按键盘上方向键 ← 或 → 可快速上下翻页，按键盘上的 Enter 键可回到本书目录页，按键盘上方向键 ↑ 可回到本页顶部！
————未阅读完？加入书签已便下次继续阅读！
饬浚强蒲Ъ屏垦У耐臣票怼Ｗ愿粗贫杂τ谛碌目蒲Ъ壹尤氲剿Ｍ邮碌难芯苛煊蛑小Ｋ堑难≡袷艿浇逃獭⑸缁嵝枨蟆⒏鎏逍巳ぁ⒖蒲а傻鹊鹊挠跋臁Ｋネ艘馕蹲牛蒲Ъ抑辉诳蒲Я煊蛑谢疃邢薜哪晖罚蒲Ъ铱赡芑嵋蛑种衷颍ɡ缒炅洌┒肟蒲低场Ａ煊蚯ㄒ埔馕蹲趴蒲Ъ以诳蒲Я煊虻慕换还蹋裱ㄒ颇Ｐ汀？蒲Ъ乙残砘崞哂薪洗笪Φ牧煊颍酥至煊虮硐治哂薪洗蟮淖愿粗坡省５惫贪肆煊蛑涞慕换唬庑┝煊蚓哂凶愿粗坪退ネ说姆窍咝陨ず敲匆桓龃葱碌难≡窦壑档募扑憔褪窍嗟备丛拥氖挝瘛Ｒ话憷此担桓鼍哂薪细哐≡窦壑档男铝煊颍怯上低扯杂谙嘤θ哦奈榷ㄐ岳幢曛镜摹！�
实际上，科学的生长是一个随机的过程。例如，仅仅有几个先驱者投身到新领域的初始阶段，就是典型的随机涨落。科学子领域中可能占据密度的随机动力学，用主方程来建模，它使用由自复制、衰退和领域迁移的转移几率定义的转移算符。此随机模型，为科学生长过程的几种计算机辅助模拟提供了基础。相应的确定论曲线，作为对于大量一致的随机系统的平均结果，也被看作是趋势分析。结果，子领域的科学共同体的一般S形状曲线的生长规律，即具有缓慢的起始阶段、迅速生长阶段和炮和阶段，也在一些模拟中得到了证实。在一系列的模拟中（图7．3），假定了一个研究领域大约有120…160个成员。对于5个领域，选取了100个科学家作为起始条件，此起始条件紧接饱和领域。第6个领域还没有建立起来（其起始条件中成员为零）。在第一个例子中，已经对若干种情形，模拟了自复制过程对新领域生长曲线的影响。随着自复制率的增加，新领域以邻近领域为代价，增长得更加迅速。
新领域的形成可能会有更加共存或更加选择的趋势。起始阶段的生长可能会或多或少快一些，或者也可能被延缓。科学史上一个生长被延缓的著名例子是混沌理论本身，它在起始阶段只受到非常少的科学家的注意（例如彭加勒）。尽管新领域的数学原理是相当清楚的，但是其指数增长是前些年当计算技术可以处理非线性方程时才刚刚开始。有时，一个形成中的领域不可能成长为一个真正的科学领域，因为它与众多的环境领域相比仅仅具有弱的选择优势。遗憾的是，有些技术领域如能源的替换（例如风能、太阳能），就仍然处于这种可怜状态，它们被强大的传统的或核的能源工业所包围。如果一个新的有吸引力的领域出现了，就可以看到科学家从周围领域争相进来的现象。这些人们正在适应新领域的风格和问题求解模式。这种直接的领域迁移，有时导致了科学中的时髦现象。
众所周知，如果适当控制参量的增加使之超过一定的临界值，S形状的非线性逻辑映射就会产生出种种复杂动力学行为，如不动点、振荡、确定论混沌（图2．22）。显然，随机论模型和确定论模型都反映了科学生长的某些典型性质。这些效应是新领域的结构分化、缺省、创造、扩展，伴随着缓慢、消失、迅速生长、过度时髦和消退。对这些动力学效应的计算机辅助作图模拟中，可以用适当的序参量来标志，序参量能以科学计算数据为基础进行检验。在种种条件下的可能图景可以进行模拟，从而去预测未来发展的里程碑和领域。
但是迄今为止，对科学研究领域进化的建模，仅仅考虑了所选择的领域中科学人力的变化。科学生长的更合适的表示，必须要考虑到科学努力中的问题求解过程。但是，要找到一个合适的态空间来表示科学领域中问题求解的发展，是一个困难的方法论问题。在生物进化的数学理论中，物种只能用高维生物特征空间的点来表示（图3．4）。一种物种的演化相应于一个点通过表现型特征空间的移动。类似地，在科学系统中，也必须建立起科学问题的高维特征空间。科学文章的构型以引证数量中的多维尺度技术进行分析，用二维或三维空间的点来表示。研究问题常常用关键词（“宏观术语”）的序列来表示，关键词根据它们在科学叙述中出现或共同出现的频率来选取。
在连续的进化模型中，问题空间的每一点都用相应于所研究问题的矢量来描述（图7．4a）。问题空间由科学领域的所有科学问题构成，其中一些可能是未知的和还没有进入研究之中的。这种空间是距离空间，因为两点之间的距离相应于所表示的问题之间的主题关联程度。时刻t工作于问题q的科学家自身在问题空间的分布密度为x（q，t）。在此连续模型中，x（q，t）dq指的是在时刻t工作于“问题元”dq的科学家人数（图7．4b）。
因此，此研究领域可能相应于问题空间中种种关联点的密度云。在这些较大密度区域之间的单个点，相应于科学家工作于独立的研究问题，它们可能代表了可能的新研究领域的核心。科学史表明，一组研究问题成长为一个研究领域可能要花上数十年之久。在此连续模型中，领域的迁移过程以密度变化来反映：如果一位科学家从问题q变化到问题q’，则密度x（q，t）将变小，x（q’，t）将增加。科学家在问题空间的运动，用一定的生产…输运方程来建模。函数a（q）表示，在领域q中科学家通过自复制和衰退而生长的人数变化率。因此，它是一个在问题空间具有多个极大值和极小值的函数，表示了科学领域中的吸引力的增加或减小。类似于物理势能（例如图4．10），人们可以把a（q）解释为具有山地和低谷的吸引力势能地形，代表着研究领域的吸引子和停滞区（图7．4b）。
知识生长的动力学模型已成为科学计量学上可检验的。因此，它们可能在科学哲学及其科学生长概念、科学史及其科学文献评价之间架起桥梁。在认知计量学中，最近进行了一种尝试，对研究问题进行量化，并在由图书计量学的、认知的和社会的特征所构成的适当问题空间中，将它们表示出来。由波普尔、库恩等人提出的简化的科学史模式，就可能用可检验的假说来代替。库恩的具有“常规”科学阶段和“革命”科学阶段的不连续的序列，显然难以解决知识的生长问题。另一方面，某些历史学家的朴素信念，即认为科学的生长是永恒真理的不断增长，无论如何也是不适合于复杂研究动力学的。甚至波普尔的精致了的后期哲学，认为科学并非通过不可归约的已有定律的单极增长，而是通过假说和批判的学习策略而增长，也需要更精确和更明晰的历史地变化着的方法论、体制和组织的标准。现代计算机的计算能力不断增加，使我们能够在社会科学中进行新的模拟试验的定量探索。动力学模型的巨大优势在于，通过计算机辅助以图形方式显示出改变参数的多种形象。这些形象可能会确证。限制或反驳所选的模型。最后，我们的科学政策决策时同样需要可靠的支持。不同的未来发展图景可能会帮助我们决定，我们的有限的研究预算资源向何处投资，以及如何实现所希望的未来社会状态。
因此，非线性建模和计算机辅助的模拟可能使我们推导出多种未来，但是不可能提供一种在它们之中作出选择的算法。为了实现所希望的未来社会状态，常规的目标必须要包括进来。20世纪60年代以来，罗马俱乐部的一系列报告引起了一种国际性争论，涉及人类的目标和可选择的未来，并有定量的长期预测的支持。在7．1节中，我们看见了对于非线性世界进行长期定量预测的限制。结果是，政治决策不可能逼出科学思想和技术创新。但是，它们的发生或不发生却决不是完全随机的事件。我们需要工具来评价所希望的目标和它们实现的机会。
一种非定量的方法是所谓的德尔斐方法，它通过对专家组的咨询调查来帮助对科学技术的趋势进行决策和预测。“德尔斐”这个词涉及传说中的占卜家皮蒂娅（图7．1），据说她为了作出预言而收集有关顾客的信息。今天的德尔斐方法运用了科学专家的估计。每个专家之间保持隔离，使之判断不受社会压力或群体行为的影响。向每个专家征询，一定时期的可能的和（或）有希望的发明和科学突破的名称及其权重。有时，向他们征询的不仅仅是每一种发展的可能性，还要估计出每一种潜在发展的出现将对其他潜在发展的出现的影响的可能性。因此，人们就获得了一种相关的未来发展之网，这是可以用主观条件概率的矩阵来表示的。在下一阶段，专家被告知达成共识的项目。当他们被要求叙述出他们不同意大多数人的意见的理由时，若干个专家就会重新评价他们关于时间的估计，并排列出缩小了的每一种突破的范围。
当然，德尔斐方法不可能提供唯一的答案。但是，专家意见的分布情况集中了有关潜在的主要突破的大量信息。对多数人意见的偏离，应该在专家不受到巨大压力的情况下得到缩小。但是，德尔斐方法因此不可能预见意外之事。有时，德尔斐方法得到了相关树方法的支持，以从构造的决策构中的多种可能中选择出最好的方法。决策树方法运用了决策理论的思想，以评估一定未来的希望程度，并选择出有关的科学技术的领域，其发展对于实现这些目标是必需的。
显然，复杂的非线性世界没有唯一的预测和决策方法。我们需要某种整合的（“杂交的”）定性和定量方法的网络。最后，我们在运用这些工具和把握我们的未来时，需要有伦理学路标来指引我们。
7．3复杂性、责任和自由
近年来，伦理学已成为吸引力不断增加的主题，工程师、医生、科学家、管理者和政治家等各种人物对此都很感兴趣。引起这种兴