科学表征：地图不是城市
DNA模型、牛顿定律、元素周期表——它们不是在"复制"现实，而是在"画"现实。一个让哲学家争论了五十年的问题。
如果是"画"出来的，科学家怎么能确定画得对？毕竟肉眼看不见DNA。更奇怪的是，后来证明DNA的真实结构和这个模型并不完全一样，但这个"不准确的"模型却让我们理解了基因复制、设计了药物、甚至实现了基因编辑。
这说明什么？科学模型不一定要"对"，但要"有用"。
这背后藏着一个大问题：科学理论究竟如何"表征"现实世界？
地图不是城市
想象你用地图导航。地图上显示的路、建筑、地标，是真实的城市吗？
当然不是。但你不会说地图"错了"，因为它的目的不是复制城市，而是帮你找到路。
科学理论就像这张地图——它不是世界的"复印件"，而是一种"有用的表示"。
牛顿定律、元素周期表、气候模型，都是科学家创造的"地图"。它们不代表真实本身，但能帮我们预测、解释、控制现实。
但这里有个陷阱
你可能觉得："地图虽然简化了，但基本上是真实的吧？"
不一定。地铁线路图就是典型的例子。真实的地铁轨道是弯弯曲曲的，但线路图把它们都画成直线、直角。这完全不符合真实，但你反而更容易看懂、更容易换乘。
很多科学模型也是如此——它们故意扭曲了现实，只为了让你更容易理解规律。
玻尔的原子模型
你中学课本上的原子模型，是电子绕着原子核转，像行星绕太阳一样。
但物理学家早就知道，电子根本不是"绕"着转的，而是以"概率云"的形式存在。那个漂亮的轨道图是错的！
但为什么还教？因为这个"错"的模型，能让高中生理解原子能级、理解为什么原子会发光。等学生上大学，再告诉他们"其实是概率云"。
科学教育不是一步到位的"真理灌输"，而是一步步换"更好用的地图"。
三大流派：怎么才算"表征"？
过去五十年，哲学家们为这个问题吵翻了天，形成了三大阵营：
科学模型之所以有用，是因为它"像"真实的东西。就像肖像画要长得像本人，DNA模型要长得像真实的DNA。
但这派有个致命问题：如果"像"就能表征，那任何两个相似的东西都在互相表征吗？云朵像棉花糖，但云朵并不是棉花糖的"模型"。
代表：Ronald Giere不必"长得像"，但数学结构必须对应。只要公式能算出对的答案，模型长什么样无所谓。
范弗拉森（Bas van Fraassen）提出"结构经验主义"——认为科学表征总是从特定"视角"出发的，不存在"上帝视角"的客观表征。就像你拍一张照片：照片不是客观的"现实"，而是从你站的位置拍出来的"视角"。
代表：Bas van Fraassen很多科学模型根本就是"虚构"！"理想气体"、"无摩擦平面"、"完全理性人"——这些在现实中根本不存在。
但它们就像小说一样，虽然是假的，却能帮我们理解世界。甚至电子、夸克这些"基本粒子"，也可能只是为计算方便而发明的"虚构实体"。
代表：Nancy Cartwright那到底谁对？
说实话，到现在哲学家们也没吵出个结果。但有一个趋势很明显：大家越来越不关心"模型是不是像现实"，而更关心"模型能不能用"。
这就引出了二十年来最重要的一次转向。
从"是什么"到"怎么用"
传统的问法
早期的哲学家像侦探一样，想找出"表征的本质"。他们问：模型和现实之间，到底是什么关系？是相似？是同构？是约定？
这就像是问："爱情是什么？"然后试图给出一个永恒不变的定义。
现在的问法
现在的哲学家更关心：科学家是怎么"用"这些表征的？
就像不问"爱情是什么"，而是问"人们谈恋爱时做了什么"。
过去：表征 = 模型 ↔ 现实（二元关系）
现在：表征 = 科学家 ↔ 模型 ↔ 现实（三元关系）
科学家不是被动地"反映"世界，而是主动地"使用"模型去操控、预测、改变世界。
代表人物：Mauricio Suárez
西班牙哲学家Suárez在2004年提出了"推理主义表征观"，彻底改变了这个领域的讨论方向。
他说，重要的不是模型和客观世界"是否对应"，而是科学家能不能用它来推理。就像你用地图找路——地图和路不一样没关系，关键是它能带你到目的地。
当AI也来"表示"世界
这几年，科学表征理论遇到了一个新玩家——人工智能。
深度学习的核心：表示学习
在AI领域，"表征"是个核心词。深度学习模型通过神经网络，把原始数据转化成高维向量表示。
有趣的是：AI自己也不知道它在"表示"什么。
AlphaFold预测蛋白质结构
DeepMind的AlphaFold能预测蛋白质的三维结构，准确率极高，直接解决了生物学50年的难题。
但问题是：AlphaFold是怎么"想"的？它学到的"表示"对应什么生物学概念？科学家也不知道。他们只知道：输入序列→AI内部一顿操作→输出结构。中间过程是黑箱。
AI for Science的新范式
2023年，Nature发表综述《AI时代的科学发现》，指出AI正在重塑科研的三个阶段：
- 假设生成：AI可以从海量数据中找出人类想不到的模式。比如发现新的物理定律、新的化学反应。
- 实验设计：AI能设计最高效的实验方案，节省99%的试错成本。
- 数据分析：AI能处理PB级的数据，找出人类看不见的规律。
但这带来一个哲学问题。
假设未来有个AI，提出了一个完全正确的物理理论，能预测一切实验结果。但这个理论的数学形式人类完全无法理解，就像蚂蚁无法理解微积分。
这算"科学"吗？
传统的科学哲学强调"可理解性"、"可解释性"。但如果AI的"表示"就是比人类的好用，我们要不要接受？
表示的可解释性问题
AI领域有个大问题叫"可解释性"——AI学到了什么表示？
这其实就是科学表征的老问题换了新衣服：
- 科学哲学问：科学模型怎么表征世界？
- AI研究问：神经网络怎么表示数据？
两个领域正在慢慢汇合。
为什么你应该关心这个问题？
说了这么多，你可能会问：这跟我有什么关系？
1. 看懂科学新闻
当媒体报道"科学家发现XX基因导致YY疾病"时，如果你知道基因只是一种表征方式，你就会多问一句："这个结论是基于什么模型得出的？这个模型有什么假设？在什么情况下会失效？"
这能让你不被标题党忽悠。
2. 理解AI的局限
现在AI很热，很多人都说"AI会取代科学家"。但如果你理解科学表征，你就会知道：AI和人类科学家在做不同的事。
AI擅长找统计规律、优化参数。但提出概念框架、判断"这个问题值不值得研究"、在复杂情境下做价值判断——这些还需要人类。
3. 批判性思维
现代社会充满了各种"模型"：经济预测模型、疫情传播模型、气候模型、推荐算法...
这些模型都声称在"表示"现实。但如果你知道：
- 所有模型都是简化的（不然算不动）
- 所有模型都有假设（假设往往是错的）
- 所有模型都是有目的的（谁做的？想达到什么目的？）
你就会对"专家说模型预测..."这类说法多一分警惕。
还没解决的问题
科学表征研究远没结束。以下是几个还在争论的前沿问题：
问题一：错误的模型为什么能成功？
牛顿力学是"错"的（被相对论取代），但工程师还在用。为什么？
一种解释是：模型不必全真，只要在特定范围内能给出准确预测就行。牛顿力学在低速、宏观条件下足够好。
问题二：数据本身能表征吗？
传统的说法是：数据是"原始"的，理论是"加工"的。但大数据时代，数据本身就是高度结构化的。传感器的选择、数据的清洗、特征的提取——每一步都是"表征"。
那么，数据和理论还有区别吗？
问题三：不同学科的表征能统一吗？
物理学用数学方程表征世界，生物学用进化树，心理学用量表，社会学用访谈...这些完全不同的表征方式，有共同的本质吗？还是每个学科都得有自己的"表征哲学"？
回到文章开头的问题：DNA双螺旋模型是真实的DNA，还是它的"画像"？
科学表征研究的回答是：它既是，也不是。
它不是DNA本身，而是科学家创造的、用于理解和操作DNA的"地图"。但这个"地图"足够好——它让我们能够预测化学行为、设计药物、甚至编辑基因。
科学不是在"复制"世界，而是在"画"世界。好的科学理论就像好的地图——不追求和真实一模一样，但追求能带你到达你想去的地方。
在AI日益参与科学发现的今天，理解"表征"的本质，不仅是哲学家的任务，更是每一个想理解这个世界的人的必修课。
因为最终，我们不是在寻找"真理"本身，而是在寻找"通往真理的更好地图"。
延伸阅读
- 《科学哲学导论》——国内高校常用教材
- 《模型与类比》（Mary Hesse）
- van Fraassen《科学表征：视角悖论》（2008）
- Cartwright《物理定律是如何撒谎的》（1983）
- 王伟（2017）《科学表征理论发展的新趋势》
- Nature（2023）《AI时代的科学发现》
- 搜索：Scientific Representation, Model Theory, AI Interpretability