对涌现的随感 · mine's product

原文写于 2025-08-28，旧文重发。

世界是复杂系统，事物的发展既有偶然性，也有必然性。构建系统 & 等待涌现——此即寻求偶然中的必然。

“涌现”是复杂系统（如 LLM、公司、个人）中，要素数量或连接强度突破临界阈值后，突然诞生的、无法通过 “线性叠加” 预测的高阶新属性—— 区别于 “重复熟练带来的线性增长”，是 “量变积累到质变” 的非线性突破。

在一些领域的表现有：

LLM 领域：参数规模突破百亿 / 千亿级后，突然具备复杂推理（如解数学题）、零样本学习（如未训练却能翻译）等能力，而小模型阶段无任何 “苗头”；
商业领域：英伟达从 “游戏 GPU 厂商” 突破为 “AI 算力生态核心”（GPU 技术连接 AI 训练、自动驾驶等场景），谷歌从 “搜索引擎” 进化为 “信息生态帝国”（搜索数据连接地图、安卓、AI 大模型）；
个人领域：乔布斯将 “书法知识 + 电子技术 + 设计认知” 融合，涌现 “定义用户体验的产品创新能力”，普通个体跨领域学习（如程序员学心理学）后，可能具备 “技术产品协同” 的新能力。

涌现的核心特征有：

无论场景如何变化，“涌现” 的底层逻辑始终一致，这也是它能跨领域存在的原因。简单说，涌现现象需满足三个条件：

要素足够多：系统中存在大量可互动的 “基本单元”（比如 LLM 中的参数、公司中的员工 / 技术 / 用户储备足够多、个人知识体系中的连接足够多）；
连接足够密：系统中的基本单元不是孤立的，而是形成 “网状连接”（LLM 中神经元的激活链路、公司中技术与市场的联动、个人知识间的关联）；
突破临界值：要素数量或连接强度达到某个 “阈值”后，系统从 “简单叠加” 转向 “复杂协同”，最终产生 “全新属性”（LLM 的推理能力、公司的生态影响力、个人的跨界创新能力）。

所有场景的涌现，均遵循 “要素 - 连接 - 阈值” 的统一逻辑，要针对性的进行系统建设，以更大概率触发涌现现象：

注重要素的可扩展性，涌现不是 “要素数量的简单堆砌”，而是要素间连接方式从 “点状孤立” 到 “网状协同” 的重构，例如强目的性学习（如考试只背考点）会过滤那些 “看似无用但深层次的信息”，错失跨领域连接的可能。
涌现的发生需要系统有一定冗余性，需要构建开放且非平衡的系统，如兴趣驱动的学习会积累 “冗余认知”。
涌现的发生是自发现象，无非被组织。系统积累到一定程度后，随着时间推移，涌现现象自然而然发生，无需外部指令。

1. 个人层面：打造 “开放 + 有锚点” 的认知系统

2. 商业 / 投资层面：识别 “生态化 + 可扩展” 的系统

判断公司涌现潜力的标准
- 要素端：是否有 “可复用的核心能力”（如英伟达的 GPU 技术、谷歌的算法），而非依赖单一产品；
- 连接端：是否构建 “生态协同”（如开放平台、跨领域合作，如阿里连接商家 - 买家 - 支付 - 物流），而非 “单点线性增长”；
- 阈值端：是否接近 “关键突破点”（如技术被行业认可、生态用户达临界规模）。
投资逻辑

由于涌现的不可预测性，所以不盯 “短期财报”，而是投资 “与世界建立多连接的公司”（如英伟达、谷歌），不做预测，长期持有。其涌现后的 “生态级价值”（如定义行业标准）远超线性增长的回报，且这种回报具有 “意想不到性”。

3. 通用原则：抓住 “混沌边缘” 的平衡

涌现既不喜欢 “完全秩序”（如重复工作、封闭学习），也不喜欢 “完全混沌”（如无目标探索、瞎换方向），而是在 “秩序与混沌的中间地带” 诞生：

涌现不是努力的结果，而是系统设计的结果—— 如同种树，“选对种子（核心锚点）、浇对水（开放输入）、给对环境（混沌边缘）” 后，果实（涌现）会自然生长，而非靠 “强迫结果”。参见聊人的训练、环境和自我建构。
涌现的 “不可预测性” 是超额收益的来源：完全可预测的努力（如重复报表）只有线性回报，而不可预测的涌现能突破天花板，带来 “非线性回报”（如个人职业跃迁、公司市值暴涨）。
专注可扩展的技能，放弃不可扩展的工作——一旦选择劳力不劳心，个体会陷入一种负向循环中（“强目的性地学习”、“重复做同样的工作”），会因“无新连接、无冗余认知”永远停留在线性增长，达不到涌现效果。