整體大於部分之和

湧現這個概念，是近期才接觸到的。觸發點來自閱讀 Arthur Juliani 對雷內・吉拉爾《世界奠基以來隱而未現之事》的讀後感。我並非這個領域的專家，本文是我整理閱讀資料、反思自身經驗後的認知筆記，並在寫作過程中深化理解。如果文中有任何不精確，歡迎交流。

一個反直覺的發現

我們習慣用「還原」的方式理解世界。

要理解機器，就拆成零件；要理解生物，就拆成細胞；要理解細胞，就拆成分子。這套思維功不可沒，它讓我們能夠精確控制、預測、重構。

▉ 有些現象，拆開來看就消失了

一個神經元只會發送電信號。千萬個神經元組合起來，卻產生了「意識」。

一隻螞蟻只能跟隨費洛蒙。整個蟻群建造複雜蟻巢、找到最佳覓食路徑。

Transformer 只在做矩陣乘法。但當規模突破臨界點，它突然展現出推理、理解、甚至創造的能力。

整體展現的特質，無法從個體組成中直接推導，這就是「湧現」。

---

什麼是湧現？

可以理解為系統整體所呈現的特性，並非其個別部分所擁有。

其主要特徵有二：

1. 不可還原性：你無法透過分析單一單元，預測整體行為。
2. 跨層次因果： 微觀層面的規則導致宏觀模式的生成，而宏觀模式又反過來制約微觀層面的行為。

湧現不是魔法。它是簡單規則，在特定條件下，自然堆疊出的結果。

只是這個結果，往往超出設計者的想像。

---

湧現現象的分類框架

為了更系統性地理解湧現，我們可以從兩個維度來觀察：

維度	說明	例子
生物系統 vs 人工系統	湧現發生的載體不同	神經元 vs 神經網路參數
可預測 vs 難以預測	設計者能否預見宏層行為	蟻巢建築 vs LLM 推理能力

生物系統的湧現經過數億年演化，其行為模式已深植於基因編碼中；人工系統的湧現則往往超出設計者的預期——因為我們設計的是微層規則（如預測下一個詞），宏層行為（如推理）是副產品。

---

生物學中的湧現

神經元到意識

單一神經元的行為極其有限：

• 接收電信號
• 累積到閾值就發放動作電位
• 否則保持靜止

這基本上就是一個開關。

人類大腦約一公斤重，帶有約 860 億個這樣的開關，以特定方式連結時：

• 主觀意識出現了
• 自我認知誕生了
• 創造性思考成為可能

諾貝爾獎得主 Gerald Edelman 提出「神經群體選擇理論」，認為意識是大規模神經網路連結後所產生的湧現特性。

沒有任何一個神經元「知道」你在想什麼，但你的思維卻真實存在。

---

蟻群

另一個常被提及的例子是蟻群。

• 單一螞蟻：釋放費洛蒙、跟隨費洛蒙、搬運食物
• 整個蟻群：建造複雜蟻巢、找到最優路徑、形成戰鬥陣型

沒有指揮官。複雜行為完全是局部互動的湧現結果。

---

深度學習中的湧現

這讓我想起自己接觸深度學習的經驗。當我看到第一個神經網路收斂時，也在想：這些權重矩陣裡，到底「學會」了什麼？

規模突破臨界點

近年來最令人震撼的湧現案例，是大語言模型的突破。

OpenAI 的研究團隊發現：當模型規模突破某個臨界點後，某些能力會突然出現。

能力	出現規模	代表模型例子
算術推理	~10B 參數	GPT-3 (175B)
程式碼生成	~10B 參數	Codex (12B), GitHub Copilot
多步推理	~100B 參數	GPT-4o (per Expert), Claude 4 等新一代模型

這些能力並非被「設計」出來的，它們從「預測下一個詞」的簡單目標中湧現。

為什麼這令人驚訝？

傳統上，要讓模型學會推理，工程師會：

• 歸納規則
• 編寫邏輯演算法

但 Transformer 只在做兩件事：

• 注意力機制：計算詞與詞之間的關聯
• 前饋網路：非線性轉換

從這兩個操作，如何湧現出「推理」與「理解」？

當參數量與訓練資料達到臨界規模，語言本身的結構性知識被編碼進高維空間，對語言的理解能力便是這種編碼的自然湧現。

與生物大腦的對比

這與生物大腦的湧現過程相似：

• 神經元 ≈ 權重參數
• 描述突觸連結的赫布理論 ≈ 注意力權重

兩者都從簡單單元的局部互動，湧現出高階認知能力。

---

看懂每一層運算，卻說不清「理解」是怎麼出現的

近五年，參與過神經網路的開發，從自動駕駛的大腦開始，處理過影像、光達、高精地圖與語意地圖等各類資料，並涉及多車輛互動、歷史運動姿態的分析等，橫跨預測模型、辨識模型等多元領域的設計與實作。

近兩年甚至回歸到硬體層級，參與神經網路加速晶片的軟硬體協同開發。當 Transformer 被部署到嵌入式晶片上時，這種感受特別強烈。

我能清楚理解每一層在做什麼運算。Attention 怎麼算、權重怎麼流動、延遲與頻寬如何被逼到極限。

從數學、工程、效能角度來看，一切都說得通。

但問題是，我仍然說不清楚，「理解」究竟是怎麼出現的。

當所有行為都可以被還原為矩陣運算、非線性映射與參數更新，為什麼某個時刻開始，系統看起來像是「懂了」？這種「理解」，既非源於任何單一明確的模組，亦不等同於某個損失函數的下降。

我們能描述運算，卻難以指出理解的起點。這個落差，讓人無法忽視「湧現」的存在。

問題從來不在於我們對細節的計算不夠精確，而在於當複雜度跨過某個臨界點，意義本身，開始不再屬於任何單一組件。

---

▉ 湧現的約束與兩難

這讓我開始反思：為什麼有些系統會湧現，有些不會？約束條件是什麼？

可能的關鍵因素：

• 單元同質性：神經元大致相同、Transformer 參數性質一致，這讓大規模協作成為可能
• 連結密度：不是數量，而是連結方式決定湧現。大腦的 860 億神經元若完全隨機連接，不會產生意識
• 臨界規模：必須達到某個複雜度門檻，低於此門檻只是「堆砌」，高於此門檻才是「湧現」
• 回饋機制：微層輸出必須能影響微層輸入（跨層次因果），否則系統無法自我組織

但問題依然存在：即使滿足所有約束條件，我們仍無法保證湧現發生。這意味著我們對湧現的理解仍存在知識上的空白——我們知道需要什麼，但不確定是否足夠。

相關還是因果？

回到開頭的表格：~10B 參數時算術能力「出現」，~100B 時推理能力「出現」——但這真的是因果關係嗎？

有沒有可能：

• 小模型也有這些能力，只是我們沒測到？（倖存者偏誤）
• 這些能力其實是連續增長，只是超過某門檻後才變得「可觀測」？（測量極限問題）
• 訓練資料的品質比模型規模更重要？（混淆變數）

科學上的因果需要對照實驗：在其他條件不變的情況下，只改變規模，觀察能力是否變化。但在大語言模型的設定下，這樣的實驗成本極高且難以控制。

所以當我們說「湧現」時，某種程度上是在承認：我們對於其背後的真正機制仍不甚了解。

模式匹配還是理解？

更根本的問題：我們所說的「理解」，是真的理解，還只是高維空間中的精緻模式匹配？

從工程角度，我能確認：

• Attention 權重確實在編碼詞之間的關聯
• 多層堆疊確實在捕捉抽象層次結構
• Loss 下降確實在優化預測準確度

但我無法確認：

• 這些關聯是否構成「意義」
• 這些抽象是否等於「理解」
• 預測準確度是否等同於智能

這個落差可能不是技術問題，而是哲學問題。也許「理解」本身就不是二元的有/無，而是連續的光譜——而我們正處在一個模糊地帶，系統「看起來」像理解，但我們無法證明它真的是。

---

社會動力中的湧現

最近閱讀了 Arthur Juliani 對雷內・吉拉爾《世界奠基以來隱而未現之事》的讀後感，裡面提到這個概念：

模仿性慾望之所以能用來理解如此複雜的社會現象，正是因為它本身的簡單性。這是一種典型的湧現系統：少數描述基本互動的簡單規則，隨著時間推移，卻能產生難以事先預測的複雜結構與行為模式。

吉拉爾的核心洞見：人類的慾望常受他人行為的影響而產生模仿。

---

社群媒體作為湧現系統

這條規則「模仿性慾望」在社群媒體時代，催生了許多難以預測的社會現象。

運作機制：

• 基本單元：單一使用者
• 互動規則：看到貼文 → 產生模仿衝動 → 發布類似內容 → 獲得互動 → 強化行為
• 網絡結構：高度連結、快速傳播

湧現出的宏觀現象：

• 資訊 cascades：想法在幾小時內傳播全球
• 回音室效應：群體分化成認知隔閡的子群 (台灣俗稱同溫層)
• 社會運動：從阿拉伯之春、#MeToo、取消文化等。
• 虛假資訊傳播：假新聞比真實新聞傳播快 6 倍

沒有任何一個使用者「計畫」讓這些現象發生。它們從簡單的模仿互動中自然湧現。

---

Peter Thiel 的洞見

讀後感中提到一段有趣歷史：

創投家彼得・提爾（Peter Thiel）在 1980 年代曾是吉拉爾在史丹佛大學的學生，據說他對模仿性慾望的理解，影響了其早期投資 Facebook 的決策。

Facebook 的成功，在於它抓住了人類模仿的基本驅動力，當你看到朋友在做某件事，你自然也會想做同樣的事。

這正是湧現社會工程的案例：設計基本互動機制，讓複雜的社會行為自然湧現。

但這也帶來風險。Arthur Juliani 在文末提醒：

像「模仿性慾望」這類原本用來描述社會行為的理論，往往很容易被轉化為社會工程或操控的工具，甚至成為剝削的手段。

社群媒體演算法早已掌握模仿性慾望的規律。設計者在工程上創造了「有效的湧現系統」，但在倫理上，這可能成為操控的工具。

---

延伸閱讀

1. Arthur Juliani, “Thoughts on ‘Things Hidden Since the Foundation of the World’” 以及雷內・吉拉爾，《世界奠基以來隱而未現之事》