The Sciences of the Artificial
人工科学
赫伯特·西蒙（Herbert A. Simon）著
第三版 · MIT Press · 1996 [p.iii]
前言 Preface
核心论点：《人工科学》探讨人工物的科学——那些由人类通过设计和制造创造的事物，而非自然演化而来[p.1]。西蒙提出，我们可以建立一门关于人工物的科学，就像研究自然科学那样研究人造的世界。
全书主题：本书的核心思想是，人工物（artifacts）可以通过其功能、目标和环境来理解和描述[p.6]。经济系统、社会组织、思维过程都可以被视为人工物，用科学的方法进行研究。
第三版前言要点
距离第二版（1981年）已经过去15年，世界发生了巨大变化。第三版的主要更新包括：
- 新增第7章：讨论复杂性的各种观点，包括混沌、自适应系统、遗传算法等[p.ix]
- 更新认知心理学：第3、4章反映了1981年以来认知心理学的重要进展[p.x]
- 更新设计科学：第5、6章纳入了设计科学的最新发展
- 经济系统观点：第2章反映了对组织和市场在经济系统中作用的新思考
什么是"人工"（Artificial）？
西蒙在开篇就提出了一个根本问题：什么是人工的？什么是自然的？二者的本质区别是什么？[p.1]
人工物是由人类通过设计和制造创造的，它们相对于自然环境而存在，并且通常是为了实现某种目的或功能而被创造出来的[The Artificial, p.1]。
人造的对象、系统或过程，如工具、建筑、制度、算法等。其意义在于功能而非物质构成[p.3]。
核心概念
- Artifacts（人工物）：人造的对象、系统或过程，如工具、建筑、制度、算法等[p.2]
- Natural（自然）：未经人类干预而存在的现象和事物
- Teleology（目的论）：通过目的或功能来解释人工物，这是人工科学的核心方法[p.5]
- Complexity（复杂性）：系统各部分之间相互作用的程度，是全书反复探讨的主题[p.183]
关键要点
- 人工科学不是关于"虚假"或"不真实"的事物，而是关于人类创造的世界[p.vii]
- 人工物可以通过其功能、目标和与环境的关系来描述[p.4]
- 理解人工物需要同时考虑设计者的意图和用户的使用方式
- 复杂系统通常具有层次结构，这是理解复杂性的关键[p.184]
第1章：理解自然与人工世界
Understanding the Natural and Artificial Worlds
[来源：目录第1页; 第1章全文]
核心论点：本章建立人工科学的基本框架。西蒙提出，自然现象由自然法则描述，而人工物由其功能、目标和与环境的关系来描述[p.6]。理解人工物需要采用"功能解释"（functional explanation）的方法。
人工物的本质
西蒙用钟表作为经典例子：钟表的意义不在于它的物质构成（金属、齿轮、弹簧），而在于它的功能——计时[p.3]。要理解钟表，必须理解它的设计目的和工作原理，而不仅仅是分析它的物理组成。
"为什么这个齿轮这样转动？"——在自然科学中，我们回答"因为它受到其他齿轮的力的作用"；在人工科学中，我们回答"因为这样设计可以使钟表准确计时"[Functional Explanation, p.8]。
功能解释
功能解释（Functional Explanation）是人工科学的核心方法[p.8]。在自然科学中，我们问"为什么"时，通常是在寻找原因（cause）；而在人工科学中，"为什么"指向的是目的（purpose）或功能（function）。
环境作为模具
西蒙强调，人工物的形状和功能是由环境"塑造"的[p.12]。生物进化就是自然选择的例子——环境决定了哪些特征能够存活。同样，人类的设计也受到环境的约束和启发。
人类决策受限于认知能力、信息和时间，只能做出"满意"的决策，而非"最优"的决策[p.26]。
核心概念
- Functional Explanation（功能解释）：通过目的或功能来解释人工物，而非仅仅通过原因[p.8]
- Environment as Mold（环境作为模具）：环境塑造人工物的形式和功能[p.12]
- Inner Environment（内部环境）：人工物自身的结构和组成[p.7]
- Outer Environment（外部环境）：人工物运作的环境
- Adaptation（适应）：人工物与环境之间的匹配关系[p.14]
适应的限度
人工物不可能在所有环境中都完美运作。设计总是涉及权衡（trade-offs）[p.15]。一把在森林里很好用的斧头，在太空中就毫无用处。这意味着人工科学必须考虑环境对设计的约束。
通过模拟来理解
西蒙提出，理解复杂系统的有效方法是模拟（simulation）[p.18]。通过构建系统的模型并观察其行为，我们可以获得对系统运作的洞察。这种方法后来成为计算机科学和认知科学的核心方法。
关键要点
- 人工物的意义在于其功能，而非其物质构成[p.3]
- 功能解释是通过目的而非原因来理解人工物[p.8]
- 环境塑造人工物的形式，设计必须考虑环境的约束[p.12]
- 适应是相对的——没有适用于所有环境的设计[p.15]
- 模拟是理解复杂系统的有效方法[p.18]
思考问题
- 选择一个人工物（如智能手机、交通系统、教育制度），分析它的功能、环境和设计之间的关系。
- 功能解释和因果解释有什么区别？在什么情况下使用哪种解释更合适？[p.8-10]
- 为什么说"环境作为模具"是理解人工物的关键？
第2章：经济理性：适应性人工物
Economic Rationality: Adaptive Artifice
[来源：目录第25页; 第2章全文]
核心论点：本章将经济学作为人工科学的一个例子。西蒙挑战了传统经济学中的"完全理性"假设，提出有限理性（bounded rationality）的概念[p.26]。人类决策者受限于信息处理能力，只能做出"满意"（satisficing）的决策，而非"最优"（optimizing）的决策。
完全理性 vs 有限理性
传统经济学假设人是"完全理性"的——能够获取所有相关信息、处理这些信息并做出最优决策[p.27]。西蒙认为这个假设不符合现实：
- 信息限制：决策者无法获得所有相关信息[p.28]
- 认知限制：人脑的信息处理能力有限[p.29]
- 时间限制：决策往往需要在有限时间内完成
满意原则（Satisficing）
满意原则（Satisficing）是西蒙提出的决策策略[p.33]。与其寻找绝对最优的方案（这往往是不可能的），决策者会寻找第一个满足最低标准的"足够好"的方案。
满意（satisfice）= 满足（satisfy）+ 足够（suffice）。决策者设定一个可接受的最低标准，然后选择第一个达到这个标准的方案[Economic Rationality, p.33]。
寻找第一个"足够好"而非"最优"的解决方案的策略[p.33]。这是人类在有限理性条件下的实际决策方式。
程序理性 vs 实质理性
西蒙区分了两种理性[p.40]：
- 实质理性（Substantive Rationality）：决策结果在客观上是最优的
- 程序理性（Procedural Rationality）：决策过程本身是合理的、深思熟虑的
在有限信息条件下，我们能够追求的是程序理性，而非实质理性[p.41]。
核心概念
- Bounded Rationality（有限理性）：人类决策受限于认知能力、信息和时间[p.26]
- Satisficing（满意原则）：选择第一个"足够好"的方案，而非寻找最优方案[p.33]
- Procedural Rationality（程序理性）：决策过程的合理性[p.40]
- Substantive Rationality（实质理性）：决策结果的客观最优性
- Invisible Hand（看不见的手）：亚当·斯密的市场自我调节理论[p.74]
组织作为适应系统
经济组织（如公司、机构）可以被看作是适应环境的系统[p.48]。它们通过建立规则、程序和结构来应对复杂性和不确定性。组织理性是个体理性的延伸——组织可以弥补个体认知的局限性[p.50]。
关键要点
- 传统经济学的"完全理性"假设不切实际[p.27]
- 有限理性意味着人类只能做出"满意"的决策[p.33]
- 程序理性比实质理性更重要——关注决策过程而非结果[p.41]
- 组织可以通过规则和结构弥补个体认知的局限[p.50]
- 市场和组织是配置资源的不同机制，各有优劣
- 不确定性是经济决策的基本特征[p.79]
思考问题
- 在你的日常决策中，你是否遵循"满意原则"？举一个例子。
- 市场和组织在资源配置中有什么不同？为什么现代经济系统是二者的混合？[p.88]
- 程序理性和实质理性的区别对理解人类行为有什么启示？[p.40-41]
第3章：思维心理学：将人工物嵌入自然
The Psychology of Thinking: Embedding Artifice in Nature
[来源：目录第51页; 第3章全文]
核心论点：本章探讨思维能否作为人工科学来研究[p.52]。西蒙提出，人类思维可以通过符号系统（symbol systems）和信息处理（information processing）来理解。思维过程可以被看作是一个在问题空间中进行的搜索过程[p.56]。
思维作为信息处理
西蒙是认知心理学的先驱之一。他和艾伦·纽厄尔（Allen Newell）共同提出了物理符号系统假说（Physical Symbol System Hypothesis）：物理符号系统是具备通用智能的必要和充分条件[p.59]。
人类思维可以被建模为[p.60]：
- 符号（Symbols）：思维的基本单元，代表概念、对象、关系
- 结构（Structures）：符号组成的表达式和记忆结构
- 过程（Processes）：对符号进行操作的信息处理过程
问题解决作为搜索
西蒙将问题解决建模为在问题空间（problem space）中的搜索过程[p.65]：
- 初始状态：问题的起点
- 目标状态：想要达到的结果
- 算子（Operators）：可以应用于状态的转换规则
- 搜索：找到从初始状态到目标状态的路径
由符号和符号操作组成的系统，能够表示和处理信息[p.59]。物理符号系统假说认为这是通用智能的基础。
符号系统的基本能力
符号系统具备以下能力[p.62]：
- 表示（Representation）：用符号表示外部世界
- 存储（Storage）：在记忆中保存信息
- 操作（Manipulation）：对符号进行转换和处理
- 推理（Inference）：从已知信息推导新信息
智能即计算
智能即计算（Intelligence as Computation）是本章的核心论点[p.72]。如果思维是信息处理，那么智能可以被理解为计算过程。这个观点为认知科学和人工智能奠定了理论基础。
核心概念
- Physical Symbol System（物理符号系统）：由符号和符号操作组成的系统[p.59]
- Problem Space（问题空间）：问题解决的状态-算子表示[p.65]
- Heuristics（启发式）：简化搜索的规则和策略
- Means-Ends Analysis（手段-目的分析）：通过缩小当前状态与目标状态的差距来解决问题[p.82]
- Intelligence as Computation（智能即计算）：智能可以被理解为信息处理过程[p.72]
关键要点
- 人类思维可以通过符号系统和信息处理来理解[p.60]
- 问题解决是在问题空间中的搜索过程[p.65]
- 由于复杂性限制，人类使用启发式而非穷举搜索[p.85]
- 智能可以被理解为计算过程[p.72]
- 思维过程可以在计算机上模拟[p.75]
思考问题
- 将一个你解决过的实际问题建模为问题空间（初始状态、目标状态、算子）。
- 符号系统假说对理解人类思维有什么启示？它的局限性是什么？[p.59-60]
- 启发式策略如何帮助我们在复杂情况下做出决策？它们可能导致什么错误？[p.85-87]
第4章：记忆与学习：作为思维环境的记忆
Remembering and Learning: Memory As Environment for Thought
[来源：目录第85页; 第4章全文]
核心论点：本章探讨记忆如何为思维提供环境[p.86]。记忆不是被动的存储，而是主动的信息处理系统。人类记忆的局限性（短时记忆容量限制、长时记忆的组织）深刻影响思维过程[p.88]。
记忆作为环境
西蒙将记忆比作思维的环境——就像自然环境塑造人工物一样，记忆的特征塑造思维过程[p.90]。记忆的容量、组织方式和可访问性决定了我们能够思考和推理什么。
短时记忆的限度
西蒙的经典研究发现，人类短时记忆（Short-Term Memory, STM）的容量约为7±2个组块（chunks）[p.95]。这个限制深刻影响：
- 我们能够同时处理多少信息
- 我们如何组织问题解决过程
- 我们如何使用外部记忆（笔记、清单）来扩展认知能力[p.98]
组块化（Chunking）
组块化（Chunking）是将信息组合成更大单元的过程[p.100]。通过组块化，我们可以克服短时记忆的容量限制：
- 初学者将每个字母视为一个组块
- 专家将整个单词或概念视为一个组块
- 这种差异解释了专家与新手的区别[p.102]
将信息组合成更大单元以克服记忆容量限制的过程[p.100]。这是专家知识组织的核心特征。
核心概念
- Short-Term Memory（短时记忆）：容量有限的临时存储系统[p.93]
- Long-Term Memory（长时记忆）：大容量、相对永久的存储系统
- Chunking（组块化）：将信息组合成更大单元以克服容量限制[p.100]
- 7±2 Rule（7±2法则）：短时记忆容量约为7个组块[p.95]
- Semantic Networks（语义网络）：概念通过关系连接的记忆结构[p.110]
长时记忆的组织
长时记忆（Long-Term Memory, LTM）不是无序的仓库，而是高度组织化的网络结构[p.108]：
- 语义网络（Semantic Networks）：概念通过关系连接[p.110]
- 联想结构（Associative Structures）：通过相似性和关联性组织
- 图式（Schemas）：关于特定领域的知识结构[p.115]
关键要点
- 记忆是思维的环境，其特征塑造思维过程[p.90]
- 短时记忆容量限制（约7个组块）影响信息处理[p.95]
- 组块化是克服记忆限制的关键策略[p.100]
- 长时记忆以网络形式组织，支持联想检索[p.110]
- 视觉思维在问题解决中扮演重要角色[p.125]
思考问题
- 举一个你使用"外部记忆"（笔记、清单、提醒）来扩展认知能力的例子。
- 组块化如何解释专家与新手的差异？在教育中如何应用这一原理？[p.102]
- 为什么视觉表征在某些类型的问题解决中特别有效？[p.125]
第5章：设计科学：创造人工物
The Science of Design: Creating the Artificial
[来源：目录第111页; 第5章全文]
核心论点：本章提出"设计科学"的概念[p.112]。设计是改变现有环境为更优环境的过程。西蒙将设计视为一种可以教授和学习的专业技能，并提出了设计的理性程序。
什么是设计？
西蒙对设计的定义非常宽泛[p.113]：
"设计是将现有环境转变为更优环境的过程。[The Science of Design, p.113]"每个人都在设计——设计行动计划、设计社会制度、设计产品。
设计科学关注[p.114]：
- 如何创造满足特定需求的人工物
- 如何在约束条件下寻找最优或满意的解决方案
- 如何评估设计方案的优劣
研究设计过程和方法的知识体系[p.117]。关注如何创造满足需求的人工物，以及如何在约束条件下寻找解决方案。
设计的理性程序
西蒙提出设计的理性程序包括[p.120]：
- 界定问题：明确目标和约束条件
- 搜索解决方案：在可能的设计空间中寻找方案
- 评估方案：比较不同方案的优劣
- 实施方案：将选定的方案变为现实
设计作为搜索
设计可以被建模为在设计空间（design space）中的搜索过程[p.123]：
- 每个可能的设计是设计空间中的一个点
- 约束条件定义了可行设计的区域
- 目标函数定义了设计的优劣
- 设计过程是在这个空间中搜索最优或满意方案的过程[p.124]
核心概念
- Science of Design（设计科学）：研究设计过程和方法的知识体系[p.117]
- Design Space（设计空间）：所有可能设计的集合[p.123]
- Constraints（约束条件）：限制设计可行性的条件[p.125]
- Objective Function（目标函数）：评估设计优劣的标准[p.126]
- Hierarchy（层次结构）：将复杂系统分解为子系统的组织方式[p.130]
复杂性与设计
现实世界的设计问题往往非常复杂[p.128]：
- 多目标：需要同时满足多个有时冲突的目标
- 不确定性：设计结果在实际使用中的表现不完全确定
- 约束：技术、经济、社会等约束条件
- 时间压力：设计往往需要在有限时间内完成
关键要点
- 设计是将现有环境转变为更优环境的过程[p.113]
- 设计可以被建模为在设计空间中的搜索[p.123]
- 复杂性是设计面临的主要挑战[p.128]
- 层次设计是管理复杂性的关键策略[p.130]
- 设计可以通过理性程序进行[p.120]
- 设计是可以教授和学习的专业技能[p.135]
思考问题
- 将你设计过的东西（产品、计划、系统）分解为西蒙的设计理性程序[p.120]。
- 层次设计如何帮助管理复杂性？举一个例子[p.130]。
- 设计科学和传统科学有什么不同？它们如何互补？[p.117]
第6章：社会规划：设计演化中的人工物
Social Planning: Designing the Evolving Artifact
[来源：目录第139页; 第6章全文]
核心论点：本章将设计科学应用到社会系统[p.140]。社会制度、组织和政策都是"演化中的人工物"——它们不断适应和变化。社会规划需要在动态、复杂的环境中设计能够适应和学习的系统。
社会系统作为人工物
社会系统（组织、制度、政策）具有人工物的特征[p.141]：
- 它们是由人类设计和创造的
- 它们具有特定的功能和目的
- 它们在特定的环境中运作
- 它们需要适应环境的变化[p.142]
演化设计
与工程设计不同，社会设计往往是一个演化过程[p.145]：
- 渐进变化：社会制度通常逐渐演化，而非突然重建
- 路径依赖：历史约束限制了未来的可能性[p.148]
- 学习适应：制度通过试错学习和适应
- 多重参与者：许多参与者共同塑造制度演化
核心概念
- Evolving Artifact（演化中的人工物）：不断适应和变化的人工物[p.145]
- Path Dependence（路径依赖）：历史约束对未来的影响[p.148]
- Transaction Costs（交易成本）：使用市场机制的代价[p.155]
- Externalities（外部性）：决策对未参与交易的第三方的影响[p.162]
- Decentralization（分权化）：将决策权分配给不同层级[p.168]
不确定性下的规划
社会规划总是在不确定性条件下进行[p.170]：
- 政策效果往往不确定
- 环境在不断变化
- 需要设计能够学习和适应的政策
- 适应性策略（Adaptive Strategies）比僵硬的规划更有效[p.172]
关键要点
- 社会系统是演化中的人工物[p.145]
- 社会设计是渐进的、适应性的过程
- 组织和市场的边界取决于交易成本和环境[p.155]
- 分权化是管理复杂社会系统的关键策略[p.168]
- 外部性需要制度设计来纠正[p.162]
- 不确定性要求适应性而非僵硬的规划[p.172]
思考问题
- 选择一个社会制度（如教育系统、医疗系统、公司治理），分析它作为"演化中的人工物"的特征[p.145]。
- 在什么情况下组织比市场更有效？反之亦然？[p.155]
- 如何设计能够适应不确定性的社会政策？[p.172]
第7章：复杂性的另一种观点
Alternative Views of Complexity
[来源：目录第169页; 第7章全文]
核心论点：第三版新增章节[p.170]。西蒙回顾和比较了研究复杂性的不同方法。复杂性研究是一个多样化的领域，包括混沌理论、自适应系统、遗传算法等。本章强调层次结构是理解和控制复杂性的关键。
复杂性研究的多样性
西蒙指出，复杂性研究者是一个"相当混杂的群体"，在方法论和观点上存在分歧[p.171]：
- 还原论 vs 涌现论：复杂性能否通过部分来理解？
- 确定性 vs 随机性：复杂性来自确定性还是随机性？
- 数学建模 vs 计算模拟：哪种方法更适合研究复杂性？
混沌理论
混沌理论（Chaos Theory）研究确定性系统中的随机行为[p.175]：
- 敏感依赖：初始条件的微小变化导致结果的巨大差异
- 非线性：系统行为不能用线性方程描述
- 不可预测性：长期预测即使理论上可能，实际上也做不到
核心概念
- Chaos Theory（混沌理论）：研究确定性系统中随机现象的理论[p.175]
- Adaptive Systems（自适应系统）：能够根据环境变化调整自身的系统[p.180]
- Genetic Algorithms（遗传算法）：受生物进化启发的优化算法[p.185]
- Local Optima（局部最优）：在局部范围内最优但可能不是全局最优[p.190]
- Path Dependence（路径依赖）：历史对未来的约束[p.195]
关键要点
- 复杂性研究是一个多样化的领域[p.171]
- 混沌理论揭示了确定性系统中的随机行为[p.175]
- 自适应系统通过反馈和学习适应环境[p.180]
- 遗传算法提供了一种强大的优化方法[p.185]
- 进化具有渐进性、局部最优性和近视性[p.190]
- 层次结构是理解复杂性的统一框架[p.198]
思考问题
- 比较研究复杂性的不同方法（混沌、自适应系统、遗传算法），它们的适用场景有什么不同？
- 为什么说进化是"近视"的？这有什么启示？[p.192]
- 层次结构如何帮助我们理解复杂性？[p.198]
第8章：复杂性的架构：层次系统
The Architecture of Complexity: Hierarchic Systems
[来源：目录第183页; 第8章全文]
核心论点：这是全书的核心章节，也是西蒙最重要的贡献之一[p.184]。本章提出，复杂系统几乎总是具有层次结构。层次结构是理解复杂性和设计复杂系统的关键。
复杂系统的层次结构
西蒙通过一个经典思想实验——两个钟表匠（Tempus和Hora）——来说明层次结构的优势[p.187]：
- Tempus：使用1000个独立零件组装钟表。如果被打断，必须重新开始。
- Hora：先将零件组装成10个子部件，每个子部件再组装成更大的部件。如果被打断，只需重新组装受影响的部分。
结果是，尽管Hora的组装过程更复杂，但他的平均组装时间远短于Tempus。原因在于层次结构提供了模块化——子部件可以独立组装和修改[p.189]。
近乎可分解系统
西蒙提出了近乎可分解系统（Nearly Decomposable Systems）的概念[p.195]：
- 系统内部子系统之间的相互作用弱于子系统内部元素之间的相互作用
- 这使得系统可以近似分解为独立的子系统
- 分析系统时可以首先关注子系统，然后考虑它们之间的弱相互作用
由不同层次子系统组成的系统[p.193]。层次结构是理解复杂性的关键框架，复杂系统几乎总是具有层次结构。
层次结构的普遍性
层次结构在自然界和人造世界中无处不在[p.200]：
- 生物系统：细胞 → 组织 → 器官 → 个体 → 种群
- 物理系统：基本粒子 → 原子 → 分子 → 宏观物质
- 社会系统：个体 → 家庭 → 组织 → 社会
- 技术系统：元件 → 模块 → 子系统 → 系统
核心概念
- Hierarchic Systems（层次系统）：由不同层次子系统组成的系统[p.193]
- Nearly Decomposable（近乎可分解）：子系统内部相互作用强于子系统之间[p.195]
- Modularity（模块化）：系统由相对独立的模块组成[p.189]
- Description Levels（描述层次）：在不同抽象层次描述系统[p.205]
- Emergent Properties（涌现属性）：系统整体具有而部分不具备的属性[p.210]
层次结构的优势
层次结构提供多种优势[p.202]：
- 演化速度：层次系统可以更快地演化，因为子系统可以相对独立地变化
- 稳定性：局部变化不会导致系统崩溃
- 可理解性：复杂系统可以被分解为可管理的部分
- 可设计性：复杂系统可以通过设计子系统然后组合来构建
关键要点
- 复杂系统几乎总是具有层次结构[p.193]
- 近乎可分解性使复杂系统可以被理解和设计[p.195]
- 层次结构提供演化速度、稳定性和可理解性[p.202]
- 复杂系统从简单系统演化而来[p.208]
- 描述复杂系统需要选择适当的抽象层次[p.205]
- 设计复杂系统的关键是分解和模块化[p.215]
全书总结
在结束全书时，西蒙重申了人工科学的核心观点[p.220]：
- 人工物可以通过功能、目标和环境来理解
- 人类认知是有限的，但可以通过设计和工具扩展
- 复杂系统具有层次结构，这是理解和设计复杂性的关键
- 设计科学提供了一种理性的人工物创造方法
- 社会系统是演化中的人工物，需要适应性设计
思考问题
- 选择一个你熟悉的复杂系统（如互联网、城市、公司），分析它的层次结构[p.200]。
- 为什么说"近乎可分解性"是理解复杂性的关键？[p.195]
- 层次结构如何影响系统的演化速度和稳定性？[p.202]