茶年 · 中文维基百科

蝴蝶效应

Wikipedia · 2026-07-08 维基百科 👁 1 阅读

中的軌跡。σ = 10, ρ = 28, and β = 8/3. ]]
蝴蝶效應（）在混沌學中，是指系統的演變，對初始條件有非常敏感的特性（sensitive dependence of solutions on initial conditions, SDIC）他也在另一篇期刊文章寫道，「一個氣象學家提及，如果這個理論被證明正確，一隻海鷗扇動翅膀能夠永遠改變天氣變化。」在以後的演講和論文中他用了更加有詩意的蝴蝶。對於這個效應最常見的闡述是「一隻蝴蝶在巴西輕拍翅膀，可以導致一個月後德克薩斯州的一場龍捲風。」，等於一個小事情的影響可以很大。

在1993 年出版的《混沌的本質》一書中，勞倫茲將蝴蝶效應定義為：「動力系統狀態的微小變化，將導致後續的狀態，與原本可能演變的狀態有很大的不同。」此一描述和「對初始條件的敏感依存」相同。而所謂的預報度，可藉由系統中的連續依存和敏感依存之間，來加以決定。簡單地說，當兩個初始相鄰的路徑出現明顯分歧之前，我們可以決定有限的預報度。

含義
延伸的「蝴蝶效應」是連鎖效應的其中一種，即意思即使一件表面上看來毫無關係、非常微小的事情，也可能帶來巨大的改變。此效應說明事物發展的結果，對初始條件具有極為敏感的依賴性，初始條件的改變，將會有引起結果的極大差異。小事情會有巨大的反應。

蝴蝶效應一詞的出處，現有的文獻已有很多的討論。而其函義也有所不同。單就勞倫茲的研究文章和報告中的討論（如），基本可以有以下三種不同類型。第一類型的蝴蝶效應是指：系統中解的演變，對初始條件有敏感的依存。

在最近由《今日物理》發表的討論中，一致顯示第二類蝴蝶效應從未使用真實的天氣模型進行嚴格驗證。雖然這些研究表明，第二類蝴蝶效應在實際大氣中不太可能發生，但這種無效性並不否定第一類蝴蝶效應在其他領域（如疫情或歷史事件）中的適用性。

圖示
:

連續依存和敏感依存
圖一和圖三說明初始條件敏感依存（即SDIC）的特性

  • 存在δ>0，使得對M中每点x和包含x的任意邻域N：
  • 都存在来自这一邻域N的一点y和时间τ，使得：
  • 距离 d(f^\tau(x), f^\tau(y)) > \delta \,.

定义不要求来自一个邻域的全部点都与基点x分离。

另一種較強的敏感依赖性，涉及系統的最大李亚普诺夫指数。

李亞普諾夫指數
李亞普諾夫指數代表著兩個軌跡發散速率（rate of divergence）長時間的平均值。在既有的文獻中，有研究學者，使用下列數學式子: exp(Lt) 來說明兩個軌跡收縮或發散的特性。這裡，指數函數的參數L代表李亞普諾夫指數。當L是負的，指數函數隨時間非線性遞減。當L是正的，指數函數隨時間非線性遞增。後者意味著，兩個軌跡發散的“長時間平均值”呈指數增長。然而，既有的文獻中，也顯示，在一個混沌系統中，儘管兩個軌跡發散速率長時間平均值是正的，但在給定的任一時間，兩個軌跡可以是隨著時間發散或收縮的

有界性
構成一個混沌系統至少需要兩個必要條件:

  • 至少有一個李亞普諾夫指數為正
  • 解是有界的(也就是被限制在一定的區域內，如上面的圖一至圖三所示)

一個違反有界性的系統是線性微分方程。考慮最單純的y'= a y 和 a > 0，再加上初始條件 y(t = 0) = yo。這個系統的解，y = yo exp(at)，是指數函數，因此有一個正的李亞普諾夫指數。然而，此系統不是有界的，因此並不是一個混沌系統。這也符合我們對於「非線性系統才有混沌」的印象。當相位空間中兩個狀態在時刻 i 和 j 的距離低於一個特定的臨界值ε，復發性可以被定義。所謂的復發時間，是指軌跡回到先前訪問過的狀態附近所需的時間。而非零的臨界值 (non-zero ε) 的存在，表明系統經歷了復發，但不一定是到先前造訪過的同一個狀態。混沌系統中的復發性，源自於解的有界性和兩兩軌跡的發散性。

通俗但不準確的比喻
蝴蝶效應中最主要的特性是，對初始條件的敏感依賴性。長久以來，人們使用民謠《只因少了一顆釘》，進行了說明：

基於以上所述，許多人錯誤地認為：初始微小擾動的影響，會隨時間單調增加，以致於，任何微小的擾動最終都會產生巨大影響。然而，在2008年，混沌理論之父勞倫茲表示，他並不認為以上民謠足以描述真正的混沌。事實上，民謠只是說明了較為簡單的不穩定現象。而且，這民謠暗示後續的小事件不會逆轉結果（Lorenz，2008 )。據分析，該詩句只展示軌跡的發散特性，而並未掌握軌跡只在有限的範圍內的特性在最近的一項研究中，上述民謠的特徵被稱為“有限時間的敏感依存”。

勞倫茲對預報度極限的觀點
根據 Lighthill (1986)的分析，SDIC（普遍稱為蝴蝶效應）的存在，意味著混沌系統的預報度有限的。在一份文獻回顧中指出，勞倫茲對預報度極限的觀點，可以總結為以下陳述：

勞倫茲采用1963年的模型，定性地揭示了大氣等混沌系統中，有限預報度的本質。然而，模型並未確定大氣可預報度的確切上限。

在1960年代，根據實際模型中五天倍增時間的估算，最初推估了兩週的可預報度。此後，這一發現記錄在 Charney 等人1966的論文，並成為共識。

相關討論，以下由申等完成的短視頻，有精簡的文獻回顧。

最近的一項研究再次強調，兩週預報度的極限，是在1960年代使用Mintz-Arakawa模型的五天倍增時間計算得出。這項研究將兩週預報度的極限，稱為“可預測度極限假說”。這個術語是受到摩爾定律的啟發，是基於Charney的領導下，Lorenz、Mintz和Arakawa共同合作的貢獻。這假說的概念，提供理論基礎，支持使用偏微分方程（PDE）的物理方法和人工智慧（AI）技術，來進行延長範圍預測的研究。

勞倫茲對混沌模式與混沌解的開創性貢獻
在他的職業生涯中，勞倫茲教授共撰寫了61篇研究論文，其中58篇完全由他獨自撰寫（陳關榮）。從1960年的日本會議開始，勞倫茲踏上了一段發展許多模式的旅程，旨在揭示SDIC和混沌特性。最近，一份對勞倫茲從1960年到2008年的模式的回顧顯示，他善於運用各種物理系統來說明混沌現象。這些系統包括準地轉系統、渦度守恆方程、瑞利-貝納德對流方程、和淺水波方程。此外，勞倫茲還非常早應用羅吉斯蒂映射，來探索混沌解。他比同行更早取得重要的里程碑（例如他在1964年發表的論文）。

大語言模型的幻覺和蝴蝶效應
大語言模型(LLM)的「幻覺」，是指其輸出的內容，出現與輸入的問題無關、完全虛假的資訊、前後矛盾的描述等各種錯誤。
這是由於LLM僅跟據概率進行數據匹配，並不會考慮文字的意思以及邏輯，因此它必然會匹配出一個不符合人類認知的結果。

對此，有一個有趣的假設，該假設將不按常理出現的幻覺，類比於蝴蝶效應。

蝴蝶效應指系统的演變，對於初始条件有非常敏感的特性（sensitive dependence of solutions on initial conditions, SDIC）。一般而言，在混沌系統中，先出現解的連續依存（continuous dependence of solutions on initial conditions, CDIC），然後SDIC會突然的出現。連續依存的時間間距，可以決定預報長度，但其間距大小取決一些因素，包括初始狀態及模式的參數。一般而言，間距大小不易事先決定。此外，當系統包含共存吸引子(attractor coexistence), 即混沌與非混沌元素的共存，系統的最終狀態，會出現對起始條件的依賴。這使得確定CDIC區間的任務變得複雜。在氣象、氣候模式預報，會使用集合預報（ensemble forecasts)，或多種模式的預報，來決定有效的預報。這些方法，或許可以應用在大語言模式中，用來決定在幻覺之前的共同資訊，該資訊可以視為可靠的資訊。

如果要通俗地描述LLM與蝴蝶效應之間的關係，就是使用素材當中不起眼的小問題（例如，文章作者不小心寫錯了某個英文)，可能會造成很大的問題。
一個作品的一個小錯誤可能不會造成問題，但是製作LLM需要非常大量的數據，當這樣的小錯誤疊加起來後，便可能會造成「蝴蝶效應」，導致模型出現無法預料的錯誤。

此外，這並不限於LLM，所有使用其核心技術Deep Learning開發的程式或模型，也都存在一樣的問題。
現今互聯網上許多人發佈含有「幻覺」的文章、圖片，即是AI slop。由於每一個「幻覺」都可能造成蝴蝶效應，這使得開發下一代的模組變得非常困難，需要巨大的成本來過濾掉AI slop - 隨著AI slop的數量不斷增加，成本也將會越來越高。

參見

  • 非線性物理學
  • 數值穩定性
  • 敏感度分析
  • 多米諾骨牌效應

参考文献
延伸閱讀

  • James Gleick, Making a New Science, New York: Viking, 1987. 368 pp.

*
*

外部連結
*
[http://www.boston.com/bostonglobe/ideas/articles/2008/06/08/the_meaning_of_the_butterfly/?page=full The meaning of the butterfly: Why pop culture loves the 'butterfly effect,' and gets it totally wrong] , Peter Dizikes, Boston Globe*, June 8, 2008

*

#动物隐喻 #动力系统 #混沌理論 #預測

评论 (0)

  • 还没有评论，来抢沙发吧。