思考双系统：秩和复杂度（2）

思考双系统：低秩和复杂度（2）

本文作为前篇博客的后续延伸，参考《低秩幻觉：为什么复杂系统反而更可控》一文（吾不識且不知，2026）的核心概念，以丹尼尔·卡尼曼（Daniel Kahneman）提出的思考双系统理论为核心框架，延续低秩与复杂度的相关讨论，将古典认知、社会结构、个体生活与机器学习模型训练纳入同一逻辑体系，完成低秩机制在不同场景下的统一解读，进一步完善低秩与复杂度的核心逻辑。

思考双系统对应着人类认知的两种运行模式，系统1依托直觉完成快速信息处理，捕捉表层变量与状态变化，无法识别变量之间的关联属性；系统2依托理性开展逻辑推导，能够区分变量的线性相关与独立属性，定位系统的核心低秩结构。低秩结构的认知探索可以追溯至古典时期，亚里士多德（Aristotle）提出的分类学思维，将复杂的自然与社会现象归纳为少数核心范畴，通过系统2提炼系统的核心构成，同时受系统1影响将冗余现象判定为独立变量，形成朴素的低秩认知，因此经常会说这是亚里士多德的形而上学。这一思维逻辑也类似于古文运动文以载道，摒弃表层冗余的形式表达，聚焦核心的思想内核，与低秩结构剥离冗余、锚定核心的逻辑形成呼应。

近代至现代的认知发展与社会实践中，低秩与复杂度的关系持续显现。工业体系的组织管理通过标准化流程锁定核心运行逻辑，保留表层的操作多样性，维持系统的稳定运行。现代社会结构中，表层呈现出多元议题、信息流动、观点碰撞的复杂状态，系统1仅能感知这类表层变化，系统2则能识别出系统内部的核心低秩规则，所有表层变量均依托核心规则运行，不产生新的独立变化方向。

不同场景下的系统运行遵循统一的低秩与复杂度逻辑，各类复杂系统的表层表现、核心结构与调整机制可通过统一框架完成对照，具体对应关系如下表所示：

人工智能领域的LoRA低秩更新，是低秩与复杂度逻辑在工程场景中的直接应用，也是前篇博客未涉及的低秩实践延伸。大模型具备海量参数构成的复杂表层结构，拥有多样化的语言表达、知识储备与推理能力，这类复杂表现均依托固定的低维隐空间核心。LoRA低秩更新不对全量参数进行调整，仅在低秩子空间内完成模型适配，训练过程中习得的语言风格、领域知识、输出形式，均为模型原有权重与语义特征的线性组合，不生成独立的新语义维度。

从思考双系统的视角来看，大模型的复杂参数与表达能力对应系统1可感知的表层信息，低秩核心与线性组合调整对应系统2可识别的底层结构。系统1仅能感知大模型的复杂能力与微调后的表达变化，系统2则能识别出微调操作并未改变模型的核心低秩结构，所有适配效果均为原有维度的组合延伸。这一机制与社会结构、个体生活的低秩运行逻辑保持一致，复杂表层表现不会改变系统的核心独立方向，低秩调整是复杂系统保持稳定的核心方式。

低秩与复杂度的关系贯穿认知科学、社会运行、个体生活与人工智能训练，作为前篇博客的延伸，本文进一步拓宽了低秩逻辑的应用场景，验证了低秩机制的通用性。复杂表层是系统的外在表现，低秩核心是系统的内在约束，各类系统的适配与调整，均依托低秩核心完成线性组合式优化，不新增独立变化方向，以此维持系统的稳定运行状态，这也是低秩机制在不同场景中具备通用性的核心原因。