错误答案。因此，准确预测可能会误导科学家，因为它给人留下模型解释良好的印象。这一点对于预测良好的数学化理论（如量子场论）和一些通常预测良好的模拟模型（如ChatGPT）尤其如此，这些模型极其复杂，几乎每个人都难以理解。 理解幻象可以有几种（重叠的）形式。一些常见的包括：(1) 解释深度的幻象（我们以为自己理解事物的细节比实际更多）。(2) 解释完整性的幻象（即使我们自己不认为自己完全理解，也认为最优秀的专家理解）。(3) 由于理解了目标之外的其他事物而产生的幻象（例如，我们以为自己理解记忆的形成，因为理解了需要用于这种学习的大脑部位——海马体——的解剖结构）。(4) 由于简单陈述给人以洞察感而产生的幻象（例如当同义反复的陈述因以还原论的方式框架而显得有洞察力时）。(5) 如前所述，由于存在能良好预测的模型或程序而产生的理解现象原因的幻象。(6) 因果强度的幻象（关注一个观察到的关系使人认为因果联系比实际更强）。(7) 幻象，即人们可以简单地描述原因。(8) 解释者对接收者理解了自己意图的幻象。(9) 解释接收者认为解释者理解得很好且解释正确完整的幻象。 在一个无限复杂或近乎无限复杂的宇宙中，这些幻象是不可避免的。因此，我们所有的理论（我们的因果解释）都是近似。2021年诺贝尔物理学奖得主乔治·帕里西说："科学的真理是暂定的，但不是相对的。科学真理总是'对真理的近似'。"许多物理学家感到欣慰的是，150年的实验和理论发展产生了量子场论，这个理论极其出色地预测了基本粒子及其相互作用的观测结果。其他物理学家则问为什么这个理论有效，为什么许多常数有它们特定的值，为什么过程以它们的方式相互作用，为什么一些过程具有对称性而另一些没有。如果现实对所有实际目的来说都是无限复杂的，那么所有理论和理解都是不完整的。因此，不仅新手，甚至顶尖科学家也不得不使用各种层次的局部理解和解释。 即使是关于某些观察到的事件的看似简单的问题，也可能导致无休止且越来越深的问题链。"为什么我们能看穿玻璃而不能看穿其他东西？" "镜子如何反射光？"（即使是物理学家，在当前最深刻的理解水平上回答这些问题也会很吃力）。儿童提出的问题经常如此，比如第一作者五岁孙女问她母亲的一个问题："我知道我是怎么出生的，也知道你是怎么出生的……但是第一个人是怎么出生的？" 如何开始给出一个深刻的答案和解释？是否要从"大爆炸"开始？很可能每个问题本质上都如此复杂："水是什么？"有一个肤浅的答案，就像定义一样："由两个氢原子和一个氧原子组成的分子。"但问什么是分子，什么是原子，以及什么原因导致水分子形成固体、液体或气体，就会引出一系列无穷无尽的其他解释。 历史表明，总有更好更深刻的理论即将出现。研究相同问题的科学家常常产生不同类型的解释，并且并不总是清楚哪个层次"更深刻"。考虑四位科学家寻求解释帝王蝶如何跨越数千英里导航到同一个精确位置，同时要历经四代才能完成全程旅行。科学家1想要从功能上理解，解释为什么由于寿命限制和生物能量学的结合，多代是必要的；科学家2寻求解释什么样的导航线索能提供如此精确性；科学家3寻求理解位置信息如何跨代传递；科学家4想要理解导航信号的分子基础。每一个都提供了不完整的解释，留下了空白和扭曲的可能性。这四个例子远远没有穷尽可能性。在这种情况下，以及许多其他情况下，如何将不同类型的解释融合在一起并不明显。 我们认为，各种程度的理解和解释在科学实践的每一个方面和每一种理论构建中都扮演着关键角色，不同层次的理解存在于所有人和所有科学家身上，甚至模型的创建者也会在这些方面有所不同。例如，考虑为飞机机翼设计建立数学模型的科学家。这些模型效果很好，但即使是开发这些模型的科学家也承认他们并不足够理解这些模型来加以解释（Regis, 2020）。另一个例子是自行车稳定性；在这种情况下，数学并没有那么清晰地被摆出来，因为自行车设计在很大程度上是通过试错进行的，但骑车人和设计师都难以深入解释其中的原理（Borell, 2016）。在这些例子中，科学家知道并承认自己无法解释。这些科学家是否相信自己完全理解就不那么清楚了。例如，一些回应Regis文章的专家说科学家确实理解飞机机翼设计，并指出了（相当古老的）流体力学领域和纳维-斯托克斯方程。纳维-斯托克斯方程看似简单的偏微分方程组，但在试图整合任何现实世界湍流案例中固有跨尺度能量传递时，迅速变得极其复杂（Zhou, 2021; Eyink, 2024）。这些方程的存在很难证明深刻的理解。我们注意到，飞机制造商和船体设计师不愿意仅仅依赖这些方程；他们在采用设计之前会在风洞和水池中测试设计。 许多不同层次的理解和解释在科学中是必要且有用的，部分原因是它们用于不同的目的：做好科学研究、合作进行科学研究、成功发表、向不同距离领域的其他科学家传播科学、在不同教育层次上教学、教育公众、说服他人相信自己理解的有效性、产生对自己或社会有用的应用，或许仅仅是为了给解释的生成者或接收者一种解释令人满意的感觉。 部分理解可以采取几种形式。有时可以揭示有序关系但无法用当前理论解释，一个良好的因果解释尚待出现（"暗物质"和"暗能量"可能属于旨在预测但许多人觉得不满意的解释尝试类别）。在其他情况下，一个因果解释在大多数遇到的情况下效果极好（让人相信自己有正确的因果解释），但后续观察揭示了需要更精细化模型。一个众所周知的例子是艾萨克·牛顿17世纪80年代对引力的解释，等待了200多年后才由爱因斯坦进行精炼。一个真正深刻的理解（也许基于量子引力）至今仍在探索之中。 似乎这些问题只适用于复杂情况，如气候变化、癌症或认知与行动的神经基础，或者只适用于量子场论或大型语言模型等模型。我们不同意这种看法，并将在本文的下一节详细讨论一个简单关系——大多数科学家都知道、使用并相信他们理解的简单模型：线性回归——来证明理解困难、理解幻象以及解释自己理解困难的普遍性。这个例子被详细描述，因为许多读者可能会对其各种复杂性感到惊讶，而且根据我们的经验，即使是研究方法论和统计学方面很老练的研究人员，也相信他们比实际情况更好地理解了这些问题。 ### "简单"的线性回归 数据