思维模型 Wiki

首页 / 系统

蝴蝶效应 Butterfly Effect

微小差异，被时间放大成不同命运

爱德华·洛伦兹（发现者，MIT 气象学家，1963 年发表《确定性非周期流》，提出确定性混沌） · 詹姆斯·约克（命名者，1975 年与李天岩发表论文《周期三意味着混沌》，首次使用 chaos 一词）

场景钩子 · 0.000127，抹掉了一份天气预报

1961 年冬，MIT 气象学家洛伦兹在计算机上跑天气模拟。想接着上次的预测继续算，为了省事，他把初始值 0.506127 敲成了 0.506，差距只有 0.000127，约四千分之一。他以为结果几乎不变，新预测起初也确实贴着旧曲线走，之后却越偏越远，最后两组天气完全对不上。他先怀疑机器坏了，检查后才发现问题不在硬件，而在方程本身会不断放大微小差异。1963 年他发表《确定性非周期流》，1972 年又在一次会议上问出那句让概念走红的话：巴西一只蝴蝶扇动翅膀，会在德克萨斯引起一场龙卷风吗？

原理图

关键在这个循环：规则是确定的，误差却被非线性项一轮轮放大，直到填满整个系统。确定，不等于可预测。

数据证据 · 洛伦兹系统里的误差增长：从四千分之一到完全发散 可靠二手

0.000127 的初始误差，约 13 个模型时间单位后就长到与系统本身同尺度；气象界后来估计，真实大气的确定性预报极限约两周。
来源：初始误差取自 1961 年舍入事件；增长率取自 1963 年三变量系统的最大李雅普诺夫指数约 0.9（Sprott, Chaos and Time-Series Analysis, 2003）；分离度按 0.000127 乘 e 的 0.9t 次方计算，在吸引子尺度 20 处截断

交互演示 · 把初始误差缩小十倍，能换回多少预测时间

初始误差缩小十倍，只多换来约 2.5 个模型时间单位，改善是对数级的，预测极限永远存在。

怎么用

  1. 先判断对象是不是非线性复杂系统天气、市场、生态、组织都算，钟摆和定期存款不算。蝴蝶效应的前提是正反馈加非线性。
  2. 找出初始条件里的敏感点问哪些数字差一点就会被放大，比如产品早期的口碑、关键员工的去留、上线首日的崩溃率。
  3. 用区间和集合预报替代单点预测对多个初始值各跑一遍，看哪些结论在所有情景下都成立。欧洲中期天气预报中心 1992 年起采用集合预报。
  4. 缩短决策周期，用观测不断修正既然长期预测靠不住，就用短周期、快反馈、勤修正来替代，像飞行员不断微调航向。
  5. 追求稳健而不是精确选在很大一片未来里都站得住的方案，而不是押注某一条精确的预测曲线。

失效边界

情境模型的说法现实
几天内的短期预测微小差异会被放大，短期预测也没用放大需要时间，3 天内的天气预报仍然相当准，短期决策照做不误。
带负反馈的线性系统任何系统都有蝴蝶效应钟摆、恒温器、定期存款都在压制扰动，日常多数系统并不混沌。
把不可预测当成不作为的借口反正测不准，规划没有意义统计规律和区间预测依然可用，气候能预测而天气不能，该做的准备照做。
事后解释重大事件找到那个初始小差异就能解释一切敏感初始条件无法回溯定位，事后归因往往是叙事，不是因果。

关联模型

出处