万物皆数：现实形式化的思想与方法
"万物皆数。" ——毕达哥拉斯
从毕达哥拉斯在公元前六世纪宣称宇宙的本质是数，到当代深度学习将视觉、语言、甚至创造性思维编码为高维向量空间中的几何操作，人类始终在做同一件事：把现实世界的现象翻译为形式系统中的符号，然后用符号操作来预测、解释和改造现实。
这篇文章不是数学史，也不是哲学史。它试图梳理一条贯穿古今的思想线索——形式化（formalization）——并追问：当我们把一棵树、一段旋律、一个经济现象写成符号的时候，我们得到了什么，又失去了什么？
一、源起：数即万物
毕达哥拉斯学派的发现是惊人的：琴弦的音程比、建筑的比例、天体的运行周期，都遵循简单的整数比。1:2 产生八度，2:3 产生五度，3:4 产生四度。这不是隐喻，而是精确的数学关系。
这一发现催生了一个野心勃勃的信念：如果音乐和几何都可以被数描述，那么一切事物背后都隐藏着数的结构。
这种信念并非朴素。它隐含着一个深刻的方法论主张：
要理解一个事物，就找到支配它的数学关系。
柏拉图将这一主张推到了形而上学的极端——理念世界才是真实的，感官世界只是它的影子。但更值得关注的是其方法论遗产：现实是可以被编码的。
二、公理化：从欧几里得到希尔伯特
欧几里得的范例
公元前 300 年，欧几里得做了一件前所未有的事：他没有说"万物皆数"，而是展示了如何从几条不证自明的前提出发，演绎出整个几何学。
《几何原本》的结构极其清晰：
- 定义（点是没有部分的东西）
- 公设（从任一点到任一点可作一条直线）
- 共同意见（整体大于部分）
- 命题（由前三者演绎得出）
这是形式化的第一座丰碑。它的核心思想不是"几何是数学"，而是：知识的可靠程度取决于它的结构——自明的起点 + 严格的推导 = 无可置疑的结论。
希尔伯特纲领
两千年后，希尔伯特将欧几里得的范例推到了极致。他提出了一个雄心勃勃的计划：
将所有数学公理化，然后用有限的、构造性的方法证明这个公理系统是一致的（不矛盾的）。
希尔伯特纲领的形式化标准是严格的：
- 符号化：所有数学概念用有限字母表的符号串表示
- 公理化：所有前提明确列为公理
- 规则化：所有推导步骤由有限的形式规则生成
- 一致性：系统中不能同时证明 A 和 ¬A
这是一个关于知识如何才能可信的回答：不是诉诸直觉或权威，而是让每一步都透明、可检验。
哥德尔的回应
1931 年，哥德尔证明了：任何包含基本算术的一致形式系统都包含不可判定命题——即既不能被证明也不能被证伪的陈述。不仅如此，这样的系统还无法在自身内部证明自己的一致性。
哥德尔不完全性定理并非形式化的终结，而是对其限度的精确刻画。它告诉我们：形式化是强大的，但任何足够强大的形式系统都有一个无法逾越的边界。可形式化的真理严格包含于真理。
三、形式化方法论：从自然到符号的翻译
形式化不是一个单一动作，而是一套多层次的方法论。我们可以将其拆解为几个关键步骤。
步骤一：本体论承诺——决定什么存在
形式化的第一步是决定你要谈论什么。这不是技术选择，而是哲学选择。
| 领域 | 本体论承诺 | 形式化对象 |
|---|---|---|
| 经典力学 | 粒子在绝对时空中运动 | 位置 (t), 速度 (t) 的函数 |
| 热力学 | 宏观状态由微观态统计决定 | 状态变量 (P, V, T) |
| 经济学 | 理性代理人最大化效用 | 偏好序、效用函数 |
| 语言学 | 语言由规则生成 | 形式文法 (Chomsky 层级) |
| 人工智能 | 智能是信息处理 | 状态空间、搜索算法 |
每一次形式化都始于一次世界的切分：哪些特征被保留，哪些被丢弃。物理学忽略摩擦做理想实验，经济学忽略情感做理性选择模型——这些忽略不是疏忽，而是形式化的代价和前提。
步骤二：抽象——提取结构
抽象是从具体事物中提取可操作的结构关系。
经典范例：图论。 哥尼斯堡七桥问题的原始形态是：在四块陆地之间有七座桥，能否每座桥恰好走一次？欧拉的抽象是天才式的：将陆地抽象为点，将桥抽象为边，问题变成：是否存在一条经过每条边恰好一次的路径？
在这个抽象中，陆地的形状、桥的材质、河流的宽度全部消失了。但剩下的——拓扑结构——恰好是问题本质所在。
抽象的准则是：保留与问题相关的结构，丢弃其余。 但"相关"本身是一个判断，无法被形式化方法本身决定。
步骤三：公理化——建立起点
选定本体论和抽象层次之后，需要建立推理的起点——公理。
公理选择有不同的策略：
- 自明性策略（欧几里得）：选择直觉上无可争议的命题
- 实用性策略（概率论 Kolmogorov 公理）：选择能推导出最多有用结论的最小假设集
- 结构性策略（群论公理）：选择刻画某种结构本质的最小条件
好的公理系统满足三个理想性质：
- 一致性（consistency）：不会推出矛盾
- 完备性（completeness）：系统中所有真命题都可被证明
- 独立性（independence）：没有一条公理可由其余公理推出
哥德尔告诉我们，对于足够强的系统，1 和 2 不可兼得。因此，现实中的形式化往往是在表达力与可控性之间的权衡。
步骤四：推理——符号操作
公理系统建立后，真理的发现变成纯粹的符号操作。这是形式化最深刻的力量：一旦翻译完成，理解现实就变成了操作符号，而符号操作可以完全机械化。
这正是计算机的哲学基础。图灵机的本质不过是：
- 一条无限长的纸带（符号存储）
- 一个读写头（符号感知）
- 一张有限的状态转移表（规则）
从这几样东西出发，图灵定义了"可计算"的精确边界——哪些问题原则上可以被机械过程解决，哪些不能。
步骤五：解释——回射现实
形式化的最后一步，也是最常被忽视的一步：将形式系统中的结论翻译回现实世界的预测或解释。
牛顿的万有引力定律 $F = G \cdot m_1 m_2 / r^2$ 在形式系统中只是一个等式。但当你说"根据这个等式，行星将在椭圆轨道上运行"的时候，你做了一次从符号到现实的解释映射。
解释映射从来不是一一对应对。同一组数学方程可以描述流体力学和电磁学（纳维-斯托克斯方程 vs 麦克斯韦方程的某些形式类比），同一个图论模型可以描述社交网络和蛋白质相互作用。数学的多功能性恰恰来自它与现实的间接关系。
四、形式化的经典案例
案例 1：概率论——从赌博到不确定性
概率论的形式化历程展示了形式化如何从具体走向抽象。
起源（17 世纪）： 帕斯卡和费马在通信中讨论赌金分配问题。这是一个具体的、经验性的问题。
发展（18-19 世纪）： 伯努利的大数定律、贝叶斯的逆概率、拉普拉斯的分析方法将概率从赌博工具提升为数学分支。
公理化（1933）： Kolmogorov 用测度论给出了概率的公理化定义：
- 概率空间 (Ω, F, P)
- P 是 F 上的测度，满足 P(Ω) = 1
- 独立性、条件概率、期望全部由测度论语言定义
这一形式化的力量在于：它将"不确定性"这一模糊的日常概念翻译为精确的数学对象，使推理变得严格且可传递。
案例 2：博弈论——从策略到均衡
博弈论的形式化是经济学中最成功的范例之一。
冯·诺依曼和摩根斯顿在 1944 年的《博弈论与经济行为》中做了一件关键的事：将"策略性互动"翻译为数学对象。
- 局中人 → 集合 $N = {1, 2, \ldots, n}$
- 策略 → 每个局中人的策略空间 $S_i$
- 支付 → 函数 $u_i: S_1 \times S_2 \times \ldots \times S_n \to \mathbb{R}$
- 均衡 → 纳什均衡：无人能通过单方面偏离而获益
这个翻译的深刻之处在于：它将"理性选择"从模糊的日常概念变成了可以在数学上精确刻画的对象，并由此推导出大量可检验的预测。
案例 3：形式逻辑——从推理到计算
弗雷格在 1879 年的《概念文字》中发明了现代形式逻辑。他的目标是：将日常推理中所有隐含的步骤都显式化，使推理成为机械操作。
这条线索从弗雷格到罗素、到哥德尔、到图灵，最终导致了计算机的发明。关键转折是丘奇-图灵论题：
所有的"有效过程"（直觉意义上的可计算）等价于图灵可计算。
这个论题本身不是定理（它连接了直觉概念和形式定义，无法被证明），但它是整个计算机科学的基础假设。它说的是：计算有一个自然的边界，而这个边界可以用形式系统精确刻画。
案例 4：深度学习——从感知到几何
当代深度学习提供了一种全新的形式化范式。
传统形式化是从上到下的：先定义概念（力、质量、加速度），再写出关系（F = ma）。深度学习是从下到上的：给定大量数据，让算法自动发现将输入映射到输出的函数。
其形式化本质是：
- 输入 $x \in \mathbb{R}^n$ 被嵌入到高维空间
- 网络是一组参数化的仿射变换和非线性激活的复合：$f(x) = \sigma(W_L \cdot \sigma(W_{L-1} \cdot \ldots \cdot \sigma(W_1 \cdot x + b_1) \ldots + b_{L-1}) + b_L)$
- 训练是通过梯度下降最小化经验损失
这是一种隐式形式化：我们不显式定义"猫"或"美丽"是什么，而是让模型在数据中学习这些概念的向量表示。形式化仍然发生了——输入变成了向量，关系变成了函数——但概念的具体含义被编码在数百万个参数中，对人类不可读。
五、形式化的边界
可形式化的限度
哥德尔不完全性定理、图灵停机问题、蔡汀不完备性定理从不同角度刻画了同一个事实：形式系统有内在的限度。
但这不是形式化的失败。正如海森堡不确定性原理不是物理学的失败，而是对物理度量限度的精确刻画，哥德尔定理是对形式推理限度的精确刻画。知道边界在哪里，本身就是知识。
信息损失
所有形式化都涉及信息压缩。一棵真实的树有无数细节——叶脉的纹理、树皮的裂纹、根系与土壤微生物的共生关系——但形式化时必须选择保留什么。
麦克斯韦将电磁现象形式化为四个方程，丢弃了电荷的颜色、导线的形状等无数细节。但这种丢弃不是随意的：被保留的是因果关系，被丢弃的是偶然属性。
问题是：什么是偶然属性，什么不是？ 在某些情况下，被丢弃的"细节"恰恰是本质。流体力学方程无法预测湍流的具体形态，因为初始条件的微小差异会导致完全不同的演化——这就是混沌。
模型与现实的摩擦
统计学家乔治·博克斯有一句名言：
"所有模型都是错的，但有些是有用的。"
这句话精确定位了形式化的位置：形式化产物（模型、理论、算法）不是现实的复制品，而是现实的选择性映射。它的价值不在于"正确"（忠实再现），而在于"有用"（能做出可靠的预测或解释）。
这种摩擦不是缺陷。它恰恰是理论科学的工作方式：先做一个理想化的模型，然后研究模型与现实的偏差，再用修正的模型去缩小偏差。
六、当代回响：大模型时代的"万物皆数"
2020 年代的大语言模型可以被视为毕达哥拉斯梦想的当代版本——尽管以一种始料未及的方式。
在 GPT 这样的模型中：
- 语言被形式化为 token 序列的概率分布
- 知识被编码在参数矩阵的权重中
- 推理被实现为自回归的条件概率计算
- 创造力表现为概率分布的采样
这是形式化，但与我们之前讨论的所有形式化有一个根本区别：符号不再由人类定义。
在牛顿力学中，"力"、"质量"、"加速度"是人类精心定义的概念，方程表达的是人类理解的关系。在大模型中，token 嵌入、注意力权重、前馈变换的中间表示都不是人类设计的概念——它们是训练过程自动涌现的。
这引出了一个深刻的认识：形式化不必是人类的专利。 如果算法能自动找到将现实映射到形式结构的方法，那么"万物皆数"的毕达哥拉斯梦想就有了一种新的、自动化的实现路径。
但这也强化了形式化的永恒问题：形式系统中的操作不等于现实中的理解。 模型可以生成流畅的文本，但它是否"理解"文本的含义？这取决于你如何定义"理解"——而定义本身就是一个形式化的选择。
七、形式化的方法论启示
回顾从毕达哥拉斯到当代 AI 的整条线索，我们可以提炼出关于形式化的几条方法论启示：
1. 好的形式化是好的抽象
不是所有的形式化都有价值。将一个现象形式化为不可操作的系统，比不形式化更糟。好的形式化在于找到正确的抽象层次——保留本质，丢弃噪音，使得后续的符号操作能够产生关于现实的有用结论。
2. 形式化是迭代的过程
几乎没有任何重要现象是在第一次尝试就被完美形式化的。热力学从经验性的热量概念到统计力学微观解释花了近一个世纪。机器学习从感知机到深度学习花了六十年。好的形式化是反复修正的结果，不是一次性翻译。
3. 限度是特征，不是缺陷
哥德尔定理、停机问题、P vs NP——这些"负面"结果是数学和计算机科学中最深刻的成果。它们不是形式化的失败，而是对形式化能力的精确标定。知道自己不能做什么，是智慧的一部分。
4. 形式化不是还原论
一个常见的误解是：形式化等于还原论——把复杂现象"还原"为简单组件。但形式化可以有多种粒度。热力学不还原为单个分子的运动，它有自己的概念（温度、熵、压力）和自己的定律。好的形式化尊重现象的层次结构，在每一层使用适当的概念和工具。
5. 解释映射需要独立的检验
形式系统内部的推导是可靠的（只要公理和规则选定了），但从形式系统到现实的解释映射不是。同一个数学模型可以对应多个物理系统（如谐振子模型描述弹簧、电路和声波），而一个物理系统也可能被多个不同的数学模型描述。模型的最终裁判是经验检验，不是数学优雅。
结语
毕达哥拉斯说"万物皆数"，这个宣言在两千五百年后依然有效——只是我们现在对"数"和"万物"的理解都比他深刻得多。
形式化不是将现实装入数学框架的暴力行为，而是一种方法论上的自觉：承认我们的认知有限，因此选择用最透明、最可检验的工具来组织知识。 每一次成功的形式化——从欧几里得几何到量子力学的希尔伯特空间，从概率论到博弈论——都扩展了人类理解和改造世界的能力。
每一次失败的形式化——或者更准确地说，每一次对形式化限度的发现——也同样珍贵。哥德尔不完全性定理和图灵停机问题告诉我们，即使在数学和计算这样纯粹的领域中，也存在不可逾越的边界。
"万物皆数"的真正含义也许是：万物都可以被数（形式化）逼近，但没有形式系统能穷尽万物的全部真理。 形式化是一艘永远无法抵达彼岸的船，但这并不妨碍它成为我们航行于未知海洋时最可靠的工具。
参考线索
- 欧几里得《几何原本》——公理化方法的起源
- 哥德尔 (1931) "Über formal unentscheidbare Sätze der Principia Mathematica" ——不完全性定理
- 图灵 (1936) "On Computable Numbers" ——可计算性的形式化
- Kolmogorov (1933) Grundbegriffe der Wahrscheinlichkeitsrechnung ——概率论公理化
- 冯·诺依曼 & 摩根斯顿 (1944) Theory of Games and Economic Behavior ——博弈论
- Goodfellow, Bengio & Courville (2016) Deep Learning ——深度学习的数学框架
- 希尔伯特 (1900) "数学问题"演讲——23 个问题与形式化的雄心
- George Box (1976) "Science and Statistics"——"所有模型都是错的"