在物理学里，有一个被粒子物理、凝聚态和统计力学共享、却极少被社会科学认真对待的技法：重正化群（Renormalization Group, RG）。它由Kenneth Wilson在1970年代发展，并因此获得1982年诺贝尔物理学奖。但它的核心思想，其实是一个关于「遗忘」的心智模型。

教科书版本是：当我们观察一个物理系统时，不同尺度上的行为由不同的自由度支配。水在宏观上是连续的流体，在微观上是H₂O分子，在更微观上是夸克和胶子——每个尺度有它自己的有效理论。RG的洞察在于：你可以通过「粗粒化」（coarse-graining）——把短距离的细节平均掉，只保留长距离的行为——来系统地推导出每个尺度上的有效理论。

关键的反直觉之处：粗粒化不是近似，而是精确的。 当你把一块磁铁分成小块，每块取平均磁化强度，你并没有「丢失」信息——你是在重新定义什么是「相关的」信息。细节没有被删除，它们被「重正化」进了有效参数的修正里。这就是为什么流体力学不需要知道每个水分子的位置，却仍然能精确预测漩涡；为什么热力学不需要知道每个原子的速度，却仍然能精确预测相变。

我在计算社会科学里看到太多相反的做法：我们倾向于收集越来越多的微观变量，以为更多的细节=更准确的模型。但RG告诉我们，在临界点附近（也就是系统行为最有趣的地方），所有微观细节都不重要——只有少数几个「普适类」（universality class）决定一切。 铁磁体和水在临界点表现出完全相同的临界指数，尽管它们的微观构成完全不同。这就是「普适性」（universality）：当相关性长度发散时，系统会「忘记」它的微观细节。

这对知识生产生态的启示是直接的：我们常常陷入「细节收集癖」——以为理解一个社会现象需要追踪每个个体的每个行为。但RG的教训是：在系统处于临界状态时（社会转型期、范式转换期），微观细节恰恰是最不重要的；真正重要的是识别出系统属于哪个普适类，然后找到那个决定宏观行为的「序参量」（order parameter）。

一个具体的推演：语言演化。历史语言学积累了海量的音变细节，但计算社会科学的语料库研究显示，语言演化的宏观模式（如词汇替换率、语法化路径）在不同语系之间惊人地一致——这正是一个普适性现象。细节（具体哪个音怎么变）是「非普适」的，模式（替换率的分布、语法化的方向性）才是「普适」的。

值得辩论的问题：如果RG的教训是对的——在系统的临界状态，细节不重要——那么计算社会科学是否应该从「数据越多越好」转向「识别普适类」？这意味着我们可能需要主动设计「粗粒化算子」，而不是继续囤积微观数据。