“整体大于部分之和"是一句经常听到的话。可它到底是什么意思？把若干个体放在一起，为什么不能还原出整体的全部性质？

我想从"结构"这个角度来回答。个体提供了元素，而元素之间如何连接、如何排列，本身就携带着信息。这些信息不在任何一个个体身上，只存在于它们的关系之中。下面从几个例子出发，看看这个说法在什么意义上成立，又在哪些地方需要小心。

同样的碳原子，不同的物质

先看一个最直观的例子。同样是碳原子，杂乱无序地堆在一起，是无定形碳；按照一种特定的立方晶格排列，就成了坚硬透明的金刚石；换成层状的六角排列，则是柔软、能导电的石墨。原子本身没有任何区别，区别全在于它们之间的连接方式。

可以粗略地算一下，这种"连接方式"能容纳多少可能性。假设有 $N$ 个相同的原子，任意两个之间都可能有或没有连接，那么可能的原子对数量是：

$$ C = \frac{N(N-1)}{2} $$

当 $N = 100$ 时，$C = 4950$。每一对要么连、要么不连，于是可能的连接图共有 $2^{4950}$ 种。反过来说，如果要从这么多可能中指定其中一种结构，最多需要 4950 比特的信息。

这里有一个有意思的对比：因为所有原子都一样，描述"每个原子是什么"几乎不需要信息；可一旦要描述它们"怎样连在一起”，所需的信息就随 $N$ 的平方增长。在这个意义上，信息确实主要存在于结构之中，而不是个体之中。

当然，真实的化学不会允许任意连接，化学键的数目和角度都有严格的限制，实际可能的结构要少得多。但这个简化的计算足以说明，结构的可能性空间远远大于个体的差异。

大脑：信息在连接之中

大脑常被当作"结构承载信息"的典型例子。人脑大约有 860 亿个神经元，每个神经元平均与数千个其他神经元形成突触，常见的估计是大约 7000 个，整个大脑的突触总数约在 $10^{14}$ 到 $10^{15}$ 之间。

如果要写下"哪个神经元连到哪个神经元"，对每个突触来说，仅仅指明目标神经元就需要大约 $\log_2(8.6 \times 10^{10}) \approx 36$ 比特。乘上突触的数量，描述整张连接图需要的信息量是天文数字。而不同动物的神经元，在基本的电化学性质上差别并不大。人类的大脑之所以能做到其他动物做不到的事，神经元的数量固然重要，但更关键的很可能是它们如何连接、如何组织。

在神经科学中，学习和记忆在很大程度上被理解为突触强度和连接模式的改变：我们记住的东西，并不存放在某个单独的神经元里。至于意识是否也可以用"连接模式的涌现性质"来解释，目前还是一个开放的问题，有不少理论尝试，但远没有定论。可以比较有把握地说的是：大脑处理信息的能力，不能从单个神经元的性质中直接推出来。

组织：连接越多越好吗

社会组织也是如此。一个团队的能力，不是成员能力的简单相加，信息在成员之间怎样流动，往往同样重要。

设想一个 10 人小组。如果每个人都和其他所有人直接沟通，就有

$$ C = \frac{10 \times 9}{2} = 45 $$

条沟通渠道。如果改成"组长中心制"，每个人只和组长联系，就只剩 9 条。渠道少了，沟通负担随之减轻，组长能够掌握全局；但横向的交流也少了，组长本人成了瓶颈，信息在上传下达中还可能失真。

所以，连接既不是越多越好，也不是越少越好。连接太多，每个人都被淹没在信息里；连接太少，系统又会变得僵硬、迟钝。经济学家和组织理论家赫伯特·西蒙在 1962 年的文章《复杂性的架构》中指出，复杂系统往往呈现出"近可分解"的层级结构：模块内部联系紧密，模块之间联系松散。这样的结构更容易演化出来，也更容易被理解和管理。许多成功的组织，大致也是这个样子。

这里容易产生一个误解，值得多说一句。有人会用香农熵来衡量网络的"信息量"：如果每条可能的连接以概率 $p$ 存在，那么当 $p = 0.5$ 时熵最大。但熵最大恰恰意味着连接完全随机，没有任何可以预测的规律，这并不是一个组织良好的状态。复杂系统研究者提出过一些不同的"复杂度"指标，它们在完全有序和完全随机的两个极端都比较低，而在两者之间达到高峰。我们直觉中那种"有结构、有意义"的复杂，更接近这种中间状态，而不是熵的最大值。

“信息"的两种意思

扑克牌的例子可以把这个区别说得更清楚。一副洗乱的 52 张牌，可能的排列有 $52!$ 种，要确定其中具体是哪一种，需要大约 $\log_2(52!) \approx 226$ 比特。按香农的定义，洗乱的牌恰恰"信息量"最大，因为它最难预测。

而一副按花色和点数排好的牌，我们一眼就能看出规律，用一句话就能描述清楚：“黑桃 A 到 K，然后红心 A 到 K……“它的香农信息量反而很低，因为它高度可预测、可压缩。

这说明，“信息"至少有两种意思。一种是香农意义上的信息，衡量的是不确定性，越随机越多；另一种是我们日常说的"有意义的结构”，指的是规律、模式和组织。说"结构即信息"时，如果不分清这两种意思，就很容易得出自相矛盾的结论。整体大于部分之和，更多是在第二种意义上说的：部分之间的组织方式，产生了单看部分时看不到的规律和功能。

从简单到复杂

回头看自然界的演化，似乎也能看到类似的趋势。原子通过化学键组成分子，分子通过膜结构和代谢网络组成细胞，细胞通过分工和信号传递组成多细胞生物，个体又通过语言、规则和文化组成社会。每上升一个层次，新出现的往往不是更多的个体，而是一种新的组织方式。

物理学家菲利普·安德森在 1972 年的著名文章《多者异也》（More Is Different）中说，每一个层次的复杂系统都会出现全新的性质，理解它们需要新的概念和规律，不能简单地从下层的规律推导出来。这或许是对"整体大于部分之和"最清楚的一种表述。

需要注意的是，局部结构的形成并不违反热力学第二定律。生物和社会系统能够维持高度的组织，是因为它们不断从外界获取能量，同时向环境排出更多的熵。

一个简单的定量模型

为了更直观地说明结构信息如何随规模增长，可以做一个非常粗糙的模型。假设每个个体本身贡献 $I_0$ 的信息，系统中有 $N$ 个个体，个体之间共有 $L$ 条连接，每条连接平均带来 $\alpha$ 的额外信息，那么：

$$ I_{\text{total}} = N I_0 + \alpha L $$

关键在于 $L$ 如何随 $N$ 增长。如果每个个体只和固定数量的邻居相连（平均连接度 $k$ 不变），那么 $L = Nk/2$，总信息仍然随 $N$ 线性增长，结构信息所占的比例也不会变。只有当连接数增长得比个体数更快时，才会出现超线性增长。

比如在完全连接的情况下，$L = N(N-1)/2$。取 $I_0 = 1$、$\alpha = 0.1$：当 $N = 10$ 时，$L = 45$，总信息为 $10 + 4.5 = 14.5$，结构信息约占 31%；当 $N = 100$ 时，$L = 4950$，总信息为 $100 + 495 = 595$，结构信息约占 83%。规模越大，结构的贡献越占主导。

这个模型有一个明显的局限：它假设每条连接都带来同样多的新信息。现实中，许多连接是冗余的，连接太多还会带来噪声和协调成本，这正是前面讨论组织结构时看到的权衡。所以它只能说明一种可能的趋势，而不能当作真实系统的规律。

结语

回到最初的问题。“整体大于部分之和"并不神秘：当我们说整体多出了一些东西时，多出来的通常就是部分之间的关系和组织。同样的碳原子，排列不同就是不同的物质；同样的神经元，连接不同就有不同的能力；同样的一群人，组织方式不同，做成的事情也完全不同。

但这句话也需要限定。关系并不总是带来更多，冗余的连接会增加负担，错误的组织会让整体小于部分之和。结构所承载的，也不是香农意义上越多越好的那种信息，而是恰当的规律与模式。理解一个系统，很多时候就是去理解它的部分是怎样被组织起来的。