My CVEssay · 2026
盲人如何摸象
探索迷雾中科学的元方法论
当无人能看见整体，如何让局部认识成为可继承的进步
盲人摸象的寓言通常以一种嘲讽结束：一个人摸到象腿，说大象像柱子；一个人摸到象尾，说大象像绳索；另一个人摸到象腹，说大象像一堵墙。他们都接触到了真实的部分，却把部分当成整体，因而都错了。
但这个结论依赖一位站在迷雾之外的叙述者。他早已看见整头大象，知道每个人究竟摸到了什么，也知道所有局部如何组成整体。
把这位叙述者拿掉，故事才真正接近科学。研究者无法站在对象之外，没有人事先知道整体的轮廓。我们只有不同的位置、尺度、仪器、概念与理论，以及由此获得的局部接触。一次接触可能准确而深刻，却仍然只是局部；不同的局部认识也未必使用同一种语言，更不会自动拼成整体。
今天，最需要这种元方法论的，不只是一般意义上的复杂系统或成熟学科之间的交叉，而是人工智能、脑科学、认知科学与意识研究这些问题边界仍在形成的领域。智能与心智如何形成，系统如何学习、表征与行动，意识如何产生——这些问题同时涉及算法与计算、神经机制、身体、行为、语言、社会互动和主观体验，持续超出任何单一现成范式所能充分解释的范围。
这些研究的困难在于，研究者不仅要回答既定问题，还要不断重新判断对象如何划分、哪个描述层次合适、什么算作证据，以及哪些问题真正需要解释。现有学科范式在局部依然有效，却没有一个足以独自规定整体。人工智能使这种张力格外尖锐：同一个深度神经网络，可以在有限尺度上呈现显著的特征学习，也可以在特定无限宽极限下被描述为近似固定核，还可以被统计物理、动力系统或信息论重新表述。每一种描述都可能在局部成立，但它们的对象、尺度与假设彼此错开。结果迅速增加，共同理解增长缓慢。此时真正的问题不是谁能够最先画出完整的大象，而是：在无人看见整体的情况下，怎样使每一次局部接触成为后来研究可以继承的进步？
本文不准备替盲人画出一头先验的大象，而想从一个更克制的问题进入：当对象的边界和研究问题都尚未明确时，怎样接触，怎样比较，又怎样在判断失效以后继续前进？不同路径可以同时进入未知，但每条路径都要留下能够定位、复核、比较和修正的踪迹。
科学的原初信念：迷雾中确有其物
盲人伸手以前，已经接受了一个无法由触摸本身预先证明的前提：面前确有其物；不同触感不是任意的幻觉；这些局部经验有可能通过比较、检验和推理建立联系。没有这一信念，“柱子”“绳索”和“墙壁”只是不相干的私人感受，它们之间不存在真正的冲突，也谈不上认识进步。
科学同样始于一种无法回避的原初信念：研究对象并非任意，它具有能够使某些描述优于另一些描述的结构，而这种结构至少部分地可以被人类经验、推理和公共检验所把握。这里的“规律”不必都是物理学式的普适方程。它也可以表现为机制、约束、因果关系、形式必然性或具有边界的历史模式。科学相信的是对象具有可理解的秩序，而不是预先相信某一种规律形式。
这项信念为研究提供继续前行的理由，却不替研究规定终点。相信有象，不等于已经知道象是什么。这里的“象”只是对象能够抵抗任意解释的代称，并不预设它天然具有清楚边界、内部统一性或单一整体；如何划分对象，本身也可能是研究的一部分。它更不保证局部能够机械拼接，或最终必然出现一个统一而完备的理论。
科学最原初的信念，是对象中存在人类可以部分把握的结构；科学的开放性，则在于不预支这种结构的范围、形式以及最终能否统一。
正是在信念与克制之间，探索才成为可能。如果不相信有象，伸手便没有意义；如果相信自己已经知道象的形状，伸手便只剩下确认。探索既不是无方向的漫游，也不是对预定答案的执行，而是在可理解性的信念指引下主动创造新的接触，同时允许对象改变我们最初的问题。
因此，元方法论不是一个凌驾于所有范式之上的“元范式”。如果它声称自己已经看见大象，不过是第七个把局部观念冒充整体的盲人。它更像一套使不同路径能够互相定位、纠错和接续的最低约定：每一种主张都要说明自己从哪里出发、如何接触对象、能够延伸多远，以及什么新的接触会迫使它改变。
从这个角度看，近代科学的力量并不来自某个文明独占理性。精密观察、数学、医药与工艺有多种文明来源，炼金传统也相信自然具有隐藏秩序，并积累了大量操作经验。近代早期欧洲在特定制度与技术条件下逐渐形成的一项关键变化，是让摸象者交换位置，协商并建立可比较的测量标准，公开记录并彼此批评：可重复现象、数学结构、仪器测量与公共纠错开始稳定地相互约束。相信秩序是必要前提；让每一种具体秩序接受对象的修正，是这种信念获得现代科学形态的重要条件之一。这不是对科学起源的完备叙述，而是其中与方法论直接相关的一条线索。
在没有共同地图时，认识仍然可以积累。最先能够被继承的，往往不是宏大理论，而是后来解释无法任意绕开的约束。一次可靠接触形成经验约束；定义、反例与严格推导形成理论约束。约束不是答案，而是减少下一步行动的任意性；理解尝试组织这些约束，范式则是这种组织可能达到的一种共同形态。
本文将这一最低方法论凝练为探索必须反复返回的六个基本问题：我们预先认定了什么？我们真正观察到了什么？规律在哪里显现得最清楚？简化拿走了什么？我们究竟理解了什么？局部理解如何形成共同结构？它们不是通往既定答案的六级台阶，也没有固定次序；在发现、受挫与修正中，研究可以随时返回其中任何一个问题。
零、悬置先验——相信有象，不预定形状
每个摸象者都不是一只空白的手。他带着既有概念接近对象：柱子、绳索和墙壁帮助他描述触感，也同时诱导他过早作出整体判断。研究同样不可能清除全部先在框架。没有概念，我们甚至不知道该测量什么；没有猜想，材料也不会自动生成理论。
因此，悬置先验不是清空预设，更不是怀疑大象存在，而是使预设显形、彼此竞争，并取消任何具体图景预先决定答案的权利。网络、临界性、信息、优化或演化都可以成为大胆而富有生产力的假说，但没有一种语言能够仅凭优美、流行或适用于另一个对象，就免受当前对象的检验。
复杂性研究对普适性的追求说明了这种风险。神经元雪崩、城市规模关系和金融波动都曾被报告呈现某种幂律或标度形式，但它们涉及的变量、指数和生成过程并不相同。神经系统、社会和气候也都可以表示成节点与连接，但形式相似并不证明机制相同。即使某种标度关系真实存在，它在不同系统中的解释地位也未必相同。
这并不是反对以圣塔菲研究所为代表的复杂性传统所追求的跨系统比较。比较与统一不是应当放弃的目标，而是等待对象支持的可能成果。每当一种跨系统抽象出现，我们都需要继续追问：它是否保留了不同系统的组成、历史、约束与功能？是否产生了新的、可能失败的解释或预测？如果它经受住这些追问，或许揭示了此前看不见的连接；如果对照经验与机制后发现，关键差异随抽象一起被抹去，那么这一失败才标出了该统一路径的边界。悬置先验不是停止猜测，而是让猜测保持分岔，并让对象决定哪些道路值得继续。
一、经验优先——先把触感变成共同现象
暂缓让某一种象形支配判断后，留下的不是认识的空白，而是让对象参与修正既有框架的空间。探索的第一步往往不是得到答案，而是把一个尚不稳定的触感，变成别人能够重复抵达的共同现象。
“它像一根绳索”已经混合了感觉与解释。更可靠的报告需要说明接触的位置、方向和范围，描述曲率、粗糙程度与活动方式，并记录移动或改变压力以后发生了什么。局部经验只有获得这样的“坐标”，才可能与另一处接触比较。局部本身不是缺陷；没有注明条件和边界的局部，才容易成为谬误。
科学现象也不是未经概念加工的“裸事实”。仪器、指标、数据处理和实验设计共同塑造我们能够看见什么。所谓强健现象，不是对条件变化始终不变的关系；它可以是跨测量方式保持的模式，也可以是随条件改变而稳定出现的转变与失效。关键不在于摆脱所有视角，而在于公开操作、校准、处理过程与适用条件，使不同理论立场的研究者能够复核结果，并让结果保留反驳当前解释的可能。
深度学习提供了一个直接例子。网络的结构与训练规则可以完整写成公式，但有限网络的训练行为不会因为定义清楚而自动得到理解。假如一次可视化显示同层神经元的输入权重聚集到少数方向，这还只是“似乎发生了凝聚”的印象。研究者需要建立明确的序参量，改变随机种子、宽度、样本、初始化与训练尺度，寻找反例，并确定凝聚何时出现、何时消失。在这一往返中，最初的图像可能被确认为强健现象，也可能被拆解为几种不同机制；无论结果如何，理论面对的对象都比研究开始时更加清楚。
经验优先同样适用于算法和纯粹数学研究，但它在这里首先是一项发现原则。运行程序、枚举小规模情形和搜索极端参数，可以揭示反例、稳定结构与值得证明的猜想；有限计算却不能代替普遍证明。经验考察帮助我们发现问题，证明则确定一个命题在给定定义与假设下是否必然成立。
强健现象让不同路线第一次拥有交汇处。但触摸次数不断增加，并不会自动使结构显现。探索随后转向一个更主动的问题：怎样设计最能区分这些路线的接触？
二、理想化——选择最有诊断力的接触
理想化不是宣布哪些因素不重要，而是一次带着问题的试探：如果暂时压低某些复杂性，目标现象是否会变得清楚？竞争解释是否开始给出不同后果？研究者通过改变接触位置、操作方式或对象状态，为这些问题设计可以检验的条件。
但接触并不总是被动揭示。实验、测量和训练过程可能改变对象，社会系统和适应性系统还可能回应研究者的分类与干预。因此，理想化不仅要记录看见了什么，还要记录对象在何种干预下发生了什么，以及这种响应是否依赖历史路径。
它并不以得到最简单的对象为目标。一个极端简单的系统可能具有非常清楚、却与目标对象无关的规律。好的理想化应当保留需要解释的核心现象，同时把竞争机制尽可能分开。它追求的是诊断力：以尽可能低的可处理复杂度，获得尽可能高的机制区分能力。
伽利略的斜面研究是典型例子。斜面没有直接复制自由落体，而是把过快、难以计时的过程转化为较慢、可重复测量的加速过程，使路程与时间平方之间的关系进入可辨认的范围。这里的关键不只是删除干扰，更是主动改造研究条件，同时说明什么关系在改造中被保留下来。
深度学习中的教师—学生模型、少神经元模型或高度对称的数据承担着类似功能。目标规则已知，研究者便能比较网络究竟学到了什么，区分记忆、核化学习、特征形成与恢复等候选机制。这些模型的价值不在于它们像真实网络的缩小复制品，而在于不同解释能否在其中给出不同的、可检验的结果。
理想化最有价值的时刻，未必是它证实了最初的猜想，而可能是两个原本难分的解释第一次给出不同结果，或一个未曾预期的失效迫使问题重新表述。它显露可能的机制，也打开一条可以继续追踪的路径；规律越清楚，我们越需要追问，眼前出现的究竟是原对象的结构，还是简化过程制造的新性质？
三、简而不陋——不要剪下象尾来理解大象
摸到象尾的人嫌它不断摆动，难以测量。为了更准确地理解大象，他索性把象尾剪下、拉直并固定。现在，长度、粗细与材料性质都可以被精确测定；但他面对的已不再是活的大象身上的尾巴，而是一段离体组织。象尾的摆动、功能以及它与身体的关系，恰恰在测量变得容易的同时消失了。他得到了更精确的结果，却可能离真正的大象更远。
这正是过度简化的危险：为了认识对象而改变对象，最后把操作之后留下的部分，当成对象本来的样子。简化是否合理，不能只看所得模型是否优美或可解，还要看它是否保留了目标现象赖以发生的关系、动态与功能。若问题是象尾纤维的力学性质，将它分离出来或许正当；若问题是大象为何以及如何摆动尾巴，剪下象尾便不是简化，而是在操作中取消了所要解释的现象。类似地，神经回路的意义与行为功能有关，社会结构受到制度和意义的塑造，天气系统则受到守恒关系、边界强迫与多尺度过程的制约。相同的局部形式或网络拓扑，并不会自动赋予这些系统相同的机制。
神经切线核展示了简化的力量与边界。在 NTK 参数化以及相应的初始化和学习率缩放下，若干网络架构在无限宽极限中的训练动力学收敛到由固定极限核支配的核动力学；在附加条件成立且宽度足够大时，有限宽网络可以近似这一行为。这为核化或“懒惰训练”区域提供了严格而清楚的基线。
但如果目标现象依赖显著的表示变化，这个极限就可能删去了需要解释的核心过程。无限宽本身也不等同于固定核；不同参数化和缩放可以产生保留特征学习的其他极限。因此，研究者需要逐步改变宽度、参数化、数据与训练条件，查明哪些结论保持稳定，哪些在某个尺度上发生质变。
每一种简化都应当带有一条返回路径：删去了什么，结论依赖什么，被删除的条件逐步恢复以后还剩下什么。沿这条路径，机制可能被保留、改写，也可能消失；这些不同结果共同标出当前理解所能到达的边界。如果目标现象随简化一同消失，所得结果仍可能构成有价值的数学，同时也提示我们，通向原对象的道路需要从别处继续寻找。
四、追求理解——把触感变成可修正的地图
一份不断增长的触感档案还不是理解。理解也不是宣布大象的图景已经完成，而是形成一张暂时可用、能够推演并标有空白区域的地图：沿某个方向移动，触感会怎样变化；条件改变以后，哪些关系仍会保持；发现什么新结构，会迫使我们重画地图。
因此，理解不能简单等同于预测准确。一个黑箱可以给出正确预测，却不说明哪些因素起作用；一个混沌系统即使机制已被理解，也未必允许长期精确预报。理解是一种有边界、可检验并能够支持反事实判断的认识结构。它说明条件改变后什么会改变、为什么改变，以及这种判断将在何处失效。
理解在经验与理论之间往返：经验显露行为并提出问题，理论解析结构、排除不可能，新的结构判断又把研究带回尚未检验的条件。对于数学定义明确的算法，计算实验不断暴露其行为，严格证明则揭示定义与假设所蕴含的必然关系。二者具有不同的认识地位，却共同减少解释的任意性。
严格定理首先约束的是由定义和假设确定的形式对象。它可能完全正确，却仍未触及所要理解的经验对象：大象无法推翻一个关于理想圆柱的正确定理，但可以表明，圆柱与象腿之间的桥梁不足以支撑关于大象的结论。证明无误只保证命题成立，并不保证问题重要、模型相关或结论具有解释力。因此，除了问“证明是否成立”，还要问假设与尺度对应什么、定理排除了什么解释，以及放松理想条件以后还剩下什么。
Leo Breiman 在 1995 年的《Reflections After Refereeing Papers for NIPS》中追问的正是这种脱节。他并不反对数学，而是考察理论能否为经验结果提供保证、带来解释、产生新方法，或提出值得检验的方向；渐近正确并不自动带来实际尺度上的意义。当 provable 从研究质量的一项要求变成选题的首要标准，还会产生“可证明性偏置”：问题不断移向现有工具最容易处理的分布、尺度和极限，理论地图因而更多由工具塑造，而不是由对象最重要的结构塑造。
科学不仅需要纠错，也需要校向：纠错排除不成立的答案，校向防止我们无误地回答一个无关紧要的问题。
深度学习的损失景观说明了理论约束的价值。假如在明确的网络、数据、损失函数和参数化条件下，研究者证明了神经元置换导致的函数等价点，或在 ReLU 等正齐次网络中证明了相邻层之间互逆的正尺度变换产生的等价结构，这些结果便成为相应训练理论必须满足的条件。有关临界点结构或不同宽度模型之间嵌入关系的定理同样如此。它们未必直接推出可训练性或泛化，却会排除一部分不可能的解释，并迫使研究者区分参数空间的几何与函数空间的行为。
真正的理解也不能只存在于某个研究者难以传递的直觉中。它需要被外化为公式、机制、图景、实验操作或可复用的判断规则，使后来者能够检验、修正和迁移。这也吸收了波普尔与拉卡托斯的互补提醒：可积累的理解既要公开失败条件，也要允许研究者定位失败来自测量、辅助假设、适用边界还是核心结构。
评价一项研究是否增加理解，关键不在于它增加了多少结果，而在于它是否使未来解释少了一部分任意性：从此以后，凡声称覆盖相同对象与条件的理论，必须解释什么、满足什么，又在何处不再适用？好的理解不消灭未知，而是改变未知的形状：它使我们知道下一步值得触摸哪里、什么观察能够区分现有图景，以及什么发现会迫使解释转向。
五、范式涌现——局部地图能否形成共同结构
局部理解可能彼此连接，也可能长期保持多元。一个盲人可以提出关于大象的整体图景，却不能仅凭声音响亮使它成为共同框架。研究者可以主动提出理论框架，却不能宣布它已经成为范式。这里的“涌现”不是等待共识自动到来，而是保持一种开放的可能：当局部理解开始彼此约束，研究者或许能够发明新的概念结构，重新组织原先错开的接触。
牛顿力学提供了一个典型例子。它不是伽利略对地面机械过程的研究、开普勒行星规律、长期天文观测与既有数学成果的机械拼接。牛顿重新界定并系统组织惯性、质量和力等概念，并以万有引力与新的数学表达，把地面物体与天体纳入一个能够演绎、反推和修正的结构。它不仅解释既有关系，还产生新的可检验结果，重新规定了什么是重要问题、什么算作动力学解释。
这说明范式涌现既不是被动归纳，也不是历史必然。理解的积累为创造性的综合准备条件，却不能替代概念发明、形式化和共同体实践。理论框架之所以取得范式地位，不是因为它给所有现象换上同一个名称，而是因为它能够承担比原有局部理论更多的经验与理论约束，并持续产生新的认识能力。一个有生命力的范式不仅压缩已经稳定的认识，也会通过自己的边界与异常不断生成新的问题。
库恩提醒我们，范式改变也会改变概念、问题和证据标准，因此新旧理论未必能够直接逐句翻译，也不存在一把双方无条件接受的中性尺子。不可通约并不等于完全不可比较：强健现象、局部可翻译关系和顽固异常，仍可构成彼此检验的接触面。不可通约性因而不是讨论的终点，而是要求研究者设计新接触方式的任务。
人工智能、脑、认知与意识不能被轻率地宣布为同一头大象，也不是彼此封闭的几头大象。它们可能共享某些数学形式与组织原则，却受到不同物质实现、发展历史、功能层次与经验条件的塑造。成熟的结果可能是新的共同范式，也可能是若干边界清楚、能够相互转换和约束的局部结构。元方法论所维护的，不是单一范式必然到来，而是在共同范式缺位时，研究仍能通过积累现象、约束与理解而持续前进。
范式不是结束摸索的全景图，而是一种能够组织既有接触、处理彼此冲突、引导新的接触，并使新的未知显形的共同结构。
结语：在地图出现之前
盲人摸象真正的危险，不是看不见，而是过早地把手中一隅宣布为大象本身。但这个隐喻也有边界：复杂对象未必边界清楚、结构稳定，更不保证所有局部最终能够拼成唯一图景。它所揭示的不是一个简单统一的整体必然存在并等待复原，而是当任何认识都从局部开始时，怎样让有限的接触彼此校正，并继续伸向尚未触及之处。
元方法论因此不提供大象的画像，也不把研究者带到可以俯瞰对象的位置。六个基本问题只承担更朴素的作用：使每项主张说明自己接触了什么、受到什么约束、删去了什么、理解到哪里，又会被什么新的现象所改变。这样，彼此分散的研究才能比较，失败才能留下边界，局部结果才能沉淀为后来者可以继续使用的理解。
这套方法也不能豁免自身。它不是先于科学实践制定的法典，而是从观察、实验、证明以及反复失败中提炼出的工作假说。若它不能帮助一个领域形成更强健的现象、更有区分力的研究条件和更可继承的理解，就应当被修正，甚至被放弃。它的价值不在于保证正确，而在于让错误更容易显露，也让形式上正确却没有触及对象的道路显出边界。
在成熟范式中，研究者可以沿着已有地图前进；在范式诞生之前，道路只能由一次次可靠的接触铺成。一个强健的现象、一项不可绕开的约束、一个边界清楚的模型、一层能够迁移的理解，都是实际的进展。它们也许会汇聚成新的范式，也许只形成若干彼此衔接的局部地图。但无论哪一种结果，范式的缺席都不再意味着科学的停滞：只要对象仍能在公开检验中纠正我们的答案、校正我们的问题，而经受住这两重检验的认识能够被后来者继承，探索就在向前。