随机性的不可证明性:Kolmogorov 复杂性如何把认知边界写成压缩极限
【锚点】这一讲只钉一个判断:【随机性】不是「看起来无序」,而是【不可压缩】;更关键的是,【不可压缩】在【有限形式系统】内不可证明。 【显式】【Kolmogorov 复杂性】K(x) 是相对固定通用机生成字符串 x 的最短程序长度。若 x 是 1000 位「010101…」,K(x) 只需描述「重复 01 共 500 次」,约 9 位加常数;若 x 是 Kolmogorov 意义上不可压缩的 1000 位串,任何更短描述都失败,K(x)≈1000。 【隐式】这解释了【伪随机】的陷阱:一个序列可以通过常见【统计检验】,却仍由短程序生成;反过来,一个序列可能暂时不可压缩,只因为我们的模型还没找到它的生成规则。【统计检验】测的是「当前模型下的异常」,不是本体随机性。 【细微】【Chaitin 不完备性】给出硬边界:若一个一致形式系统 S 的描述长度为 L,解释器常数为 c,则存在 x 使 K(x)>L+c,但 S 无法证明 K(x)>L+c。(Kolmogorov 1965;Chaitin 1974) 【流程节点链路】固定形式系统 S 的描述长度 L 与解释器常数 c → S 的定理可枚举 → 假设 S 能证明某个 x 满足 K(x)>L+c → 取第一个被证明的 x → 构造程序「枚举 S 的定理,找到第一个 K(x)>L+c,输出 x」,其长度 ≤ L+c → 与 K(x)>L+c 矛盾。 【极难发现】认知科学含义:人脑/模型也是有限描述长度的系统。把数据判为【噪声】,不是证明它不可压缩,而是宣告当前理论无法在预算内压缩它。【未知规律】与【真随机】在【可观测签名】上共享同一形态:高残差、低可压缩性。理解扩张的机制不是「看见更多细节」,而是引入更短生成规则,把残差降为可预测结构。 【待验证点】如果某类现象持续抵抗所有短模型,我们应把它记为【噪声】还是【暗复杂性】?前者是认识论放弃,后者是本体论承诺;哪一个更可证伪?







0 評論