需要的就不仅仅是更新换代了，它需要完全重做。
利用它的最好方式，是把它看成一个挑战，是建立更好的模型的一个新起点。一个真正的全球社会的预测模型，应该满足下面这些条件：
◆ 能够大量运行各式各样的情景。
◆ 从一些更灵活、更有根据的假设开始。
◆ 实施分布式学习。
◆ 包含局部性和地区性的差异。
◆ 如果可能的话，展现不断增长的复杂性。
我之所以不把焦点放在“增长的极限”世界模型上，是因为我想指摘它那些强有力的政治内涵（毕竟，它的第一个版本激发了一代反增长的激进主义分子）。确切地说，这个模型所具有的种种不充分性，恰好跟我想在本书提出的几个核心论点相对应。为了把这个系统的某段情景“前馈”到未来，福瑞斯特和梅多斯勇敢地尝试模拟一个极端复杂的、具有适应性的系统（在地球上生活的人类的基础结构）。这个福瑞斯特／梅多斯模型所突出的，不是增长的极限，而是某些特定的模拟的极限。
梅多斯的梦想，同样是福瑞斯特的梦想，是美国中央司令部那些战争博弈者的梦想，是法默和他的预测公司的梦想，也是我的梦想。
而这个梦想就是：创造出一个系统。这个系统要能够充分反映出真实的、进化着的世界，使得这个微型模型能够以比真实世界跑得更快的速度进行运转，从而把它的结果投射到未来。
我们想要预测机制，不是出于预知命运的使命感，而是为了获得指引。理念上，只有考夫曼或者冯·诺伊曼的机器，才能自行创造出更为复杂的东西。
为了做到这一点，模型就必须拥有“必要的复杂性”。这个术语，是二十世纪五十年代由控制论专家罗斯·艾希比创造出来的，他最早制作出了一些电子自适应模型。每一个模型，都必须一点一滴地提取出无数现实的细节，汇聚起来压缩成像；它必须浓缩的最重要的特质之一，就是现实的复杂性。艾希比总结了自己那些用真空管造出迷你模型的试验，得出了这样的结论：如果一个模型过于急切地简化了复杂现象，它就会错失目标。模拟的复杂程度，不得超出它所模拟的复杂性的活动领域，否则，模型就跟不上它所模拟的东西的曲折路线。另外一位控制论专家，杰拉尔德·温伯格，在他的著作《论稳定系统的设计》中，给这个“必要的复杂性”提供了一个非常贴切的比喻。温伯格提示说，想象一下，一枚制导导弹瞄准了一架敌机。导弹自己并非一定也是一架飞机，但是它必须具备与飞机的飞行行为复杂性旗鼓相当的飞行复杂性。如果这枚导弹不具备至少与目标飞机一样的速度，而且在空气动力学方面的敏捷程度也不如那架目标敌机，那它肯定打不中目标。
更多内容加载中...请稍候...
若您看到此段落，代表章节内容加载失败，请关闭浏览器的阅读模式、畅读模式、小说模式，以及关闭广告屏蔽功能，或复制网址到其他浏览器阅读！