一、计算漫谈
2. 从“More is different”到让组织进化可计算
二、商业实践
三、总结
不同的理论家对宇宙的基本构成有不同的见解，有的认为是亚原子粒子，有的认为是能量或时空。现在，越来越多观点认为信息可能是宇宙的真正基础。MIT教授Seth Lloyd把宇宙比作一台计算机，这台“宇宙计算机”是一个信息的集合体。这一概念不仅在物理学前沿获得越来越多的认可，也深刻影响着我们对AI和信息化科技发展的理解。
图1：来自Dalle-3模型生成，体现了“宇宙是信息的”
基于这样的理论假设，那么宇宙的时间、空间等等一切事物都可以被视为量子比特的纠缠和演化的产物。这意味着宇宙的每一个部分，从宏观到微观，都可以通过计算来理解和解释，甚至包括社会运作、人类意识等等。这一观点在AI迅速发展的今天，具有特别的意义。宇宙作为一个庞大的信息系统，为我们提供了无限的计算可能性。
在AI迅速发展的今天，这一理论有特别的意义。今天我们遇到的许多问题，社会学问题，企业管理问题，已经无法用传统的分析方法去解决。但是“一切皆可计算”的哲学，使得这些问题有了新的解决思路。“整体大脑”和真正的“智慧制造”不再是遥不可及的愿景，而是必然会实现的技术进步和创新。
2. 从“More is different”到让组织进化可计算
物理学家安德森的著名论文“More is Different”阐述了微观交互在足够多的情况下，能在宏观上涌现出不同于微观的模式和行为。这与复杂适应系统理论相呼应，后者认为在这种系统中存在“涌现”的概念。“涌现”指的是在系统中出现的新的性质、行为或结构，这些性质、行为或结构并不是由系统的各个组成部分单独规定或设计的，而是由这些组成部分之间的相互作用和复杂动态产生的结果。
这种观点在各个领域都有体现，物理上以碳原子为例。碳原子在微观层面物理属性是明确的，但是在不同条件地组合下却涌现出截然不同的宏观物质形态。它可以是石墨，可以是金刚石，钻石。2018年，由MIT和Cornell大学组成的研究团队更是发现两层石墨烯以一定的角度叠加在一起时，可以表现出超导现象。依旧是碳原子，却因为不同地组合有了几乎截然不同的性质。不禁让人联想到老子的道德经：道生一，一生二，二生三，三生万物；相同的基本元素，由不同的基本元素，由不同的“道”演变形成不同结构形式，最终展现出万物不同的形态和性质。
图2：来自Dalle-3模型生成，石墨和金刚石的对比图
同样的现象在生物领域也有体现，实验研究发现：蚂蚁寻找食物的时候，如果蚂蚁作为一个个体，是几乎无法找到食物的最短路径的；但是当蚂蚁数量达到一定临界点时，它们（集体层面上）却能够找到这条最短路径。这一现象展示了复杂适应系统中个体简单行为的涌现效应。后来这种智慧激发了人类的算法创新。由意大利的马科·多里哥（Marco Dorigo）教授于1992年发表了一篇题为《Optimization, Learning and Natural Algorithms》的论文中介绍了由蚁群群体智慧为底层哲学的元启发式搜索算法——蚁群算法。
Dorigo M, Birattari M, Stutzle T. Ant colony optimization[J]. IEEE computational intelligence magazine, 2006, 1(4):28-39
http://www.scholarpedia.org/article/Ant_colony_optimization
图3：来自Dalle-3模型生成，上方单个蚂蚁找不到食物，下方群体却可以
将“more is different”和“一切皆可计算”两大哲学运用到管理学科中，会碰撞出怎样的火花呢？我们知道，目前的管理学科有着一种“人格分裂”的属性，分成了基于运筹学之上的管理科学与工程（可计算），和基于行为的（难以用传统计算方法解释）工商管理。而这种哲学提供了一个全新的视角，可以将这两种分裂的流派融合统一起来。组织进化不再是一种数学计算的游戏，或者只能通过一些基于行为理论分析的过程，而是可以通过计算机计算去理解和分析的。
组织的发展和进化往往源自对异常的响应。早在上世纪，一篇名为”Is organizational evolution Darwinian and/or Lamarckian?”拉马克主义和达尔文主义的角度分析了组织进化的底层逻辑。论文指出，适应性变异和横向复制这些生物组织对异常的响应在人类组织中也有所体现。比如公司对市场异常信号的响应，有的通过改变营销策略，有的通过更新迭代技术和研发来促进组织进化。或者是产品和服务的横向扩展，比如苹果公司从一开始的ipod和iphone，横向复制出ipad，促进了组织进化，更好地应对了市场异常。
组织不仅仅是对当前问题的应对，也是对未来可能性的一种探索。这与量子理论中的“叠加态”概念相似。未来充满了各种可能性，而人类的观察和行动决定了哪种可能性将会实现。正如《麻省理工科技评论》的一篇文章所概述的：近几十年来，颠覆性技术的出现从根本上改变了许多商业模式，促使大多数组织进行数字化转型。而这种组织进化也促进了技术的进化迭代，以及人们对技术的观念的转变。所以说，一种好的创新模式或者技术，不仅取决于其知识密度，更重要的是他可以“坍缩未来”，成为未来一种重要的组织进化方向。
图4：来自Dalle-3模型生成，体现了人类的组织进化过程
不仅仅是商业组织，人类组织不断的进化也体现了这两种组织哲学。从农业时代到工业时代，再到信息和智能时代，人类社会经历了根本的变革。每个阶段都体现了信息处理和组织结构的根本变化，从线性、层级化结构转变为网络化、去中心化的形态。这些变化反映了人类如何通过不同的组织形式来应对环境的变化和挑战。
– 农业时代：信息处理能力有限，社会结构围绕着宗教和皇权中心化。
– 工业时代：信息处理和交流能力得到提升，商业模式和资本主义的兴起推动了组织结构的演变。
– 信息时代：技术的发展使得信息传播迅速，每个人都可以成为内容创造者和贡献者，组织结构更加网络化和去中心化。
– 智能时代：AI技术的发展预示着未来组织形式将更加灵活和高效。个人和小型团队可能拥有前所未有的影响力和创新能力。
组织进化是对异常的持续适应和对未来可能性的不断探索。技术的进步不仅改变了我们处理信息的方式，也深刻影响了组织结构的发展。在不断变化的环境中，理解组织的进化哲学，才有助于我们更好地预测和塑造未来。
在“more is different”和“一切皆可计算”两大哲学的映照下，对于复杂适应系统而言，“计算不可约”至关重要。也就是说，对于复杂系统中的一些预测需要全面而详尽的模型，任何简化都可能导致预测不准确。我们需要更加全息的计算，需要更加强大的智能，这样才能预测和应对复杂系统中的问题。
我们前面提到，“组织源于异常，坍缩未来”，我们的计算最终是为了更好地处理异常，让组织向着更好的未来进化。这里有两种策略：一种模拟人，用智能大脑来应对异常；一种模拟自然，借助协议化来控制异常。
图5：来自Dalle-3模型生成，用ABM计算制造流水线
不可否认的是，这两种计算哲学目前并不能很好地去融合统一，当然如果能融合，或许也就可以说“AGI（通用人工智能）距离实现不远了”。让ChatGPT去和人交流还可以，但是让它去理解怎么造核弹可能就很费劲了。当下的“智脑”应用于实际，更加需要从场景本身的底层逻辑去出发构建，无论是智慧制造，还是物流优化，还是组织管理。
组织是由各个不同主体组成的，他们相互交互，构成一个复杂系统。因而构建应用于组织的智能，我们需要从微观出发，构建起一个全息的计算模型，让宏观的特性“涌现”出来，以更好地研究问题的因果和机理。于是，基于主体的建模（Agent-based model,ABM）应运而生。
学习和理解个体的行为，捕捉个体动态交互中呈现的复杂性，从而理解整个智慧制造，物流，管理系统，更好地响应环境变化和执行任务，优化资源分配和工作流程，这样不仅提升了系统的可靠性，还能达到降低成本，提高效率的效用。
在《企业复杂性管理：基于Agent建模与仿真的战略性解决方案》中详细地介绍了ABM的起源背景，概念，核心思想以及应用方式。对这个问题希望更加深入了解的朋友可以阅读一下这本书。
图6：陆云波教授翻译作品：《企业复杂性管理：基于Agent建模与仿真的战略性解决方案》
ABM的方法论应用于实践，同时结合“More is Different”的思想，通过多主体建模，可以带来新一轮技术和智能应用的进化，这是一种单点智能到整体大脑的进化。从解决特定问题的单点智能，我们正在向整体大脑演进。整体大脑能够综合和计算多方信息、在更广阔层面上进行智能的预测和决策的，从而更好地应对组织当中发生的异常，使得组织能够不断进化，坍缩未来。
在智能制造的演进过程中，我们绝不能满足于浅尝辄止，而必须向着全局智能的远方迈进。这个理念不仅改变着我们对智能制造未来的定义，更为我们的发展道路划定了宏伟蓝图。
在汽车自动驾驶的领域，有L1-L5的分级，其中的level等级表明了汽车的自动化程度，L5的汽车的行驶是真正完全依赖AI决策的。然而，在智能制造领域，我们却没有清晰的分级，也无法明确何为制造的真正大脑。
这种模糊的定位在商业实践中显然是一块拦路石。面对突发状况、恶劣气候或商业波动，如果我们拥有的是无人工厂或无人仓库，它们的物流和库存系统是否足够聪明，能够应对挑战？我们需要的是一种系统，能够自我适应，自我调整，保持高效，降低成本，提升周转率。
然而，现实告诉我们，如今的黑灯工厂和无人仓库系统通常是机械的，仅仅拥有一些单点的智能，这和真正“L5”程度的智慧制造还离得很远。想要达到真正自动化的整体智能，我们需要放眼全局，而非仅仅解决个别问题。这对商业意味着什么呢？那就是系统的整体价值远超过各个部分的总和。只有当我们在全局层面重新思考和解决问题时，我们才能更深刻地影响成本和利润。
因此，让我们认识到，智能制造不仅仅是在某些领域实现点对点的智能，而是在整个制造生态中实现全面智能的伟大使命。我们需要深入探索和不断突破，以实现真正的智慧制造，提升效率，降低成本，保持竞争优势。这是通往未来的必由之路，充满了无限的机遇和挑战。
让我们从商业实践的角度深入探讨一下，在整体层面上，能够挖掘多少尚未开发的潜力呢？这个问题可能会有不同的看法，因此，让我们一同进行深入的探讨。
有人或许认为，我们能够挖掘出百分之七八十的潜力，而其他人可能提出百分之三十的看法。这些不同的观点引发了深刻的思考。我要强调的是，通过在整体层面上进行改进，任何系统都蕴含着巨大的潜力，这不仅仅是理论，更是多个项目的实际验证。
让我们回顾一下一个令人惊叹的实际案例，以上海的超级工厂为例。从开始建设到生产第一辆车，需要多长时间？有人或许说两年，还有人提到六年六个月。然而，真实情况更为惊人。这座工厂的建设时间只有一年多一点点。现在，请想象一下，如果让大众、宝马、奔驰、通用或丰田建设类似规模的工厂，他们需要多长时间呢？如果我们宽容一点，也许需要两三年才能完成，对吗？
这个案例告诉我们，许多组织和系统都存在着巨大的优化空间。但为什么我们通常无法看到这些机会呢？因为我们的认知和刻板思维限制了我们的视野。要实现真正的变革，我们需要从根本出发，像这个工厂一样，而不仅仅在某些方面进行小幅改进。
总之，我们应该认识到，在商业实践中，通过在整体层面重新思考和优化，我们可以挖掘出巨大的未被发掘的潜力。这种方法对于提高效率、降低成本、推动创新和维持竞争优势至关重要。
让我们再次反思，今天存在的一些遗憾。遗憾之一是，我们目前还没有足够的工具来全面看待问题。即使在我们的IT规划和工作中，我们也常常被迫采用片面的视角来处理问题，各部门之间的割裂导致了各种问题和成本，财务、质量、人力资源等领域使用不同的语言进行交流。这种局部思维方式限制了我们的能力，妨碍了整体性的改进。比如，想象一下在建筑楼宇的过程中，不同专业的图纸可能因为物理空间的冲突而发生纠纷。这是因为在建筑图纸的设计阶段，没有从整体上考虑这些问题，因此只能在实际建设中解决。
那么，为什么我们不能像在建筑业中采用三维建模一样，将整个企业的管理也纳入一个整体模型中呢？然而，可惜的是，我们的现实并非如此。
另一个误区是，实现智能制造是否必须经历自动化、信息化、数字化，然后再进入智能化这个阶段？实际上，这也是一个巨大的误区。逐步升级的方法可能导致我们过于专注于局部问题，而忽视了整体的视角。以汽车制造业为例，一些大型集团公司每年投入数十亿元用于大数据，但如果问他们，这些投资是否真正辅助了决策，是否真正利用了所谓的大脑和AI来帮助他们做出决策，你可能会感到惋惜。这种错位的认知在许多行业都存在，尤其是对于智能制造的理解。
让我们深入思考这个话题。实际上，智能制造在现实世界中非常复杂，不同企业采用不同的智能制造模式，导致我们被各种各样的概念和故事所包围。我们生活在一个故事的世界中，而人类的使命之一就是不断探索未来、观察现实，并相信自己的潜力，寻找最有可能实现的未来。每个人都在为了将自己的未来概率最大化而不懈努力，力争成为市场的关注焦点。
在这个复杂多变的世界中，不同人讲述着各种各样的故事，资本市场每年都会涌现各种各样的概念。回顾过去几年，我们听到了许多大肆宣扬的概念，如工业互联网平台、物联网、数字孪生、CPS、5G和工业4.0等等。然而，我们是否真的在这些概念中找到了实质性的进展？是否已经有企业实现了一个真正具备大脑的工厂，能够在外部环境变化时自主做出决策呢？截至目前，至少根据我的有限调查研究，我还没有看到这种情况。因此，如果我们从这个角度来看，我们可以将这个问题分为不同的感知层。
首先，我们必须数字化物理环境，因为要实现一个大脑，我们必须与物理世界进行互动。然后，我们需要建立网络架构，以便在网络层面传输和计算物理世界的数据。此外，我们需要自动化执行，确保在微观层面上可以执行各种任务。最后，在管理层面，我们需要整体性地管理和监控这些微观数据。但实际上，大多数智能化系统只能做到管理层和执行层的自动化，而真正的决策层仍然相对有限。
在智能制造领域，一些任务非常严格和复杂，如物流系统的路由、线路规划、调度、排班和生产排程等。这些任务需要高度精确的处理和实时系统的控制，通常由咨询公司和科技公司推动。然而，这些解决方案大多以单点智能和单点智能制造技术为核心，需要较长时间来发展。要实现从物理世界的感知到数字化和复杂计算再到将数字世界的控制应用于物理世界的闭环系统，是一项极具挑战性的任务。
考虑不同级别的智能制造，从计算机化开始，然后是连接、数据可视化、透明性，最终是自适应处理各种问题。最高级别的智能制造能够自主处理各种情况，无需人工干预。然而，实施这种自适应性是一个逐步爬坡的过程，可能会遇到挑战和困难。
要实现一个真正具备大脑的智能制造系统，需要考虑新技术的双重性质，因为新技术可能会引发新的异常情况，这是一个不断螺旋上升的过程。完美的实现可能非常困难，但这也是技术发展的一部分。
目前，最大的问题在于中间环节的缺失。许多问题，如生产车间的布局、产线工位的设置、流程的合理性、供应链是否及时、成品库存等等，都没有得到很好的解决。有没有一个大脑可以在全局范围内俯视和透视，深刻理解业务规则，知道为什么而不仅仅是什么？目前还没有一个完全胜任的系统。虽然目前的方法可以回答一些问题，但仍然会产生各种异常情况，这些异常情况会带来很大的摩擦成本。
虽然在现有条件下可能无法实现一个完美的系统，但我们是否可以从零开始创建一个版本1.0的系统呢？这正是我们要探讨的内容。如果我们拥有一个强大的智能大脑，我们可以对所有历史数据进行回顾，预测未来的各种情况，实时响应异常情况，并进行各种假设和场景下的沙盘推演。这意味着我们可以拥有一个透明的大脑，可以贯穿各个环节，对我们来说是透明的，并且能够实时智能地协同工作。
在这其中一个关键点是，我们需要考虑使用什么样的计算结构来实现这一切。在这里，我们不再局限于传统的仿真模型或LLM大型深度学习模型。相反，我们提出了一个全新的概念，称为全息计算。需要注意的是，全息计算并不是一种非常严格的理论，而更像是我们自己在商业实践中得出的一种最佳实践或体悟。
那么，全息计算的灵感来源于什么呢？它来源于全息原理。大家或许听说过，宇宙是高维的，宇宙不仅仅是三维空间加一维时间，还包含其他维度。在物理学中，有一个理论，尽管尚未被实证验证，但在某些假设条件下已经被验证，这就是宇宙有11个维度的理论。另外一个相关的理论认为，宇宙的底层是二维的，并且信息编码在其表面上。这里的二维是逻辑比特上的二维，和真正我们物理空间的维度并不冲突。举个例子，我们手机当中的一些游戏，所展示的画面信息是三维的，但是手机内部cpu系统运行时却是二维的运行逻辑。
这意味着什么呢？如果我们将某个物体，比如一颗恒星，吞没到黑洞中，它的信息熵变化与其体积无关，而与其球面的面积有关。因此，黑洞内的所有信息都被编码在其表面上（观点来源于黑洞信息悖论 ）。类似地，计算中的比特也有两个层面，物理比特和逻辑比特。逻辑比特在逻辑上可以是高维的，尽管物理比特是二维的。这说明了在计算领域中，我们可以将底层的简化与高维的涌现相结合，而不必拘泥于过度简化的传统思维。
因此，在全息计算的理念下，我们可以尽可能地逼近问题，而不是过度简化。我们可以将所有历史、预测、实时信息、假设和沙盘推演等输入到一个庞大的模型中，包括网络、工厂、仓库、供应商、市场、运营、管理和人员等各个领域的信息。通过综合所有这些信息，我们可以实现智能计算和输出。
然而，需要注意的是，全息计算并不是一项简单的任务。我们需要确保输入数据的质量，因为垃圾数据将导致垃圾输出。此外，这种计算可能需要大规模的仿真模型来验证和确保其有效性。这种方法要求我们不再过度简化问题，而是尝试尽可能逼近问题，以实现更全面的智能计算。
总之，全息计算是一种有潜力的思想，可以帮助我们实现实时控制和智能制造的目标。然而，它也面临一些挑战，需要不断努力和创新。从零到一的创建一个完整的大脑系统可能并不容易，但这个思想提供了一个新的方向，值得我们进一步探讨。
我想分享一些关于全息计算和数字孪生的重要概念，以及它们在智能化领域的应用。这些概念对于许多行业，包括智能手机制造和信息技术系统架构都至关重要。
首先，全息计算和数字孪生虽然有一些相似之处，但也存在一些根本性的区别。数字孪生通常涉及将物理系统转化为三维的虚拟模型，而全息计算更注重“神”而非“形”，旨在还原生产系统的因果逻辑机理。对于人工智能来说，并不需要理解三维世界，因为这是人类交互的方式。
全息计算的核心在于模型的交互性。例如，一家快递公司可以将其整个运营系统建立为数字孪生，从而实现远程操控。然而，对于人工智能而言，重点在于机理和逻辑层面，以模仿复杂系统的运营方式，而不需要关注三维模型。
在实际应用中，数字孪生已经在多个领域得到广泛应用，包括物流、智能制造和医药等。然而，全息计算更加注重内部的因果机理，而非像数字孪生一样注重交互性。对于以全息计算为底层原理的人工智能而言，关键在于实现高效的决策，而不仅仅是建模的工作。
另一个重要概念是数据一致性。在大规模企业中，可能存在数十甚至上百个不同的信息系统，数据一致性常常是一个挑战。解决数据一致性的方法之一是建立全息模型，将所有系统的数据整合在一起，以确保模型的准确性。然而，需要小心处理，因为如果输入的数据有误，模型的输出也会出现问题。
最终，全息计算的目标是实现自主智能，提高运营效率，优化决策速度，并允许动态响应。这需要我们以终为始，逐步提高智能化水平，解决问题，并实现实时响应。这些思考将帮助我们更好地理解和应用全息计算和数字孪生在智能化领域的潜力。
在这个数据驱动和智能化核心的新时代，复杂科学的概念已经从纯粹的理论探讨走向了实际的商业实践。陆老师从计算和组织进化的哲学出发，融合许多技术，形成了“全息计算”和“整体智能大脑”的技术路径。同时，让技术聚焦于商业实践，解决了更多的商业实际问题。
「复杂系统管理学」读书会上海专场照片
陆云波，现任同济大学组织仿真中心主任、副教授，SIMOE和奇弦智能创始人，主持和参与10多项国家级科研项目，包括2项国家自然科学基金重大项目，成果荣获上海市科学技术进步一等奖、教学成果一等奖。
2022年，陆博士团队启动下一代“Agent模拟和计算无代码平台”的研发，聚焦于区块链和Web3领域Protocol经济系统的设计和优化，致力于打造Web3风险管控的自适应“免疫系统”。
学者主页：https://sem.tongji.edu.cn/semch/15068.html
21世纪人类已经进入了全球化时代，事物彼此之间的依赖程度愈来愈深，传统的分割式思维模式已经无法深入分析与解决现有问题。在此时代背景下，一种主张以系统思维模式为核心的科学管理理论顺势而起。
兴起于20世纪80年代的复杂性科学，是系统科学发展的新阶段，也是当代科学发展的前沿领域之一。复杂性科学的发展，不仅引发了自然科学界的变革，而且也日益渗透到哲学、人文社会科学领域。英国著名物理学家霍金称“21世纪将是复杂性的世纪”。
企业、组织都是典型的复杂系统，也是复杂科学可以落地的方向。复杂系统管理学，是建构在复杂系统基础上发展的管理学新视角。复杂系统视角不仅可以形成一个认识问题的体系，也可以孕育解决问题的思维方式和方法。它不只是一堆解释性的概念，也可以通过与社会科学和大数据相结合，发展算法、构建模型，完成理论验证，发展出可预测未来的动态演化模型。
集智俱乐部邀请了清华大学社科学院社会科学院与公共管理学院合聘教授罗家德，清华大学经济管理学院副教授张勉，SIMOE 和奇弦智能创始人、同济大学组织仿真中心主任陆云波，以及东南大学经济管理学院教授吕鸿江共同发起了复杂管理学读书季第二季。聚焦在自组织、DAO、创新型管理、网络等方向，分享复杂系统管理领域的前沿理论、经典科普图书，旨在促进学术交流、知识分享以及跨领域合作。共同探讨复杂科学理论在复杂系统管理场景的应用、实践与展望，一起应对复杂多变的人类发展未来。
本系列读书会采用线上和线下相结合的方式，2023年9月23日开始，每周六下午 14:00-17:00，持续时间预计8-10周。读书会详情及参与方式见后文。
详情请见：
生态型组织进化：混沌边缘的涌现｜复杂系统管理学读书会第二季启动
