对于复杂系统只能采用复制仿真方法（例如AI中神经网络或强化学习等模型），对于复杂系统无法再使用传统的科学的分析解构方法。复杂系统如同中医人体脉络，无法通过其组成器官中寻找到存在！整体不只是部分的综合累计，复制系统整体拥有一些自身的独特的涌现emergent特性，还原法、分析法、归纳法或综合法等抽象压缩方法对于复杂系统都不再有效。
本文是复杂性领域权威著作保罗·西利亚斯（Paul Cilliers）的《至关重要的复杂性》摘录，入门人工智能或DDD建模必读书籍！
保罗·西利亚斯（Paul Cilliers），1956年出生于南非弗里尼欣，获电气工程学位和哲学博士学位。早期专长于利用神经网络进行计算机建模和模式识别，后至斯泰伦博斯大学哲学系任教，讲授解构文化哲学、科学哲学和科学伦理学。当前的研究集中于复杂性理论对理解伦理学、法和正义的意义。2000年，因其出色的研究而获得雷克托奖。本书的大部分内容都是在2011年Cilliers去世之前编写的，因此请牢记他的上下文，尤其是他围绕AI，神经网络等主题发表的观点。
结构主义
大脑中实体本身如小脑 左右脑等实际是没有意义的，它们是与系统其他组件的关系中获得了意义，这与索绪尔的结构主义语言学极为相似。索绪尔认为语言现象之间的关系是相互制约和依赖的，必须把语言系统作为一个整体研究，在此基础上索绪尔又提出了符号学的概念，强调语言的符号功能，认为语言学中产生意义的不是符号本身，而是符号之间的各种组合关系。
因为所有符号都是相关的，所以任何更改或任何添加最终都会在整个系统中产生响应（蝴蝶效应），这种变化最终影响了是更改者的自身或其代理人。
但是这种变化是渐进的，索绪尔认为语言现象是超越个人的，因此他忽视了个人的认识在这种事物变化中也是不断提升改变的。
索绪尔怎么解释个人如何运用这些符号表达他们的想法呢？因为符合定义者即指称者和被指称者仅完全统一在口语主题中，所以对于索绪尔来说，口语是语言的真正形式。而在将口语变成文字的写作中，说话者和他原来的意图之间的亲密关系破裂了，如同方言骂人的词语有无数中，但是使用普通话骂人就那么几种，到了英文中就简化为FUXX了。
后结构主义
为了描述开放系统中的交互方式，德里达Derrida引入了“差异différance”的概念。这个单词的第一种含义来自索绪尔对语言的描述，即语言的差异系统。痕迹或跟踪(Traces)是对差异交互操作的跟踪。例如业务流程中审核审批环节也是一种对信息数据差异的交互操作跟踪或留痕，这是事件溯源的用武之地。
在这种差异跟踪中，符号的意义产生了，但是意义的产生没有最终结束，只是在不断被推迟，业务流程没有结束，某件事的处理状态就不能算结案。
一旦产生了符号的含义，它就会与系统产生共振，并且在这种交共振中的产生干扰总是会被反射回来，从而使所讨论的符号含义发生转移，即使是无意识的也是如此。
符号虽然是真实的，但无本质意义。像符号一样，神经元仅在与其他神经元的关系方面中表现出重要性，自己虽然是真实存在实体，但是没有本质意义。因此，它神经元系统也是由交互操作的留痕跟踪构成的。
创建人工智能（即对计算机进行编程，使它们以智能方式运行）是这种符号中心思想的发展顶峰。
计算机也是一种语言形式系统，它与自然语言的形式模型之间有着紧密的联系，因此如果计算机无法模拟自然智能，那么原因只能有一个：自然语言无法提供足够的的形式语法来描述。
神经网络的第一个重要特征是知识不是以标志性的方式在本地表示的，也就是说，这与传统计算机和基于规则的系统不一样，这些系统中是将业务规则或逻辑保存在集中的地方，这个集中地方存在单点风险，一旦集中点发生问题，整个系统崩溃，而神经网络是将知识在整个系统中进行分配。
由于系统知识的这种分布式和并行性质，它们具有与全息图，语言和大脑类似共的特征：损坏系统的任何特定部分均不会导致特定特性的损失。
由于信息分布在整个系统中，因此对特定部分的损坏将导致整个系统的性能略有下降，但不会导致某些特定内容的丢失。这是所有分布式系统的重要特征。
神经网络与人工智能
神经网络和后结构模型之间的关系应该很清楚：层次之间没有区别，没有总体算法，算法存在于关系，关系不是看到的实体之间的静态组成关系，而是只有关系或交互操作的痕迹之间的关系。
因为算法或数学模型散落在互动关系中，不是集中存储在一个地方，没有所谓业务规则或算法的凝聚性，因此也就无人能够访问到或阅读到这些算法，没有程序员或没有科学家可以揭示每个算法的全部真相和最终意义。机器学习程序员自己都无法解释机器学习为什么产生这样的结果，因为程序员无法在具体地方去查看到算法，算法是动态完成的，打个不恰当比喻，脉络是中国中医整体观，你无法从尸体解剖中发现脉络这个具体部件，它是身体各个器官相互操作的痕迹或跟踪中体现。
不像传统的认知模型一样，信息会存储在符号中并在必要时进行调用，信息而是在每次激活网络的那部分时都会对其进行重构。这就带来了不确定性。
许多现象，特别是在生命科学中，以及在物理学和数学中，都无法从确定性和基于规则或统计过程的角度去正确理解。
量子力学本质上是关系的，甚至在更宏观的层面上，关系也决定了物质的性质；普通的欧几里得描述在描述自然形状（例如云，河流，山脉，湍流）时通常是无用的。大自然通常不会产生直线/平滑的曲线。因此，当描述大脑的功能（一种明显的关系结构）时，仍然非常偏执地遵循传统的确定性算法，这确实是很奇怪的。
造成这种奇怪情况的原因之一是认知科学从确定性分析传统中继承了其方法论框架，因此认知方法论迫切需要修订，在此修订中，后结构理论将必须发挥重要作用。
意义取决于系统组件之间的动态关系。同样，神经网络中的任何节点本身都不具有任何意义，这就是分布式表示的核心含义。
重要性意义源自涉及许多单位的活动模式，该模式是由于大量权重之间的动态交互作用而产生的。
对科学采取这种后结构的观点肯定会与许多公认的科学规范理论相抵触，但是对科学实践的影响可能比人们预期的要小。（先做起来，不要被所谓科学的理论束缚）
Complicated与Complex区别
在复杂性理论中，“complicated复杂”事物与“complex复杂”事物之间有所区别。complicated复杂的事物可能具有许多组成部分，但是这些组成部分之间的关系是固定的并且明确定义。
我们可以使用分析方法来分析复杂complicated的事物，例如，我们可以将飞机拆开并还原。
但是另一方面，复杂的事物是由大量的动态和非线性相互作用构成的。因此，当一个复杂的系统被拆开时，即当组件之间的关系被破坏时，它的重要特性就被破坏了。例如人体被解剖就死了，研究脉络就没有意义了。
生物，语言，文化和社会系统都很复杂。复杂complicated事物的行为可以用规则来描述。复杂complex系统的行为是通过关系构成的。
complex复杂的事物具有涌现emergent的属性，而复杂complicated的事物则没有。涌现属性是我们仅通过分析系统的组成组件也无法预测的属性。意识是大脑的一种涌现特性，无法通过检查神经元来预测。中医脉络也应该属于一种涌现，无法通过检查身体器官去验证是否存在。
complicated事物的行为是可以预见的，因为它应该是可以预见的。可是没有人会乘坐具有涌现特性的大型喷气式飞机飞行。因为涌现代表一种不确定性。
可以用一组规则完全理解的事物充其量只能是complicated的。国际象棋确实可能有许多尚未实现的可能性，但是所有这些可能性仍然可以通过游戏的基本、静态、永恒的规则来理解。
由于构成复杂complex系统的相互作用的非线性，因此无法对其进行“抽象压缩”。任何试图抽象简化的模型都会遗漏一些东西，并且由于非线性，我们无法预测被抑制的意义。
为了捕获所有complex，我们将必须整体上“replay重复”该系统。这同样有问题。由于复杂的系统以其复杂complex的方式与环境交互，因此，这种系统的局限性永远是无法被发现的。
当我们处理complex复杂性时，我们不可避免地要以某种方式将其描述框架化。因此，模型无法真正以客观的方式发挥作用，只能起到解释作用，也就是说，世界是主观的，物自体无法真正知道，只能通过某种模型语言来解释。
当我们要对复杂系统建模时，基于规则的方法是不够的。 [但是，这并不是说]规则不重要也没有用。
概念“规则”的逻辑意味着一定的普遍性。规则应适用于“规则所包含的描述所包含的案例，无例外”。
基于规则的模型会生成有关此类系统的功能以及可能如何执行的描述，但是它们不是“错误”就是无用的，当我们想加深对复杂complex系统的了解时，我们必须仅了解这种基于规则模型的局限性。
为了做到这一点，我们不能仅仅以笼统的方式谈论规则，我们需要区分不同种类的规则。我们通常在描述性规则和规范性规则之间进行区分，这种区分依赖于事实与价值之间存在明显的区分，但这是一个难以维护的问题，尤其是在复杂complex系统的情况下。
如果要根据一组规则生成复杂系统的形式化模型（可以在计算机上模拟的模型），则应清楚理解调节性规则和构成性规则之间的区别。
确定或约束其行为的模型的本质规则是调节性规则。人们可能会花费大量时间来开发和完善它们，但不要忘记，它们仅在构成该意义的框架方面具有意义。
当处理复杂complicated的事物时，通常至少在原理上通常可以精确地确定其构成性规则框架。但是，在对复杂complex系统建模时，无法确定构成性规则框架，也无法以直接的方式不证自明。
为了产生一些通用理解，框架必须降低复杂性。根据我们对系统的描述目的选择一个框架。模型的质量和实用性主要取决于此选择。
complex复杂系统的运作没有什么神秘之处。但是，由于系统的性质是无数，局部，非线性，非算法，动态相互作用的结果，因此无法根据一组规则完整而准确地描述它。
我们无法避免在建模过程中降低复杂性。
复杂系统中的结构模式更加混乱。它们的边界没有明确定义。它们相互重叠并相互渗透。
基于规则的模型将无法提供复杂系统的一般且准确的描述，尤其是对诸如人类之类的事物而言。
大规模，高度连接的循环网络可以用作复杂系统的通用模型，但是具有一定的条件……即使我们构建了这些模型，从降低复杂性与帮助我们理解两者综合来产生一个设计结果，这个结果也将不再是“模型”对系统的真正了解。
为了保留系统本身的复杂性，即不能抽象压缩复杂性，那么正确的复杂系统模型必须与系统本身一样复杂。
最终结果，模型的行为将与系统本身一样complex复杂（且不可预测）。这个结论是一个绝望的结论吗？也许是的，特别是对于那些仍然梦想完全掌握现实的科学家和管理人员，他们通常可能是为了控制现实。
对于我们这些没有控制欲和强迫症或焦虑症的人来说，这提醒我们，我们的能力有限，对世界的了解也有限。
Complex系统的后结构主义
无论是技术上还是口语上的复杂性和混乱都没有关系。复杂的系统并不混乱，它具有丰富的结构。人们当然不会将大脑或语言（复杂系统的主要例子）描述为“混乱的”。
我们无法准确确定复杂系统的边界，因为它是开放的。为了精确地对系统建模，我们必须对系统中的每个交互，与环境的每个交互（当然也很复杂）以及系统历史中的每个交互进行建模。
如果我们将必须对生命，宇宙和所有事物建模，那么没有真正实际的一种方法可以做到这一点。当然这并不等于说复杂的系统就是混乱的，复杂系统的涌现Emergence并不是随机的或属于一种统计现象。
复杂的系统具有结构，而且这种结构是可靠的。
复杂系统是混乱的，也并不意味着开发复杂系统的正式模型也没有意义。就像任何科学模型一样，我们可以在某些假设和限制的基础上开发模型。
由于我们不了解系统的边界，因此我们永远不知道是否已经充分考虑了这一点。我们必须对所有可能的因素进行选择，但是在非线性条件下，我们永远不会知道是否遗漏了一些似乎毫无意义的东西。
复杂性理论无法为我们提供预测决策效果的方法，也无法为预测所考虑系统的未来行为提供方法。
我们无法为复杂系统建立简单模型。因为它们的非线性性质，换句话说，它们的不可压缩性，将要求系统的模型与系统本身一样复杂。
如果系统至少在某些时候以新颖且不可预测的方式运行，那么模型也必须这样做。
传统的科学观是危险的
在谈论“知识”的管理时，无论是通过人还是计算机，都存在陷入客观主义者/主观主义者，原教旨主义者/相对主义者二分法的危险。如果人们认识到知识的复杂、交互的性质，那么问题的性质才会改变。
对于那些想要将知识计算机化的人，他们的思维前提是知识必然是客观的，必须在没有主体干预的情况下收集，存储和操纵知识。另一方面，这种方式形成的形式化知识通常会回避基于主观或特定于文化的观点的影响，这些都表明我们是不可能独立于人类自己的认知能力来谈论知识。
必须承认知识与知识所构成的系统之间的辩证关系。两者不是独立存在的，因此不可能首先对复制的知识系统（或上下文）进行分类，然后在系统中识别知识。
- 复杂的系统具有悠久的上下文历史，如果不考虑其上下文，就无法构想设计它们。
- 复杂性是不可压缩或被抽象的（不能被归纳、综合、精简的）。没有比系统本身更简单的准确（或更完美）的系统表示形式。（只能采取原样复制的仿真方式）
- 在构建开放系统的表示形式时，由于遗漏的影响是非线性的，我们无法预测它们的大小。
- 降低复杂度总是会导致失真。