玻尔百科在为复杂系统（从细胞内部运作到全球气候）建模时，科学家们常常面临一个令人困惑的挑战：即使拥有大量数据，许多模型参数仍然顽固地不确定。这种模糊性似乎是建模过程的一个根本失败，暗示我们的模型有缺陷或数据不足。然而，一个被称为参数含糊性的迷人而强大的概念揭示了这种不确定性不是一个缺陷，而是复杂系统的一个普遍特征，它掌握着系统可预测性和鲁棒性的关键。本文探讨了参数含糊性现象，改变了我们对“好”模型的理解。
在第一部分原理与机制中，我们将深入探讨含糊性的核心。我们将探索其背后的几何直觉，想象一个带有长而平坦谷底峡谷的“参数空间”，并介绍用于严格识别和理解这种结构的数学工具，如费雪信息矩阵。接下来，应用与跨学科联系部分将跨越不同领域——从神经科学、电池工程到合成生物学——展示含糊性并非一个抽象的好奇事物，而是一个实用的原则。我们将看到它如何使得看似模糊的模型能够做出极其精确的预测，并作为自然界和技术中鲁棒设计的基本原则。
想象你是一位受委托雕刻一个完美人物复制品的艺术家。你得到了一大块大理石和一套非常精确但略显不寻常的测量工具。一个工具可以测量人的身高，精确到毫米的一小部分。另一个工具可以同样精确地测量臂展。但你没有工具来测量他们双眼之间的距离。你可以猜测，但无法确认。你仍然可以雕刻出一件杰作。雕像将具有与主体完全相同的高度和臂展。但如果你要制作另一尊雕像，眼睛之间的距离可能会略有不同，但它在所有你能测量到的方面仍然是一个完美的复制品。
这就是参数含糊性的本质。当我们为复杂系统建立数学模型时——无论是活细胞、锂离子电池还是地球气候——我们就像那位雕塑家。我们的模型有许多参数，比如化学反应速率或海洋的热容。我们的“测量工具”是我们进行的实验和收集的数据。我们一致发现一个奇怪而深刻的真理：我们的数据常常能以极高的精度确定某些参数的组合，而让其他组合几乎完全无法确定。这不是我们模型的失败；而是它们所描述的复杂世界的一个基本特征。
为了理解这个想法，让我们进入“参数空间”的抽象世界。想象一个广阔的景观，其中每一点代表我们模型的一组可能的参数。该景观在任何一点的高度代表“成本”或“误差”——即使用这些参数时，我们的模型与实验数据的拟合程度有多差。我们的目标是找到这片景观中的最低点，即最能解释现实的参数集。
我们可能会想象这个山谷的底部是一个漂亮的圆碗。如果是这样，找到唯一的最佳参数集就会很简单，就像找到茶杯的底部一样。参数值将被明确定义。但现实要有趣得多。对于复杂模型，这个山谷几乎从不是一个简单的碗。相反，它是一个长得惊人、狭窄且谷底平坦的峡谷。
这种独特的几何形状是含糊性的核心。
刚性方向：如果你试图横穿峡谷，你会立即爬上一堵陡峭的墙壁。成本函数会急剧上升。这意味着数据对参数空间中这个方向的变化极其敏感。这些被精确确定的方向被称为刚性方向。它们对应于被我们的实验紧密约束的参数组合。
含糊方向：如果你沿着峡谷底部行走，你的高度在数英里内几乎没有变化。成本函数几乎是平坦的。这意味着数据对这个方向的变化极其不敏感。这些难以确定的方向被称为含糊方向。它们代表我们的实验根本无法区分的参数组合。
结果是一个悖论：我们可以有一个完美拟合我们数据的模型（我们处于山谷的底部），但具体的参数值却是模糊的，因为存在一整条线，或一个“足够好”解的流形。
为了从这种直观的图像转向严谨的理解，科学家们使用一个强大的工具，称为费雪信息矩阵 (FIM)。你可以将 FIM 看作是一种数学显微镜，它能精确测量成本谷底最低点的曲率。
FIM 是根据模型输出对每个参数的灵敏度构建的。简单来说，灵敏度就是问：“如果我稍微调整一下参数 ，模型的预测会改变多少？” FIM 汇集了所有灵敏度的全部信息。
FIM 的真正威力来自于分析其特征值和特征向量。在我们的景观比喻中：
当一个模型的 FIM 的特征值跨越多个数量级时——例如，最大的可能比最小的大一百万或十亿倍——该模型被正式定义为“含糊的”。这种巨大的跨度是拟合问题极端峡谷状几何结构的定量标志。
区分含糊性与一个更根本、通常也更不重要的问题——结构不可辨识性——至关重要。如果一个模型的设计方式使得两个或多个参数无论实验如何都内在地纠缠在一起，那么这个模型就是结构不可辨识的。
一个经典的例子来自基因表达建模。一个基因被转录成信使RNA ()，然后被翻译成蛋白质 ()。总速率可能取决于转录速率 、翻译速率 和一个测量缩放因子 。如果我们只测量最终的蛋白质数量，我们可能会发现模型的输出永远只依赖于这三个参数的乘积：。 无论我们多精确地测量蛋白质，我们都永远无法解开 、 和 的单个值。这是一个结构性缺陷。相应的 FIM 将有一个恰好为零的特征值。
另一方面，含糊性处理的是实践不可辨识性。这些参数原则上是可区分的。然而，我们执行的特定实验使它们几乎无法区分。例如，如果我们试图仅通过以恒定电流缓慢放电来确定电池的内部化学性质，快速化学反应和缓慢物质扩散对电压的影响可能看起来非常相似。这在控制这些过程的参数之间产生了强烈的相关性，从而导致一个含糊方向。一个不同的实验，如电化学阻抗谱 (EIS)，它在许多不同频率下探测电池，可以打破这种相关性，使含糊方向变得更加刚性。 同样，一个简单的气候模型如果只用温度缓慢变化的数据进行校准，可能难以区分热容 () 和气候反馈 () 的影响，因为在这两种条件下，两个参数主要以相似的方式影响系统。[@problem_-id:3904594]
如果一个含糊模型的参数如此不确定，那么这个模型对预测是否无用？远非如此！这正是含糊性的真正美妙和实用之处所在。原因是许多（如果不是大多数）重要的预测自然地对模型的含糊方向不敏感。
回想一下那位雕塑家。眼睛之间距离的不确定性（含糊方向）对于预测雕像是否能通过一扇7英尺高的门（一个只依赖于精确测量的高度，即刚性方向的预测）没有任何影响。
在数学上，任何预测的不确定性取决于两件事：参数的不确定性，以及预测对这些参数的敏感程度。 一个预测 的方差可以表示为：
这里， 是预测的灵敏度梯度（当参数变化时，预测朝哪个方向变化？），而 是参数协方差矩阵，它包含了来自含糊方向的巨大不确定性。
之所以能够做出精确的预测，是因为一个几何上的奇迹：对于许多重要的系统行为，预测的灵敏度向量 几乎完全正交于 FIM 的含糊方向。它指向峡谷的对面，而不是沿着峡谷。因此，尽管含糊方向上的参数不确定性巨大，它被“投影掉”了，不会对预测的方差产生贡献。 这就是为什么我们常常可以高置信度地预测复杂的涌现行为，比如基因回路转换状态的点（一个分岔点），即使产生该行为的单个生化速率知之甚少。
这个概念如此强大，以至于现在被认为是鲁棒系统的一个基本设计原则，无论是自然的还是人造的。生物系统必须在内部组件不断波动的情况下可靠地执行其功能。一个细胞的行为不能对其成千上万种蛋白质中每一种的确切浓度都高度敏感。
含糊性为此种鲁棒性提供了一个优美的机制。系统的集体、基本功能——其“表型”——由少数几个刚性的底层参数组合所控制。绝大多数参数组合是含糊的，允许单个组件因基因突变或环境噪声而变化和漂移，而不会导致灾难性失败。 这不仅赋予了鲁棒性，还使系统具有可演化性。大自然可以在不破坏机器的情况下沿着含糊方向“修补”，从而探索新的能力。
最终，参数含糊性改变了我们对建模的看法。它告诉我们，目标并非总是要知道每个参数精确到小数点后五位。相反，目标是理解大自然本身已经建立的重要性层次——区分那些支配行为的少数基本组合和那些无关紧要的众多细节。在这个层次结构中，我们发现的不是缺陷，而是一个深刻而优雅的鲁棒性、预测和设计原则。
既然我们已经掌握了参数含糊性的原理，你可能会倾向于将其视为数学建模中一个奇特的麻烦，一个阻止我们确定参数“真实”值的令人沮丧的缺陷。但这样做就完全错失了重点。含糊性不是缺陷，而是我们试图描述的复杂世界的一个深刻而普遍的特征。它是一种普遍模式，理解它为我们提供了一个强大的视角，不仅可以审视我们的模型，还可以审视科学探究和工程设计的本质。让我们在几个不同的科学领域中进行一次旅行，看看这一个思想如何为它们带来美妙的统一。
如果我告诉你，对系统细节的极度无知可能是做出极其准确预测的关键，你会怎么想？这听起来像是无稽之谈，但却是含糊性的核心教训之一。
考虑一个海洋中化学示踪剂的简单模型。示踪剂由河流供给，并通过两个过程被移除：沉积物掩埋和与深海的交换。该模型有两个移除参数，一个是掩埋的速率常数 ，另一个是海洋交换的速率 。经过一些数学整理，一个称为无量纲化的过程，揭示了惊人的事实。系统的整个行为——它如何接近稳态——仅取决于这两个速率的和，。这意味着，仅通过观察示踪剂浓度，我们根本无法区分一个高掩埋率、低海洋交换率的系统和一个低掩埋率、高海洋交换率的系统，只要它们的和是相同的。这是含糊性的一个完美、简单的写照：数据只能约束参数的特定组合，而让单个值自由滑动。
这似乎是一种失败。但现在，让我们换个角度看问题。如果我们想预测未来某个时间的示踪剂浓度，我们需要单独知道 和 吗？完全不需要！由于行为只取决于它们的和 ，并且我们的数据允许我们很好地确定 ，因此我们可以做出极佳的预测。模型在其参数上是“含糊的”，但在其预测上是“刚性的”——或者说是鲁棒的。
这不仅仅是简单盒子模型的特征。在一个模拟帕金森病震颤的脑活动复杂模型中，代表突触连接强度的参数可能极其含糊。模型的输出——病理性β波段脑电波的频率和功率——在你增加一个脑区连接强度而减少另一个脑区连接强度，或反之亦然时，几乎是相同的。模型对这种协调的变化不敏感。然而，正是这个模型可以对可观测的脑电波做出清晰、准确的预测。从某种意义上说，数学足够聪明，知道不确定性存在于对预测不重要的方向上。
我们预测中的不确定性甚至不是静态的。在一个化学反应模型中，我们预测置信区间的宽度——我们预测的“模糊性”——会随着时间的推移而膨胀和收缩。它恰好在系统状态对某个含糊参数组合变得敏感时膨胀，而在不敏感时收缩。我们对含糊性的了解使我们不仅能预测未来，还能预测我们对未来应有的信心。
所以，含糊模型可以做出好的预测。但如果我们不满足于仅仅预测呢？如果我们是真正想知道单个参数值的科学家呢？是不是所有希望都破灭了？
远非如此。认识到含糊性是治愈它的第一步。它像一个指南，准确地告诉我们当前的实验无法看到什么。这为设计新的、更好的实验指明了方向。想象一下，我们正在研究细胞中 mRNA 的产生和降解。我们最初的实验，仅仅是观察分子数量随时间的变化，可能会让产生速率 和降解速率 纠缠不清。费雪信息矩阵——一个量化实验提供多少信息的数学工具——将会有一个对应于这个含糊方向的微小特征值。但现在我们可以变得聪明。我们可以设计一个实验，以一种新的方式特地扰动系统，比如突然改变降解速率。这个新实验恰好在之前黑暗的方向上提供了信息，使我们能够解开参数的纠缠，并同时测量它们。
这个原则是普适的。在一个锂离子电池模型中，锂在电极颗粒内部的扩散系数 和颗粒半径 常常形成一个含糊对。电池的电压主要对总的扩散时间敏感，其尺度大约为 。一个简单的充放电实验无法区分它们。我们对含糊性的理解告诉我们，我们需要一个更动态的实验，一个在不同频率下探测电池的实验，来打破这种简并性。即使在混沌化学反应器的令人困惑的世界里，轨迹对初始条件极其敏感，含糊性也会出现。试图通过匹配单个混沌时间序列来拟合参数通常是徒劳的。但含糊性分析告诉我们该怎么做：不要匹配敏感的轨迹，我们应该设计拟合来匹配混沌本身稳健、不变的属性，比如其吸引子的形状或其特征李雅普诺夫指数。
如果我们无法进行新的实验怎么办？含糊性仍然可以指导我们建立更诚实、更可靠的模型。在水文模型的数据同化中，我们将遥感数据与土壤湿度模型融合，某些物理参数可能是含糊的。在这里，我们可以使用贝叶斯方法来引入先验的物理知识。我们添加温和的数学约束，告诉模型：“我知道数据对此保持沉默，但我也知道径流系数不能为负。”这种正则化驯服了沿含糊方向的巨大不确定性。这是一种有原则地利用我们现有资源的方式。此外，在比较几种竞争性的生物过程模型时，比如免疫系统中的T细胞激活，我们不应该仅仅选择拟合最好的那一个。一个更好的标准是同时惩罚那些不鲁棒的模型——即那些预测对其含糊参数高度敏感的模型。一个好的模型不仅要准确，还要稳定。
到目前为止，我们一直将含糊性视为一个需要克服或管理的挑战。但最深刻的见解来自于我们完全颠覆视角的时候。如果含糊性不是一个问题，而是一个优秀工程设计的原则呢？
想象你是一位正在构建基因回路的合成生物学家。你有两个模块：一个产生蛋白质，第二个使用该蛋白质来开启一个荧光报告基因。你希望最终的荧光是可预测和可靠的。你进行了一次灵敏度分析，发现只要蛋白质浓度足够高以饱和第二个模块，输出就几乎完全不受第一个模块中蛋白质降解率的影响。换句话说，降解率是一个含糊参数。
这是个问题吗？恰恰相反，这是一份礼物！这意味着你可以用各种各样廉价、不精确的生物部件来构建你的第一个模块。只要它们产生足够的蛋白质，确切的细节就不重要了。系统对该参数的变化具有内在的鲁棒性。含糊性成为模块化和鲁棒性设计的原则。通过了解你设计中哪些部分是含糊的，你就知道在哪里可以走捷径，使用不那么完美的组件，并构建一个对现实世界不可避免的噪声和变化具有弹性的系统。
我们进行了一次简短的巡览，发现了什么？我们看到了同样的模式——一个灵敏度的层次结构，有少数刚性方向和许多含糊方向——出现在地球化学、神经科学、病毒感染、电池工程 和合成生物学 的模型中。这绝非偶然。
这是关于复杂系统组织方式的一个深刻而美妙的陈述。无论是人类工程师设计的，还是经过数十亿年进化雕琢的，那些必须在混乱世界中可靠运行的系统通常都是这样构建的。它们有几个关键的控制旋钮——即刚性参数组合——决定了它们的核心行为。它们还有许多其他的旋钮——即含糊组合——允许微调、产生对扰动的弹性，或者仅仅是系统历史的遗迹。
对含糊性的研究揭示了科学之间隐藏的统一性。它向我们展示，在令人眼花缭乱的现象多样性之下，存在着一种共同的架构。它教导我们，要理解一个复杂系统，我们不仅要问它的组成部分是什么，还要问这些部分的哪些组合才真正重要。在这一点上，它为我们提供了一种更深刻、更鲁棒、最终也更美妙的看待世界的方式。