AI：新的“熵减”

“生命以‘负熵’为食。”

—— 埃尔温·薛定谔，《生命是什么？》（1944），第六章

在宇宙漫长的演化中，差异会被抹平，结构会瓦解，能量会逐渐耗散。恒星终将熄灭，温差会归于平缓，任何精巧的结构若失去持续的能量与维护，也会逐渐松弛、瓦解。热力学第二定律提醒我们：对一个没有外部输入的孤立系统而言，总熵不会自发减少，局部的熵减总要伴随着更大范围的熵增。

生命正是这种意义上的奇迹。几十亿年前的地球并不是孤立系统：它接收太阳带来的高品质能量，又向太空辐射更多低温的热。在这条能量流上，碳、氢、氧、氮等元素参与的化学反应逐渐形成边界、代谢、复制与演化。细胞膜把内部与外部隔开，生命在向环境排出更多熵的同时，维持了自身极其复杂而脆弱的局部秩序。

生命不是对热力学第二定律的反例，而是它所允许的、最壮丽的局部熵减：以外部能量为代价，建立结构；以更大的环境熵增为代价，延续自身。

人类文明可以被看作这场逆行的延伸。生命用代谢维持细胞的秩序；文明则不断发明新的循环系统，驾驭能量、物质与信息，在更大尺度上维持、复制并扩展局部有序。

近代的三次工业革命，正是这种能力的三次跃迁。第四次工业革命来了吗？这次的“熵减”又如何实现？

不是消灭熵，而是自动化地维持局部有序

“熵减”指的是工程与控制意义上的局部有序：在明确目标下，把原本不确定、难以协调的过程，变得更稳定、更可预测、更可行动。下文的“能量熵减”“能源熵减”等，都是帮助理解控制对象变化的隐喻，并非新的热力学物理量。

因此，过去的三次工业革命可以看作控制对象不断上移的过程：

• 先控制能量如何做功：降低能量转化的不确定性
• 再控制能量如何储存、抵达与分发：降低能源配置的不确定性
• 继而控制复杂系统按策略响应：降低状态与协同的信息不确定性

第一次工业革命：控制能量如何持续做功

工业革命前，人类并非没有动力。人和牲畜可以出力，风车和水车也能转动。但它们都受制于肉身、天气、河流与地点：动力的大小、持续时间和可复制性，很难将其组织起来按需使用。

蒸汽机改变的不是“能量是否存在”，而是“储存在燃料中的能量能否在此时此地稳定做功”。煤炭燃烧产生热，锅炉将水转为高压蒸汽，气缸、活塞和曲轴则把蒸汽压力的一部分转化为方向确定的往复与旋转运动。只要燃料、水和设备维护能够持续供给，这套过程就能反复运行，人类不再需要依赖某一匹马是否疲惫，也不必等待一阵风或一段河流。

这是一种持续的自动化能量转换。热机并没有阻止热量耗散，更没有违反热力学第二定律；它是在总体熵增中，从温差所提供的可用能中提取一部分机械功，并将其封装为可重复调用的动力。

这次革命，替代了原始的生物动力与不稳定自然动力，人类获得了稳定动力。

能量熵减：第一次工业革命控制的是能量的转化过程，降低的是“可用动力能否持续、可重复、可放大地出现”的不确定性。系统通过机械结构，从温差中提取可用功，形成稳定的局部动力。

第二次工业革命：控制能源的时空配置

第一次工业革命的蒸汽机虽然让人类获得了稳定动力，但这种动力在空间分配上仍缺乏真正的自由。在工厂内部，它被锚定在“原动机”周围，必须通过复杂的传动轴和皮带带动整座车间，能量极难远传与精细拆解；在工厂外部，尽管蒸汽机车让动力走向了旷野，但它背负着庞大的煤水车，且被死死限制在预先铺设的铁轨上。 此时的能量，依然与沉重的机械实体和刚性的基础设施深度绑定，无法实现真正自由、离散的配置。

第二次工业革命从根本上重组了能源的组织形态，显著提高了能量生产、储存与使用之间的解耦和可调度性。这一重组通过两条互补的路线，改善了能量在广域时空中的分发：

• 第一条路线是“有线的网络化分发”——电气化。

  它把动力的生产与使用在空间上拆开：发电厂负责集中生产电能，电网将其输送到远方，末端的电动机再把动力按需下沉到每一台具体设备上。电网仍受输电损耗、容量和近实时供需平衡的约束；但它确实将动力的启停、调速和转化逻辑，从工厂统一的传动轴，转移到了每一台设备的独立终端上。

• 第二条路线是“无线的离散化分发”——石油与内燃机。

  如果说电网解决了固定设备的远距离供能，那么内燃机则让移动设备摆脱了对铁轨与线缆的直接依赖。石油提供了高能量密度、易于标准化封装和运输的化学能储备；内燃机则将原本庞大的动力装置微缩为可随设备携带的能量转化终端。油管、油轮和加油站构成物流网络，让这种被封装的能量能够被汽车、船舶和农机按需取用。

电网让能量可以跨越空间网络化流动，而油箱与内燃机则让能量挣脱了线缆与铁轨的束缚，伴随设备在时空中自由穿梭。

这次革命，替代了原先固定的能源组织结构，人类获得了前所未有的、极度灵活的能源配置权。

能源熵减：第二次工业革命控制的是**“能源”**的时空配置，降低的是能源在生产、储存、运输、分配和使用之间的供给错配。系统通过电网的统筹和燃油的封装，显著减轻了能量供需的时空阻碍。

第三次工业革命：控制复杂系统按策略响应

当设备、工厂以及整条供应链复杂到一定程度，仅仅拥有持续、分布广泛的动力还不够。系统还必须知道自己处于什么状态：机床是否失准、温度是否偏离？同时，海量的账目如何核实、市场的需求如何传递、跨越地域的团队又该如何协同？无论是物理上的生产线，还是人类自身的社会组织，如果只靠人工观察、纸质流转和机械联动，控制的速度与精度就会成为瓶颈，庞大的系统极易陷入协作的混乱中。

传感器、通信网络、计算机和软件的出现，同时重塑了机器与人类社会。它们把物理过程与组织行为转化为可读取的数据，把控制经验转化为可执行的程序。在车间里，数控机床和自动化产线将“感知—判断—执行—反馈”组织成更快的物理闭环；在企业与社会中，数据库和互联网显著压缩了跨组织、跨地域的信息传递与协作成本，使资金、物流与人的协作能以更短的反馈周期被协调。偏差一旦出现，控制器或软件就能依照预设的规则进行调整。

从信息论角度，这降低的是控制者对系统状态的条件不确定性。获得数据与控制模型后，系统不再只能被动等待机器故障显现或组织危机爆发，而能更早地识别偏差，并协调无数个环节。这里的信息并不是免费的：感知、通信和计算同样消耗能源；但它们让更少、更结构化的信号，能够指挥极为庞大的能量流、物质流，以及人类的协作网络。

这次革命，替代了原先僵化的机械联动与低效的人工沟通，人类获得了对复杂系统更灵活、精准的反馈调节。

信息熵减: 第三次工业革命控制的是复杂系统的状态与策略闭环，降低的是“物理机器与人类组织现在发生了什么，以及既定规则应如何响应”的不确定性。

第四次工业革命的熵减，减的是什么熵？

既然第三次工业革命已经用计算机和互联网极大地降低了物理与组织系统的不确定性，那么到了今天，我们到底还需要减什么“熵”？

答案隐藏在第三次工业革命带来的“副作用”中。

第三次工业革命虽然成功地将世界的更多部分数字化，但它也带来了一个极其庞大的“数据汪洋”。自动驾驶雷达每秒产生海量的点云，基因测序仪输出数十亿个碱基对，互联网每天涌现无尽的文本。这些原始数据规模巨大、维度很高，噪声与冗余并存；对具体任务而言，它们尚未被压缩成可直接行动的表示，因此带来极高的认知与决策不确定性。

在这个数据大爆炸的时代，第三次工业革命的显式规则控制范式，在开放、高维和长尾场景中开始显得覆盖不足。它的典型逻辑是：人类负责洞察世界并写下确定的规则（代码/If-Else），机器负责快速执行。

但真实世界的变数是呈指数级增长的。面对千万种突发的路况、极其微妙的自然语言语义、或是蛋白质折叠的无数种可能，人类的认知带宽和编程能力已经达到了极限——人类根本无法穷尽所有的规则。

面对高熵的混沌数据，正确的应对规则到底是什么？

此时，系统面临的最大的“熵”，不再是缺乏信息，而是信息过度过载导致的“认知瘫痪”。 或许可以将其称为 “认知熵”。

如果文明想要继续演进，就必须找到一种新机制，帮助人类面对这些复杂的原始数据，并从中提取可用于行动的规律，从而降低 “规则与策略的不确定性”。次世代工业革命的图景也由此逐渐清晰。

控制策略与知识的自主生成：次世代工业革命？

当“写规则”的速度远远落后于系统变异的速度，依靠人类预设逻辑来维系的复杂系统，失效与失控再次成了常态。

AI（尤其是深度学习与大模型）推动了控制器能力的上移：它不再只执行人类穷举写下的规则，也能在既定的数据、目标与约束下学习任务相关的表征，并提出候选规则、方案与指令。从 AlphaFold 预测蛋白质结构，到生成式 AI 生成代码与文本，机器开始承担一部分从复杂数据中发现模式、形成候选知识与策略的工作。

从信息论与控制论的角度看，这不再只是传递或处理既定信息，而是系统在消耗算力后，把复杂数据压缩为任务相关的表示，并生成可经验证的候选知识与策略。这并不等于把最高控制权交给算法：模型的输出仍须由人类与制度设定目标、提供证据、施加约束并承担责任。

然而，AI 的主要价值不在于每一步都神秘地“自我学习”，而在于运行时对高维信息的分析与降噪。它能够接收庞杂的情境，进行模式识别、分析与推理，从而生成候选答案、执行计划、代码参数或工具指令。它把部分原本深度依附于个体的人类心智劳动——归纳、拆解、表达、方案生成——转化为可复制、可并行、不会因疲劳而停止的计算能力。

如果这次革命成功，那么被部分替代的，是人类预设静态规则和有限认知带宽的单一控制方式；人类将获得从复杂情境中生成、评估知识与策略的自动化智力引擎。

认知/智力熵减：新世代工业革命控制的是“规则与秩序的生成过程”，降低的是“面对未知与极端复杂的情境时，系统如何生成可评估的候选策略，并在反馈与约束下改进”的不确定性。AI 通过处理海量复杂数据，形成任务相关的表示与策略，实现从“按既定规则响应”到“在约束下生成候选规则”的跃迁。

次世代工业革命的难题，与人类的价值

这次革命的难点，是如何把 AI 生成的候选指令，安全、可控、可靠地转换为实际的执行操作。只有当这些候选指令进入受约束的执行链路时，AI 才真正成为工业与社会控制系统的一部分。

AI 自身能力（例如模型能力）的强弱，只是系统内循环的一个环节。系统需要检索证据、校验权限、进行仿真或规则检查，再执行操作，并将结果反馈给下一轮分析，这构成了更快的系统内循环；而模型训练、评估和更新则是更慢的外层循环。在持续评估、版本控制与安全约束下，它们可以改善部分能力，却不保证持续或全面提升，更不应取代人类对目标、风险边界和最终责任的决定权。

在这个全新的人机控制回路中，人类如何变更组织形式，以适应新的控制范式，如何确保系统的稳定与安全？ 这是能否实现“次世代工业革命”的关键。

每一次工业革命带来的“熵减”，都必须伴随人类组织结构的变更。人类社会的运行有其惯性，每一次变革都在打破原有的结构；这也成为社会演化的动力：人类需要重新定义自己的角色，重新设计自己的工作流程，重新组织社会结构，以适应新的控制范式。

这一切技术、工程与组织演化的目的，依然是让人类守住价值与责任的底线，并将部分应对复杂变数的工作交给机器。人类的心智可从部分日常重复性任务中释放出来，更多地聚焦于更高价值的任务与理想。

对抗熵增的逆行，构成近现代文明的进步，也是人类价值的升维

蒸汽机自动化了做功，电网与内燃机自动化了供能，计算机自动化了反馈调节，AI 则开始自动化心智运作中分析情境和生成指令的部分。

这四次轰轰烈烈的生产力革命，本质上是人类完成的一场跨越数百年的“控制权上移”：

• 能量熵减：人类控制了物理做功（减少对自然动力与肌肉的依赖，获得稳定动力）。
• 能源熵减：人类控制了时空配置（摆脱单一传动轴、铁轨与线缆的限制，获得更灵活的网络）。
• 信息熵减：人类控制了系统响应（减少对僵化机械联动与低速信息流转的依赖，获得更快协同）。
• 认知熵减：人类开始控制规则生成（补足静态代码与有限脑力的覆盖不足，获得可评估的候选策略）。

它们共同构成的，从来不是对宇宙必然走向熵增的“逃离”，而是人类作为一个宏观生命体，不断把维持局部有序的能力，推进到更高层级的壮丽历史。

在这个过程中，每一次将部分执行与推断交给机器，都不意味着人类退场，而是要求人类价值以新的方式被实现。

当我们把沉重的体力、繁琐的调度、海量的计算，甚至是部分归纳与生成的心智劳动交给机器后，人类可以减少维系复杂系统的重复性负担，但仍须持续参与监督、问责、纠偏与目标协商。

人类需要回到系统的外层控制回路：持续定义文明的目标、伦理的边界和责任的归属。

在熵增的宏大背景中，机器可以协助我们理解和应对复杂性；而人类必须持续决定系统服务于什么目标、遵守什么边界、由谁承担后果。

人类在AI时代的价值，不是“被替代”，而是“被增强”。