AI 为什么能理解一个如此复杂的世界?答案可能是:世界可以被拆解

一座乐高城堡看起来宏大，拆开以后仍是有限的基础积木；文明、软件和知识也不断把成功的组合固化成中间层。深度网络真正押中的，也许不是世界很简单，而是复杂性有层次、有局部关系，也可以被反复组合。

文明把走通的组合固化成中间层，深度网络则在数据中寻找可以复用的拆法。世界并未因此变简单；复杂性只是拥有了层次、局部关系和继续生长的方式。

① 乐高城堡为什么不需要城堡积木 → ② 文明怎样制造中间层 → ③ 触类旁通从哪里来 → ④ 维度灾难与组合稀疏性 → ⑤ 神经网络为何恰好匹配 → ⑥ 符号主义真正的难题 → ⑦ 怎样找到正确拆法 → ⑧ Ontology 与 FDE 怎样补上行业结构

▲ 宏大的积木城堡向下展开为拱门、梁柱与基础积木，隐喻世界的层次化结构

一座城堡，为什么不需要一块“城堡积木”

想象一个孩子，用乐高搭起一座城堡。

有城墙、塔楼、拱门、屋檐、旋转楼梯，甚至还有一座能升降的吊桥。远远看去，它已经像一个独立的世界。

可把它拆开，最底下仍然是那些有限的基础积木。

当然，我们不会每次都从最小的方块重新开始。搭到一半时，一根柱子已经成了一个组件，一面墙又由几根柱子和横梁构成。下一次造塔楼，可以直接复用那面墙；下一次造车站，拱门和房梁还可以迁移过去。

于是，最小的积木之上，逐渐长出了许多中间层。

柱子。

房梁。

屋檐。

房间。

塔楼。

这些东西并不是最底层的原子，却也不再是最后的城堡。它们是一些已经被验证过、可以反复调用的组合。

人类文明也是这样搭起来的。

今天的程序员写一个支付系统，不会从晶体管开始；造桥的工程师不会重新发明钢筋；医生使用一种检查方法，也不必先从头证明电磁学。我们把曾经走通的路固化成概念、标准、工具、接口和制度，后来者站在这些中间层上继续往上搭。

文明能够积累，并不只是因为我们保存了更多知识，还因为我们保存了知识之间已经走通的组合方式。

这件事看起来像常识，却可能正好触碰到深度学习最重要的理论问题：

一个如此复杂的世界，为什么可以被神经网络学会？

一种越来越有吸引力的答案是：世界虽然复杂，却不是任意复杂。它有层次，有局部关系，有可以复用的模块，也有大量已经被历史固化的中间结构。

深度学习没有征服所有可能的复杂性。

它更像是押中了复杂性组织自己的方式。

文明的秘密，是不断制造中间层

软件行业最容易看见这种结构。

一段基础代码解决一个具体问题，后来被封装成函数。几个函数组合成一个库，几个库又支撑起一个框架。数据库、操作系统、网络协议和云服务继续向上叠加，最后，一个普通人点一下手机屏幕，就能完成一次跨越账户、银行、风控、通信网络和清算系统的支付。

使用者不需要理解整条链路。

他只需要知道这个按钮可以调用下面已经搭好的世界。

1972 年，计算机科学家 David Parnas 在讨论软件模块时提出：好的拆分不应该只是按步骤切开，而应把容易变化的设计决策藏在模块内部。这样，一个局部变化就不必把整个系统推倒重来。

更早的 1962 年，Herbert Simon 在《复杂性的架构》中观察到，许多复杂系统之所以能够形成和维持，恰恰因为它们具有层级和“近似可分解”的结构：子系统内部关系更紧密，子系统之间的联系相对有限。

这解释了为什么中间层如此重要。

它不只是为了让系统看起来整齐，而是在替文明隔离复杂性。

▲ 基础积木逐层固化成梁柱、建筑、软件模块与城市系统，表现文明如何保存成功的组合

一根柱子把许多砖块之间的关系封装了起来。

一个函数把几十行代码变成了一个可以调用的名字。

一个法律概念把大量历史案例压缩成了一个可讨论的边界。

一个数学定理把无数次推导固化成了后来者可以直接使用的台阶。

中间层不是对底层世界的背叛。它是有限的人类，能够继续建造复杂文明的条件。

我在以前的文章《从一个取反说起——计算机如何从“只会加法”走到“AI 写诗”》里，曾沿着七层抽象从逻辑门一路走到 GPT。今天再回头看，那篇文章真正展示的，正是文明如何把底层能力一层层封装起来：每一层都很有限，组合起来却可以抵达一个完全不同的尺度。

“触类旁通”，因为来时的路彼此相连

我们常说一个人能够触类旁通。

他学会了一种编程语言，再学第二种会更快；理解了反馈控制，也更容易看懂恒温器、企业管理和神经系统中的相似结构；掌握了“接口”这个概念，就能在软件、组织和公共制度中发现边界与协作的问题。

这并不神秘。

人类创造的知识本来就有继承性。

新工具建立在旧工具上，新概念借用旧概念，新问题也常常只是熟悉结构在新场景里的重新出现。树、网络、循环、反馈、分层、竞争、平衡、压缩、接口——这些结构穿过不同学科，被一次次重新使用。

所以，迁移学习不是 AI 世界突然出现的奇迹。文明本身就在迁移。

语言尤其如此。

一篇教材、一段代码、一份技术文档，看起来只是一串文字，里面却已经埋进了人类替世界做过的切分：什么叫对象，什么叫动作，哪些东西属于同一类，哪些步骤有先后关系，哪些局部结构可以换一个场景继续使用。

大模型学习的并不是未经整理的整个宇宙。

它首先学习的是一个被人类观察、命名、分类、抽象和反复书写过的世界。它面对的训练材料，本身就带着文明的中间层。

这也连接到我以前写过的《数学不是计算，而是看见结构》：数学之所以能够迁移，不是因为它记住了更多对象，而是因为它努力保留对象之间那些不随表面变化而改变的关系。

不过，这里需要留一道边界。

世界并不总像一盒边界整齐的乐高。自然界有连续变化、混沌、长程关联和跨尺度涌现；同一件事怎样拆，也取决于我们的目标。维修一座城堡、搬运一座城堡和判断它能否抗震，需要的拆法并不相同。

“世界可以拆解”不是说世界已经替我们画好了唯一的零件图。

它只意味着：很多重要问题存在某些比“把一切同时放在一起”更经济、更稳定的组织方式。

一个平铺的世界，几乎不可能被学会

现在，我们可以回到深度学习。

假设一个问题有 100 个输入，每个输入只有 10 种可能。如果我们把每一种组合都当成完全独立的情况，就要面对 10¹⁰⁰ 种状态。

这个数字已经超过可操作的尺度。

这就是“维度灾难”最直观的一面：维度一高，如果不同情况之间没有可以复用的关系，样本、参数和计算量都会爆炸。

一个平铺的查找表，只能记住见过的组合。

但现实中的猫，不是几百万个像素任意排列后的一个标签。

边缘组成纹理，纹理形成局部形状，眼睛、耳朵和轮廓继续组成一个动物。位置、光线和姿态会变化，许多局部关系却仍然保留。

语言也不是所有词与所有词毫无层次地同时碰撞。

字组成词，词进入短语，短语形成句子；指代、语法、上下文和常识再把句子放进更大的结构里。

复杂性没有消失。

它被组织起来了。

▲ 左侧是难以穷尽的全连接可能性海洋，右侧是少量局部模块逐层组成稳定结构

这里需要澄清一个容易误会的地方。

不是说“一个函数”无法解释世界，而“拆解”就不再是函数。一个深度神经网络从整体看，仍然是一个巨大的函数。

区别在于，这个函数不是一张平铺的表，而是由许多较小的函数层层复合而成：

整体函数 = 第 L 层（……第 2 层（第 1 层（输入）））

如果每个小函数只需要处理少量输入，整个系统又只使用数量可控的组成部分，这种结构就被称为组合稀疏性。

决定困难程度的，不再只是总共有多少变量，而是每个局部模块一次需要处理多少关系，以及这些模块怎样连接。

一座城市很大，但一个工人不必同时和全城所有人沟通。

一个软件系统很复杂，但一个函数不必知道全部源代码。

一个句子的意思很丰富，但每一步理解也不必重新遍历人类写过的所有句子。

神经网络，恰好撞上了这条路

神经网络的基本单元出奇地简单。

若干输入乘上权重，加在一起，再通过一个非线性函数。这样的单元排成一层，一层的输出交给下一层；数据和误差不断调整权重，许多简单变换就逐渐组成了一个复杂系统。

简单，是因为每一步并没有多少神秘操作。

复杂，是因为这些操作可以重复数十层、数百层，可以拥有数十亿乃至更多参数，还可以根据上下文形成不同的计算路径。

这是一种很特别的结构：它把简单和复杂同时保留了下来。

如果一个问题本身具有层次化组合结构，深度网络就可能用较低层处理局部关系，用更高层继续组合。深度在这里不是装饰，也不只是“参数更多”，而是给函数的复合留下了空间。

2015 年，Yann LeCun、Yoshua Bengio 和 Geoffrey Hinton 在《Nature》的深度学习综述中，将深度学习概括为学习多层表示：较高层表示由较低层表示组合而来。后来关于深层与浅层网络的理论工作进一步指出，对某些具有层次化局部结构的函数，深层网络可以避免浅层表示所遭遇的指数代价。

这也补上了万能近似定理没有回答的一步。

我曾在《为什么矩阵和激活函数就能涌现智能？》里介绍过：在一定条件下，神经网络能够逼近广泛的连续函数。

但“能够表示”不等于“可以经济地表示”，更不等于“训练一定能够找到”。

一间仓库理论上可以堆下造城堡所需的所有积木，不代表你知道该怎样搭，也不代表随便摇晃仓库就会出现一座城堡。

组合稀疏性的价值，是把问题从“能不能表示”推进到“为什么某些复杂函数可以用非指数规模的深层结构表示”。

不过，理论中的稀疏深层网络，也不能直接等同于今天每一个具体的大模型。Transformer 中有大量密集矩阵运算，注意力、残差连接和训练动力学也比一棵整齐的组合树复杂得多。MoE 每次只激活部分专家，确实呈现了条件计算和模块复用的方向，但“专家”也未必天然对应人类可以命名的概念模块。

理论给出的是一副重要的眼镜，不是已经画完的解剖图。

符号主义的问题，不是它不懂模块

讲到这里，很容易得出一个过于整齐的结论：符号主义试图用一套规则解释世界，神经网络选择了拆解，所以后者赢了。

但这对符号主义并不公平。

符号主义其实比神经网络更早强调拆解、组合和调用。

一个符号系统同样会把世界拆成对象、属性、关系、规则和子程序。Allen Newell 与 Herbert Simon 提出的“物理符号系统假说”，相信智能可以通过符号结构和对符号的操作产生。专家系统也是把复杂判断分成大量可以调用的规则。

它真正的困难是：谁来决定怎样拆？

当工程师事先知道对象是什么、规则是什么、边界在哪里，符号系统可以非常可靠。计算器、编译器、数据库查询和许多业务规则系统，今天仍然建立在符号操作之上。

可开放世界中充满了模糊、连续变化、默认常识和例外。

“杯子”可以是容器，也可以是奖品；“银行”可以在河边，也可以在街角。一个人说“这事有点冷”，可能在谈温度，也可能在谈气氛。我们很难提前写完所有对象、语境和规则，更难规定每一种例外怎样与其他规则组合。

符号主义的窘境不是世界不能拆，而是它常常要求人先把正确拆法写出来。

神经网络换了一种办法。

人不再逐条指定中间概念，而是给出架构、数据和目标，让模型在优化过程中形成内部表示。它有机会发现那些人类难以完整书写的连续关系和统计结构，也因此获得了更强的适应性。

代价是，我们不再容易知道它究竟怎样拆。

而且，“内部表示”并不等于模型在某一层整齐地造出了“柱子神经元”“屋檐神经元”。表示学习得到的特征往往是连续、分布式的：一个概念可能由许多参数共同参与，一个参数也可能服务于许多模式。乐高是理解组合性的好比喻，却不能直接当成神经网络的解剖图。

▲ 一侧是人工编写的规则抽屉，另一侧是从数据中生长的多层网络，中间由可验证接口连接

符号主义把中间层写在纸面上，清楚却容易僵硬。

神经网络把中间层分布在权重和激活之中，灵活却难以解释。

今天更现实的方向，可能不是让两者继续决一胜负，而是让学习系统负责发现表示、模式和候选路径，让符号工具、程序、约束与验证机制负责那些必须精确、可以审计的环节。

真正困难的问题：到底应该怎样拆？

现在，问题终于走到了最关键的地方。

既然复杂世界可以通过中间层组织，那么，怎样找到正确的中间层？

同一座乐高城堡可以有很多拆法。

按颜色拆，方便清点。

按楼层拆，方便展示。

按受力结构拆，方便修复。

按可以复用的组件拆，方便下一次建造。

拆法并没有脱离任务而独立存在。

神经网络也一样。数据告诉它看过什么，目标函数告诉它什么算错，架构限制哪些关系更容易形成，优化过程决定它最后走到哪一种表示，正则化又会偏好某些更简单、更稳定的解。

所以，“正确拆解”不是找到宇宙唯一的零件清单。

它至少要满足几个更朴素的条件：

在没有见过的新情况里仍然有用；
局部变化不会让整个结构崩塌；
中间模块可以复用和迁移；
计算与样本成本可以承受；
当任务改变时，拆法也能被修正。

2024 年，Tomaso Poggio 与 Maia Fraser 在《美国数学学会通报》发表论文，讨论可学习函数的组合稀疏性。他们提出：高效图灵可计算的函数具有组合稀疏表示；稀疏的深层网络能够利用这种结构，绕开通常的维度灾难。

这个结论很有力量，却也必须读准。

它说明某种经济的表示存在，不自动保证梯度下降能从有限样本中发现它；说明一个函数可以被高效计算，也不自动说明模型只看输入和输出，就能还原其中最好的计算步骤。

下一词预测也是如此。

如果训练材料包含丰富的中间过程，局部预测可以逐步学到复杂计算；但普通语料是否充分暴露了那些关键步骤，模型学到的是稳定结构还是表面捷径，仍然需要另外回答。

存在一条可以走通的路，与学习者能够找到这条路，是两个不同的问题。

这也可能解释今天 AI 的一部分脆弱性。

当训练环境与真实环境共享结构时，模型会显得非常聪明；当表面相似、内部关系却已经改变，它可能仍沿用旧拆法，给出流畅而错误的答案。

它不是突然失去了所有知识。

更可能是它调用了一个在旧场景中有效、在新场景中已经失效的中间结构。

▲ 许多可能的积木拆法围绕同一座结构展开，只有部分路径能够稳定复用并通向新场景

从通用拆法，到一个行业自己的“本体”

这时，当下企业 AI 中很热的一个词就出现了：Ontology，本体。

它原本是哲学里追问“世界上有什么”的分支。进入计算机与企业系统以后，它的含义具体了许多：在一个共同领域里，哪些东西被视为对象，它们有哪些属性，彼此怎样关联，又受到哪些规则和约束。

微软把企业 ontology 定义为一套“共享、机器可理解的业务词汇”；Palantir 则进一步把它称为组织的“操作层”：不仅有对象、属性和关系这些表示世界的名词，还有动作、函数和动态权限这些改变世界的动词。

比如在一家制造企业里，“订单”“设备”“零件”“供应商”是什么，只是第一步。系统还要知道：订单处于什么状态，设备与哪条产线相连，缺少一个零件会影响哪些交付；谁可以调整排程，什么情况下必须停机，动作完成后又怎样确认真实结果。

这样看，你提出的理解已经非常接近了：互联网规模的训练，让模型从语言、代码和图像中学到大量通用关系，形成一种隐式、分布式的通用拆法。它能把这些关系迁移到没有见过的样本上，这构成了我们所说的泛化能力，也贡献了它表现出来的智能。

但它拿到一家工厂、一家医院或一家银行时，手里更像是一套很丰富的通用积木和常见搭法，而不是这家组织精确的施工图。

问题也不只在内部数据太少。

很多企业的数据分散在不同系统里，同一个词在两个部门可能不是同一个意思；真正决定事情怎样处理的经验，留在老员工脑中、群聊和临场协调里；权限、例外和责任更不是从历史频次中自动推导出来的。历史只记录过去怎样做过，不证明过去的做法始终正确，也不能替组织决定今后允许 AI 做什么。

所以，企业 ontology 不是把历史数据再切得细一点。它是把通用模型看不见、也无权自行决定的局部结构显式化：

什么对象在这里真正存在；
同一个词在这里究竟指什么；
对象之间有哪些稳定关系；
哪些动作可以执行，谁有权限执行；
什么结果算成功，出了例外怎样升级；
真实后果回来以后，原来的定义要不要修改。

数据可以帮助发现和检验这些结构，但人仍要参与命名、选择、授权和修订。

这也解释了为什么 FDE——Forward Deployed Engineer，前沿部署工程师——重新受到关注。

OpenAI 对这一岗位的描述不是单纯“到客户那里调模型”，而是从需求发现、技术定界、系统设计、构建一直负责到生产上线，再用真实采用、工作流影响和评测反馈，把现场经验送回产品和模型。Palantir 的岗位说明也强调直接与客户共同实施端到端工作流，解决真实业务问题，并把现场所学反馈给产品。

因此，FDE 确实在帮助完成你所说的“本地结构构建”，但工作比拆积木更宽：

通用模型提供可能的拆法，领域专家提供语义、边界与责任，FDE 把两边翻译成可以连接数据、调用工具、接受评测并进入生产的结构。

当一种现场拆法反复有效，它就可以被固化成 ontology、工作流、评测、工具或可复用模块；下一次遇到相似问题，组织不必重新从零开始。文明制造中间层的过程，就在一家具体企业里再次发生。

不过，FDE 也不是新的永久手工层。Palantir 已经提供名为 AI FDE 的 Agent，用自然语言执行数据转换、ontology 编辑、函数编写和测试。这恰好说明：一旦某部分现场经验已经能够被明确描述、授权和验证，它也会继续被封装、被自动化。人的工作会被推向那些尚未说清楚的对象、冲突、例外和责任边界。

如果把这三层分开，关系会更清楚：

神经网络学习隐式表示；ontology 建立显式业务结构；FDE 与领域人员让结构在真实行动和反馈中接受检验。

这不是用本体论替代神经网络，而是给通用智能补上一张可以行动、可以审计、也可以修改的局部地图。

深度学习没有证明世界简单

我们可以再看一眼那座乐高城堡。

从远处看，它宏大、复杂，细节多得难以一次理解。

走近以后，我们发现它由塔楼、墙面、梁柱和基础积木组成。每一层都隐藏了一些下面的细节，又给上面提供了新的能力。

世界并没有因为可以拆解就变得简单。

恰恰相反，正是因为简单模块可以反复组合、固化、迁移，再成为下一层的起点，复杂性才获得了不断生长的可能。

这也解释了为什么神经网络如此特别。

它的基本操作很少，却可以变得很深、很宽；它没有为每一种知识预留一个抽屉，却能让大量关系在层与层之间重新组合。它像一台巨大的结构搜索机器，在人类文明已经留下的语言、代码、图像和行为痕迹中，寻找可以复用的拆法。

以前我们常说，智能是压缩。我在《压缩即是全部》里写过：理解意味着用更短的结构生成更多现象。

现在还可以再补一句：

好的压缩之所以能够迁移，是因为它找到了可以反复组合的中间层。

我们今天已经知道，深度网络有机会利用这样的世界。

但我们还不知道，它为什么常常能找到有效拆法，又为什么会在某些地方突然拆错；我们也不知道，人类概念、神经网络内部表示和现实世界的因果结构，最终能够在多大程度上彼此对齐。

Poggio 用电学史做过一个很好的类比：今天的机器学习，也许正处在伏打与麦克斯韦之间。强大的应用已经出现，统一、可靠的基础解释仍在路上。

神经网络可能已经碰到了一条正确的路。

它让我们看见：

世界最深的秘密，也许不是复杂背后藏着一个孤零零的简单公式，而是简单关系能够被保存、调用和重新组合，于是一步步长成了复杂本身。

下一步，不只是继续增加积木。

而是理解我们为什么这样拆，又怎样找到更好的拆法。

参考资料

陈立翰：《深度学习的基础原理》，Tomaso Poggio 清华大学讲座整理。
Tomaso Poggio, Maia Fraser. “Compositional sparsity of learnable functions.” Bulletin of the American Mathematical Society, 2024.
Herbert A. Simon. “The Architecture of Complexity.” Proceedings of the American Philosophical Society, 1962.
David L. Parnas. “On the Criteria To Be Used in Decomposing Systems into Modules.” Communications of the ACM, 1972.
Allen Newell, Herbert A. Simon. “Computer Science as Empirical Inquiry: Symbols and Search.” Communications of the ACM, 1976.
George Cybenko. “Approximation by Superpositions of a Sigmoidal Function.” Mathematics of Control, Signals, and Systems, 1989.
Yoshua Bengio. “Learning Deep Architectures for AI.” Foundations and Trends in Machine Learning, 2009.
Yoshua Bengio, Aaron Courville, Pascal Vincent. “Representation Learning: A Review and New Perspectives.” IEEE TPAMI, 2013.
Yann LeCun, Yoshua Bengio, Geoffrey Hinton. “Deep Learning.” Nature, 2015.
Tomaso Poggio, Hrushikesh Mhaskar, Lorenzo Rosasco, Brando Miranda, Qianli Liao. “Why and When Can Deep—but Not Shallow—Networks Avoid the Curse of Dimensionality: A Review.” International Journal of Automation and Computing, 2017.
W3C. “Web Ontology Language (OWL).”
Microsoft Fabric. “What Is Ontology?” Microsoft Learn, 2026.
Palantir. “Ontology Overview” 与 “Why Create an Ontology?.”
OpenAI. “Forward Deployed Engineer.”
Palantir. “Forward Deployed AI Engineer” 与 “AI FDE Overview.”