我们这一代人,似乎总在追逐一个叫做"最优"的东西。
最优的职业路径、最优的城市、最优的伴侣、最优的投资组合、最优的孩子教育方案。最近又多了一项——"最优地使用 AI"。每天打开手机,都会被告知:你又落后了,新的工具、新的提示词、新的工作流、新的大模型,正在让别人远远把你抛在身后。
但这篇文章想说一件可能让你松一口气的事:那个"最优",从一开始就不存在。它不存在于田垄,不存在于数学,不存在于 AI——它甚至不存在于你的人生。
现代农学有一个核心术语,叫做时空异质性（Spatial-Temporal Heterogeneity）。它讲的是这样一个朴素的事实——
同一块田,东头与西头的产量可能差三成;同一年,春雨与秋旱不可预测;同一种作物,今年丰收并不意味着明年也丰收。基于德国莱茵流域的遥感研究显示,即便在高度集约化的农田中,田块之间的差异显著大于田块内部。
"在丹麦景观的四物种研究中,仅空间异质性就能解释种群增长率变异的 23%–30%。时间维度的扰动会进一步放大这一不确定性。"
— Sibly et al., BMC Ecology (2009)
这意味着什么?意味着——根本不存在一种"最好"的耕作方式,能放之四海而皆准。
北方种小麦,南方种水稻;山地种茶,平原种稻;沙土种花生,黏土种棉花;先民们没有数学证明,只是用几千年的观察总结出四个字:因地制宜。
这不是认知的"权宜之计",而是对世界本质的深刻服从——既然土地本就不均匀,何必强求一个均一的答案?
1840 年,德国化学家尤斯图斯·冯·李比希提出了最小因子定律(Law of the Minimum):作物的产量,不取决于所有养分的总量,而取决于其中最稀缺的那一种。
想象一只由许多木板拼成的木桶。每一块板代表一种养分:氮、磷、钾、硫、锌、硼……桶里能装多少水,不取决于最长的那块板,而取决于最短的那块板。
这条定律有一个常被忽略的推论——不同的作物,需要的"那块短板"是不同的。
EACH ACCORDING TO ITS NEEDS · 各取所需需要充沛的水、适量的氮、对硅敏感——湿润的南方,正是它的乐土。
耐旱、喜钾、对低温有需求——黄淮以北的旱地,才是它真正的家。
嗜酸性土壤、需要漫射光、惧霜冻——只在丘陵的云雾里安身立命。
偏好沙质土、固氮能力强、忌涝——它的"理想生活",别的作物都做不到。
给水稻施再多的氮,它不会变成小麦;给茶树灌再多的水,它也不会变成水稻。每一种作物,都只需要属于自己的那一份"刚好"——多了是负担,少了是危机。
这是一个让人安心的事实:每一种生命,都有属于自己的最佳生态位。它不需要跟别人争同一片土地。
1997 年,机器学习理论家 David Wolpert 和 William Macready 证明了一个让无数工程师震惊的定理,名字优雅得像一句俗语——"没有免费午餐定理"(No Free Lunch Theorem,简称 NFL)。
"在所有可能的问题上取平均,任何一种优化算法的表现都和其他算法一样好——也一样差。"
换句话说:不存在一个"宇宙通用"的最优算法。每一个算法在某类问题上的优势,都必然以它在另一类问题上的劣势作为代价。
这个定理动摇了整个机器学习领域追逐"完美模型"的执念。它告诉我们:
在某个数据集上称霸的随机森林,换到另一个场景可能不如最朴素的逻辑回归。
深度神经网络在图像识别上的奇迹,并不能直接复制到一个 30 维的表格数据问题。
追求"最强模型",在数学上是个伪命题。真正的智慧是"匹配"——为你的问题选对工具。
这难道不像是中国农人的"因地制宜"在 20 世纪末被重新数学化的版本吗?
"算法之于数据,如同作物之于土壤——没有更好的,只有更合适的。"
所以,如果你正在为"没有用上最先进的模型"而焦虑——请记住,Wolpert 和 Macready 用一个严谨的数学证明告诉你:这种焦虑,本身就是一个伪问题。
今天最大的"信息时空异质性",来自大语言模型。每天醒来,都有新的模型发布、新的能力出现、新的工作流被推荐。如果一个农人面对的是"天有不测",一个现代人面对的就是"日有更新"。
但请停下来想一想:
A QUIET MIRACLE · 一个被忽略的奇迹查一份英文文献,你要去图书馆、翻索引、复印、人工翻译。耗时:数天。
Google + 谷歌翻译可以让你 30 分钟读懂一篇摘要。耗时:半小时。
你对 AI 说"帮我总结这篇 50 页的论文",30 秒后得到一份结构化的笔记。耗时:半分钟。
从"数天"到"半分钟",效率提升了数千倍。这不是一种渐进的进步,而是一种代际跨越。和"日有更新"相比,"已经获得"才是更值得凝视的事实。
然而我们却很少为这件事感到满足。我们焦虑的是:
"我用的是不是最强的模型?" "我会不会被更早学 AI 的人甩开?" "我现在学的工作流,明天会不会就过时?"
这些焦虑的本质,是用"未来的相对落后"否定了"现在的绝对飞跃"。它就像一个站在汽车上的人,因为隔壁的高铁比他快,而忘了自己已经不再骑驴。
更何况——"没有免费午餐定理"在 AI 上同样适用。没有哪个模型能解决你所有的问题。能让你的工作变好的,不是"用最强的",而是"用合适的"。这是和"因地制宜"一脉相承的智慧。
我们走过了四个真相:
① 土地本就不均匀 —— 异质性是世界的底色; ② 每种作物有自己的"刚好" —— 各取所需是生命的智慧; ③ 不存在通用最优 —— 数学已经为此盖章; ④ 我们已经获得代际飞跃 —— 这本身就足够珍贵。
四个真相,通向同一个结论。它在两千多年前已经被一位老人写下:
祸莫大於不知足， 咎莫大於欲得。 故知足之足，常足矣。
请注意老子用的词:"知足之足"。它不是"少欲","也不是"无欲",而是"知道什么是属于自己的足够"。
水稻的"足"不是小麦的"足",南方的"足"不是北方的"足",你的"足"也不是别人的"足"。承认这种差异,才能找到属于你的那一份"刚好"。
而那个"常"字,既不是"快乐",也不是"满足",而是长久、稳定、可持续——在一个时空异质的世界里,唯一值得追求的,从来不是"最大",而是"最久"。
所以,如果你正在为下面这些事情焦虑——
"我的孩子上的不是最好的学校" "我没用上最新的 AI 工具" "我的职业路径不是最优" "我没活成别人那样的人生"
请记住四件事:
① 这个世界本身就是异质的,不存在一条所有人都该走的路。
② 你需要的,是属于你自己的那块短板的补齐,而不是别人那块长板的复制。
③ 数学已经证明:不存在"最优解"。追求它,是徒劳。
④ 与三十年前的自己相比,你已经在一场巨大的飞跃之中。这个事实,值得你停下来感激,而不是被忽略。
那位两千多年前的老人,坐在他的牛背上,缓缓写下"知足之足,常足矣"。
他不是在劝你躺平,也不是在让你放弃。他只是在告诉你一个,被现代数学、农学、AI 工程一次次重新证明的、最朴素的真相:在一个本来就没有"最优"的世界里,找到属于你自己的"刚好",已经是最大的智慧。
[1] Wolpert, D. H. & Macready, W. G. No Free Lunch Theorems for Optimization. IEEE Transactions on Evolutionary Computation (1997).
[2] von Liebig, J. Die organische Chemie in ihrer Anwendung auf Agricultur und Physiologie. (1840).
[3] Sibly, R. M. et al. The effects of spatial and temporal heterogeneity on the population dynamics of four animal species. BMC Ecology (2009).
[4] Reichenau, T. G. et al. Spatial Heterogeneity of LAI and Its Temporal Course on Arable Land. PLOS ONE (2016).
[5] Talhelm, T. et al. Large-scale psychological differences within China explained by rice versus wheat agriculture. Science, 344 (2014).
[6] 老子《道德经》第四十六章。
本文献给每一位曾在"够"与"更"之间辗转的人
THANK YOU FOR READING
