《控制论与科学方法论》第三章3.1-3.2
本书前两章介绍完基本概念之后（可能性空间，控制，反馈，信息传递，滤波，信息存储，组织），终于开始介绍控制论的主要的研究对象了：系统。
所谓“系统”，顾名思义，是指一个多因素，多变量之间互相联系互相作用的整体。从生物体的呼吸系统，消化系统，血液循环系统，神经系统，到生物群落，生态系统，再到人类社会的教育系统，医疗系统，宏观经济系统等等。时至今日，用整体的方法去研究复杂系统已然成为一个热门学科了。粗略而言，所谓整体的研究方法，是指从整体上去把握各个因素之间相互作用的关系，从而通过模型去研究各因素之间的相互作用如何影响整体系统的功能状态。虽然强调的是整体的视角，但在具体实践的过程中，还得通过研究局部变量之间的相互作用从而推知对于整体的影响。
在控制论中，所谓相互作用，一般是指“因果关系”。因素A作用于因素B产生结果C，则称A是C的因，C是A的果。如果不存在这种因果关系，就不属于控制论研究的对象。但是，因果关系存在多种表现形式，它与系统研究的复杂度紧密相关。以下列出几种常见的因果关系类型：
长链因果
简单表示是A导致B,B导致C,C导致D,D导致E,E导致F，若要深究，这种因果关系可以是没有尽头的。比如遗传学上对于遗传物质的认识发展过程：因子——染色体——基因——脱氧核糖核苷酸——开放阅读框——增强子。。。。。有时候，人们喜欢追问某一结果的根本原因，不断溯源，殊不知随着因果长链的逐步变长，遥远的原因其贡献可能变得非常微小，从控制论的视角来讲，就变成了可以忽略的变量了。一个很好的例子是“蝴蝶效应”。还有些脑科学家尝试从基因的角度去解释动物甚至人类的行为，固然不能说毫无价值，但从基因到行为中间间隔了细胞，脑区，环路，系统，全脑这么多的尺度，其解释力被极大地稀释，目前看来只怕不能算是一个好的研究方向，尤其是当涉及人类的各种复杂行为之时。可见，因果长链越长，不确定性就越高，分析的难度也就越大。
概率因果
事物A在一定概率下会导致事物B产生C后果。很显然，现实生活中多数情况属于这种类型。我忽然想到《水浒传》里王婆给西门庆分析如何勾搭潘金莲的例子。王婆分析的是当做到某一步对方没拒绝，就成了几分，做到某一步对方还没拒绝又增了几分，凡此种种，总共列了大概有10步吧？只要其中任何一步潘金莲拒绝或起身就走，这事儿就黄了。这个例子非常形象地说明了概率因果。概率因果导致的后果是多因一果和一因多果，这显然增加了系统分析的难度。
互为因果或自为因果
它会使得系统内的因果关系形成一个闭环，环中的每一个节点都可以既是因，又是果，使得传统的分析因果的线性思维失效，为寻找事物的诱因带来极大的困难。A与B互为因果，B与C互为因果，C与A互为因果，如果A，B，C还分别自为因果（比如各种自反馈系统），想想就头痛。我忽然想到了狗血剧里经常出现的三角恋关系，那叫一个乱呀。
因果网络
这是现代的神经科学所面临的一个极大的挑战。在大脑中，任何一个神经元都可以与其它所有的神经元建立或远或近的连接，而且这种连接是构成闭环的，加之前一个神经元只是在一定概率上引发后一个神经元做出反应。这种多重因果关系的特性，使得当前科研人员对于大脑的解读是那么的捉襟见肘，苍白无力。脑科学的认知革命亟须新的数学工具的发明，新的理论的诞生。否则，在很长一段时间内它注定只能缓慢地前行。
各种复杂的因果关系综合作用，决定了人们面对大系统时的苍白无力。所以通常情况下，研究人员首先会去人为界定一些相对简单的“孤立系统”，只考虑少数的主要变量，而忽略那些贡献相对较小的变量，使得研究得以展开。不过现在非常热门的深度学习人工神经网络动辄加入上亿个变量，很显然它得益于超高速计算机的惊人算力，但同时必然导致对单一变量关注度的下降。它更像是将那些变量视作黑箱，只关注输入和输出的两端。不知道它是否还属于当代的控制论研究的对象？
