玻尔百科科学模型是我们探索自然世界复杂性的必备地图，从人体到宇宙皆是如此。然而，并非所有地图都为同一目的而绘制。一种根本性的分歧存在于两类模型之间：一类力求解释系统的底层机制，另一类旨在描述其可观测行为。这种区别触及了一个科学核心问题：真正理解一种现象意味着什么？本文通过对比两大思想流派——机理模型和唯象模型，来探讨这一关键课题。在接下来的章节中，我们将首先剖析定义每种方法的原则和机制，揭示因果解释与预测性描述之间的权衡。随后，我们将探索唯象模型的广泛应用和跨学科联系，展示其在从基础物理到现代数据驱动科学等领域的力量，以及其在新兴的混合模型前沿中的作用。
在我们理解世界的探索中，无论是星系的舞蹈还是活细胞的内部运作，我们都会构建模型。模型是现实的简化表征，是一张帮助我们驾驭复杂性的地图。但正如地图有不同种类——通勤者用的地铁图，徒步者用的地形图——构建科学模型也存在根本不同的哲学。它们之间的区别并非纯粹的学术问题；它触及了“理解”某事物的核心意义，并有力地决定了我们能用知识做什么。在这一努力中，两大思想流派为我们带来了机理模型和唯象模型。
想象一下，你需要为人体内复杂的葡萄糖和胰岛素调节系统建模。一条路径，即机理路径，是一场“自下而上”的旅程。这是一个科学实在论者的方法，他相信我们的模型应努力表征宇宙真实、潜在的运作机制。你将从基本原理入手——那些我们认为是普适且不变的定律。其中最主要的是质量守恒：血液中的葡萄糖含量必须根据流入、流出以及被组织消耗的量来改变。
然后，你将绘制一幅身体的地图，不是抽象的图表，而是由真实的解剖学隔室组成的网络：血液、肝脏、肌肉、脂肪组织。每个隔室都有物理体积（），血液以生理速率（）在它们之间流动。你的模型将是一个方程组，很可能是微分方程，其中每一项和每个参数都有直接的物理解释。一个参数可能代表肾脏对胰岛素的清除率（单位为升/小时），或者肌肉细胞吸收葡萄糖的最大速率。这就是生理药代动力学（PBPK）模型的世界，其中模型的结构是身体解剖学和生理学的微缩数学复制品。这种模型的优美之处在于其因果结构；因为它编码了“如何”发生，所以我们能自信地提出“如果……会怎样？”的问题，即反事实。如果我们给予新的药物剂量会发生什么？如果病人的肝功能受损会怎样？我们可以模拟这些干预，因为我们假设模型的定律在新的条件下仍然成立。
第二条路径，即唯象路径，是一场“自上而下”的旅程。这是一个工具主义者的方法，他主要将模型视为描述观测和进行预测的工具，而不必执着于其内部运作的“真实性”。面对葡萄糖-胰岛素系统，唯象建模者会从数据开始。他们会查看输入（如进餐）和输出（如血糖水平）的测量值，并寻找一个能够优雅描述它们之间关系的数学函数。
这个函数可以是一个多项式、一条逻辑斯谛曲线，或是一个复杂的机器学习算法，如神经网络。目标是找到一个能尽可能紧密地拟合观测数据的函数。模型的参数并不与生理量挂钩；它们只是为了最小化预测误差而调整的可调旋钮。一个典型的例子是通过对患者数据进行逻辑斯谛回归得出的败血症风险评分：分配给不同变量（如心率或白细胞计数）的权重是为了最大化分类准确性，而不是因为它们代表了病原体-宿主相互作用的特定速率。这些模型是描述的大师。它们提供了“发生了什么”的紧凑总结。
因此，我们有两种哲学：机理建模者试图构建机器的真实表征，而唯象建模者试图为它构建最好的用户手册。
现在，这种区别可能看起来很清晰，但科学中最有趣的思想往往存在于灰色地带。让我们思考一下生物学中所有方程中最著名和最有用的一个：希尔方程。它描述了蛋白质与配体的分数饱和度 如何响应配体浓度 的变化。想象一下血红蛋白在肺部吸收氧气。在低氧水平下，血红蛋白不愿结合氧气，但随着浓度增加，其亲和力急剧上升，最终达到饱和。这就产生了一条特有的“S”形或乙状曲线。
1910年，Archibald Hill 提出了一个优美简洁的方程来描述这一现象： 在这里， 是产生半饱和时的配体浓度，而 是“希尔系数”，它描述了曲线的陡峭程度。如果 ，我们得到一个简单的结合曲线。如果 ，我们得到表明正协同性的乙状形状——一个配体的结合使得下一个配体更容易结合。
这看起来非常机理化！它似乎是从一个化学反应推导出来的：，一个蛋白质 一次性与 个配体 结合。但症结就在这里，这是自然与数学的微妙把戏。作为一个基元步骤的机理模型，这在物理上是荒谬的。对于一个有四个结合位点的蛋白质，四个独立的配体分子怎么可能在同一个协调的步骤中找到并结合到蛋白质上？当实验拟合揭示出非整数的希尔系数，比如 时，这又意味着什么呢？你不可能有2.8个分子参与一个反应！
这就是深刻的洞见：希尔方程不是一个分子步骤的机理模型。它是一个唯象模型。它是一个绝妙的数学曲线拟合，恰好完美地捕捉了一个复杂系统的涌现行为。它的力量不来自于其字面上的真实性，而在于其作为紧凑描述的实用性。参数 不是结合位点的简单计数；它是一个系统层面的超敏性度量。 的值可以源于真正的协同结合，但它也可能是完全不同机制的结果，例如具有“零级超敏性”的信号级联，或将信号分子聚集在一起的支架蛋白的作用。不同的机制可以产生相同的现象，而希尔方程优雅地总结了这一现象，而无需承诺底层的机制。同样，参数 （或 ）不是真正的分子解离常数（），而是一个考虑了整个系统响应（包括任何下游放大效应）的有效浓度。
机理模型和唯象模型之间的界线与其说是一条清晰的鸿沟，不如说是一个谱系。在一端，是纯粹的描述性模型——比如显示趋势的图表或信号通路的示意图——它们仅仅总结观察结果。在另一端，是像 PBPK 这样深度机理化的模型。在两者之间，存在着我们许多最有用的模型，它们融合了两者的元素。
一个绝佳的例子来自微生物学领域。一个真正机理化的细菌在一批营养物中生长的模型，将包含描述限制性底物 （如葡萄糖）吸收和代谢的方程。莫诺模型将比生长速率 描述为底物浓度的函数： 这本身就是对酶促饱和动力学的一种半机理化描述。当我们将此与细菌（）和底物（）的质量守恒相结合时，我们得到了一个双方程的机理模型。
现在是见证奇迹的时刻。如果我们做一个简化的假设——底物浓度与饱和常数相比总是非常低（）——复杂的莫诺模型就会坍缩。通过几行代数运算，可以证明它精确地转变成了著名的逻辑斯谛方程： 这是一个纯粹的唯象模型！参数 （内禀增长率）和 （环境承载力）描述了总体的种群行为，而没有明确提及底物。这个推导揭示了，一个唯象模型可以是一个更详细的机理模型的极限情况、一个有效的近似。它们不是敌人，而是亲戚。唯象模型在特定范围内提供了简洁性并捕捉了基本动态，而机理模型则提供了更深刻、更广泛适用的解释。
我们为什么如此关心这种区别？答案是预测——特别是在新情况下的预测，即外推。想象一下，你开发了一个模型，可以预测病人对每日一次给药的反应。现在你想预测如果每周给药三次会发生什么。这是一个生死攸关的问题，也正是这些哲学理念发生碰撞的地方。
一个在每日一次数据上训练的唯象模型，学到的是一种统计相关性。它没有关于药物半衰期、其如何代谢，或受体更新需要多长时间的信息。当输入分布发生如此剧烈的变化时，无法保证学到的相关性仍然成立。模型在其诞生的环境之外是脆弱的。
另一方面，一个设定良好的机理模型建立在我们认为是普适原理的基础上。药物的清除率不会因为我们改变给药方案而改变。受体结合的质量作用定律不会突然失效。因为模型编码了因果机制，我们可以简单地改变输入——给药方案——然后让方程组预测新的结果。它的优势在于其对新情况的可移植性 [@problem-id:3876602]。
但是——这是一个至关重要的“但是”——这种力量伴随着沉重的代价：机理模型必须是正确的。一个机理模型的好坏取决于它所包含的机制。让我们考虑一个发人深省的反例。某些细胞因子在低剂量时可以刺激T细胞生长，但在高剂量时会引发细胞死亡（凋亡），导致钟形响应曲线。如果你只基于激活部分建立一个“机理”模型，并在低剂量数据上进行训练，它将预测响应会不断增高。它将完全错过高剂量时的危险下降。而一个灵活的唯象模型，仅仅因为它具有可以先上升后下降的形状而被选中，实际上可能在这种分布外场景中做出更好、更安全的预测。
“机理”这个标签并不是真理的保证。它是一种意图的声明，一种关于模型结构的断言。如果该结构设定不当——如果它遗漏了谜题的关键部分——它的预测可能是危险地错误的。物理学家 John von Neumann 常被引用的名言是：“用四个参数我可以拟合一头大象，用五个我可以让它摇动鼻子。”一个唯象模型总能被调整来拟合数据。而一个机理模型会约束你。它迫使你与已知定律保持一致。当你是对的时候，这种约束是它最大的优点；当你错了的时候，则是它最大的弱点。
最终，科学事业需要这两种方法。唯象模型提供了对数据的有力总结，识别模式，并提供可以指导更深层次理论发展的预测。机理模型则编码了我们对世界最好的因果理解，代表了科学解释的顶峰。它们是科学建模的阴阳两面，是无尽而美妙的发现之旅中的伙伴。
我们如何搭建通往未知的桥梁？当我们面对一个复杂的系统——无论是活细胞、地球气候，还是原子核——我们很少，甚至从不，一开始就拥有完整而完美的理解。我们的第一步不是解释，而是描述。我们观察、测量，并寻找模式。我们试图创造一张地图，虽然它不是领土本身，但能忠实地再现其关键特征。这种定量描述的艺术，即创造现实的数学速写，就是唯象模型的世界。它是一种哲学和工具，不局限于科学的某个尘封角落，而是一条贯穿几乎所有探究领域的充满活力的重要线索。
在探讨了这些模型的原理之后，我们现在可以通过观察它们的实际应用来领略其力量和多功能性。我们将穿越不同的科学领域，发现这同一个理念——对现象本身进行建模——如何带来清晰的认识、推动进步，并不断在面对新挑战时被重新创造。
想象一下试图理解一种新药的效果。一个药物分子进入体内，与一个复杂的蛋白质网络相互作用，每个蛋白质都是一台微小而精密的机器。其结果是一种生物效应。一个纯粹的机理模型会试图解释那台机器中的每一个齿轮和杠杆——分子的结合与解离，蛋白质形状的微妙变化，以及随之而来的信号级联。这是一项艰巨的任务。
但如果我们的主要目标更实际呢？我们想知道需要多少药物才能产生某种效果。在这里，我们可以像一位速写大师一样行事。我们观察现象：随着我们增加药物浓度，效果增强，但随后趋于平缓，即饱和。这条乙状曲线是该现象的“面貌”。一个唯象模型，如著名的希尔方程，提供了一种极其简单的方式来勾勒这张面貌。它不是对深层机制建模，而是用几个关键参数来捕捉整体形状：最大效应（）、产生半最大效应所需的浓度（），以及一个“陡峭度”参数（）。
这种方法非常强大。借助这个简单的速写，药理学家可以定量比较不同药物的效价和功效，生物化学家可以表征像磷酸果糖激酶-1这样的酶的协同行为，医生可以设计给药方案。该模型没有详细解释机器如何工作，但它完美地描述了它做什么。在完全了解机理故事之前很久，它就提供了一种通用语言和预测工具。
你可能认为这种描述性模型只是一个起点，一旦有了“真正”的理论就会被抛弃。但在许多基础物理学领域，第一性原理与可计算的预测之间的鸿沟是巨大的。在这里，唯象模型充当了不可或缺的桥梁。
思考一下原子核。我们有关于质子和中子如何相互作用的基本理论，但用它来计算一个质子将如何从一个有几十个粒子的大原子核上散射出去，是一个复杂度惊人的问题。核物理学家没有从头开始解决这个几乎不可能的多体问题，而是采用了一种绝妙的唯象方法。他们提出了一个入射质子“感受到”的简单有效势，其形状被称为伍兹-撒克逊势。这个势有一个简单的形式，其深度和宽度有可调参数。然后通过拟合实验散射数据来调整这些参数。这个模型不是从第一性原理推导势；它假设一个合理的形状，让实验来填充细节。
同样的理念出现在我们数字世界的核心：半导体。当半导体为了制造晶体管而被重度掺杂杂质时，无数电子和离子之间的相互作用变成了一个棘手的多体问题。这些相互作用导致材料的基本带隙收缩，这对器件性能至关重要。虽然简化的理论可以预测总体趋势，但它们无法提供现代工程所需的精度。取而代之的是，器件物理学家依赖于精心构建的唯象模型——经验公式，有时带有对数或多项式项，精确描述带隙如何随掺杂浓度变化。这些模型是理论与现实之间的一份契约，提供了设计驱动我们文明的芯片所必需的预测能力。
在这些领域，唯象学不是无知的标志，而是深刻智慧的体现。它认识到，即使一个系统的微观基础过于复杂而无法计算，我们仍然可以通过对其有效、涌现的行为建模来取得巨大进展。
在现代科学中，我们常常面临相反的问题：不是知识的缺乏，而是数据的泛滥。考虑一下功能性磁共振成像（fMRI），它通过追踪血氧变化来测量大脑活动。神经放电与测量信号之间的联系涉及一个复杂的生理级联——血流、血容量和氧气提取的变化，由所谓的球囊-风兜模型控制。
试图将这个完整的机理模型拟合到嘈杂的fMRI数据上通常是徒劳的；参数太多且不确定。为了实现一个务实的目标，即简单地问“在这个任务中大脑的哪个部分是活跃的？”，神经科学家几乎普遍转向唯象模型。他们假设大脑对短暂刺激的反应具有一种固定的形状，即血流动力学响应函数（HRF）。这个函数是对血氧信号上升和下降的简单唯象描述。分析于是变成了在数据中寻找这种形状的过程。这种被称为通用线性模型的方法是现代认知神经科学的主力。它明智地用统计鲁棒性换取了机理的完整性，并允许研究人员驾驭脑扫描仪产生的庞大数据集。
也许模型构建中最激动人心的演进是机理模型和唯象模型之间旧墙的消解。未来似乎是混合的。科学家们现在巧妙地将这两种方法编织在一起，创造出既有物理定律的结构完整性，又有数据驱动方法的自适应灵活性的模型。
我们在环境科学中可以清楚地看到这一点。基于物理和化学定律的机理模型可以预测污染物在大气中的输送或流域中的水流。然而，这些模型通常有盲点。它们无法完美预测新政策或土地利用变化的影响，因为它们依赖于本身难以确定的参数。此外，它们的分辨率对于实地决策来说通常过于粗糙。在这里，混合方法大放异彩。我们可以使用机理模型提供一个物理上一致的大尺度预测。然后，我们可以使用数据驱动的唯象模型（如机器学习算法）来学习粗糙模型所遗漏的局部关系，纠正其偏差并将其预测降尺度到人类尺度。
这种协同作用在系统肿瘤学和物理知识驱动的人工智能等前沿领域达到了顶峰。一个以微分方程组形式编写的机理模型，可以描述肿瘤的生长及其对药物的反应。但是我们应该为这个特定病人使用哪些参数呢？答案可能隐藏在他们的个人医疗数据中——他们的基因图谱，他们的医学影像。一个复杂的唯象模型，一个神经网络，可以被训练来学习从病人的数据到他们疾病独特参数的映射。
这个思想的终极表达是物理知识驱动的神经网络（PINN）。在这里，一个神经网络被用来表示一个物理问题的解，例如，血液中药物浓度随时间的变化。在训练过程中，网络根据两个标准进行评判：它与观测数据点的拟合程度，以及它遵守物理定律（即控制系统的微分方程）的程度。模型会因任何违反物理学的行为而受到惩罚。这是一场思维革命。机理定律不再是一个独立的模型，而是一个基本的约束——一种“良知”——引导唯象模型找到一个不仅与数据一致，而且在物理上也是合理的解。
从生物反应的简单速写，到由物理定律指导的深度学习模型，唯象模型的旅程是科学创造力的证明。它不是一种次等的建模形式，而是一种极其通用和强大的思维方式。它是我们初遇新现象时使用的语言，是我们跨越复杂性鸿沟时建造的桥梁，现在，它更是新一代混合模型的关键伙伴，这些模型有望将物理原理与数据驱动的发现统一起来。