简单为什么常被视为更好的解释？本文从奥卡姆剃刀出发，讨论模型复杂度、过拟合、涌现、认知偏好与复杂现实之间的张力。
如果只能选一个影响现代科学最深远的哲学原则，**奥卡姆剃刀（Occam’s Razor）**一定会进入候选名单。它几乎出现在所有科学领域——物理学、生物学、医学、人工智能、统计学……每当面对多个解释时，人们都会下意识地问一句：有没有更简单的解释？
但随着复杂性科学、神经科学以及人工智能的发展，一个越来越重要的问题浮现出来：世界真的偏爱简单吗？还是我们的大脑偏爱简单？
奥卡姆剃刀通常被表述为：当多个理论都能解释同一现象时，应优先选择假设最少的那个。
需要强调的是，它真正的主张是“不要引入不必要的实体（Do not multiply entities beyond necessity）”。这句话经常被误读为“最简单的一定正确”，但事实并非如此。更准确的理解是：只有在解释能力相同的前提下，才优先选择更简单的理论。（[Live Science][1]）
因此，奥卡姆剃刀是一种启发式原则（heuristic），而不是自然规律。它告诉我们从哪里开始思考，而不是答案必然在哪里。
这里的“剃刀（Razor）”并不是指理发店的工具，而是一个隐喻：把多余的假设剃掉，就像雕塑家不断削去多余的石头，直到留下真正必要的部分。
也有学者提出另一种更贴近历史的解读：中世纪抄写员使用的小刮刀（也称 razor）用于修改、校正和删去手稿中的错误。按照这个隐喻，剃刀的重点不是追求简短，而是去除错误与冗余。（[OUP Academic][2]）
奥卡姆剃刀得名于十四世纪英国方济各会修士威廉·奥卡姆（William of Ockham）。不过，那句最著名的表述其实并非出自他本人，而是后人对他思想的归纳。
奥卡姆生活在经院哲学极盛的时代。当时的哲学家热衷于不断增设各种抽象概念——本质、实体、天使等级、形而上原因——以求解释万物。奥卡姆的立场非常鲜明：如果没有必要，就不要发明新的概念。这种思维方式，后来成为科学革命的重要思想基础。
奥卡姆剃刀在科学中如此受欢迎，是因为它带来了几个实实在在的好处。
第一，更容易检验。 假设越少，实验越容易设计。一个需要二十个隐藏变量的理论几乎无法证伪；而只有三个变量的理论，实验设计就简单得多。
第二，更容易推广。 牛顿万有引力只用一个公式，就统一解释了苹果落地、月球运动和行星轨道。这种统一能力，正是简单理论最大的魅力。
第三，更不容易过拟合。 现代机器学习提供了另一个视角。假设有两个模型：模型 A 用少量参数解释了训练数据；模型 B 也能解释同样的数据，但额外引入了几十个参数。虽然模型 B 在已有数据上拟合得更漂亮，但它通常在面对新数据时表现得更差。统计学中的 AIC、BIC、最小描述长度（MDL）以及贝叶斯模型选择，本质上都是在用数学语言表达奥卡姆剃刀的精神。（[PMC][3]）
这里的“简单”也不是单纯数参数个数。不同模型的参数含义、约束、表示方式和数据拟合方式可能完全不同。AIC、BIC、MDL 与贝叶斯模型选择，分别以不同方式处理拟合质量、模型复杂度和先验假设。它们体现了控制复杂度的共同精神，却不是同一个公式的不同名称。
大多数时候，是的——但它不是证明，也不是定律。
举个简单的例子：晚上听见屋顶有脚步声，可能的解释有两个——A，是猫；B，是外星人。我们通常会选择猫，不是因为猫一定在场，而是因为“外星人造访”这个假设需要引入大量额外前提：外星文明存在、掌握了星际旅行技术、恰好来到你家屋顶……每一个前提都是一笔“假设成本”。
所以，奥卡姆剃刀讨论的核心是假设成本（assumption cost），而不是事实的真假。它帮助我们排列解释的优先级，而不是直接宣判正确答案。
这意味着，使用奥卡姆剃刀时至少要同时问两个问题：这个解释付出了多少复杂度成本？它是否真的覆盖了我们需要解释的证据？如果第二个问题没有得到肯定，单纯删减假设只会把模型变得贫乏，而不会让它更科学。
过去几十年，复杂性科学对“越简单越好”的朴素理解提出了有力的挑战。
复杂系统——天气、生态系统、经济网络——具有一些共同特征：非线性、涌现（emergence）、多尺度结构、反馈回路和自组织。这些系统的整体行为，无法直接由局部规则线性推出。以蚁群为例：单只蚂蚁的行为极其简单，但整个蚁群却能展现出分工、路径规划和集体决策等复杂行为。如果我们坚持用最简单的模型来描述蚁群，就可能删掉个体之间那些真正关键的相互作用。
由此引出一个重要观点：有时候，不是模型复杂，而是研究对象本身就是复杂的。 复杂并不意味着错误，真正的问题应该是——这些复杂性是否必要？
值得注意的是，这个问题其实仍然符合奥卡姆剃刀的本意。它从未要求我们追求绝对的简单，只是要求我们不要引入不必要的复杂。（[PMC][4]）
复杂系统中的“必要”还往往依赖研究尺度。描述一只蚂蚁的转向规则，和描述蚁群的路径分工，不需要同一层级的变量。一个在微观层面简洁的模型，未必能在宏观层面解释涌现；一个宏观上有效的模型，也未必需要还原每个个体的全部细节。真正成熟的简化，不是把层次抹平，而是保留对当前问题具有解释力的结构。
神经科学提供了一个尤为有趣的观察角度。
研究发现，人类的大脑似乎天然偏好简单解释。以视觉系统为例：面对一张二维图片，大脑会自动寻找连续轮廓、对称结构和最规则的图形，这被称为简单性原则（Simplicity Principle）。许多经典的视觉错觉——如 Kanizsa 三角形和 Necker 立方体——之所以产生，正是因为大脑在多个可能的解释之间主动选择了“最经济”的那个。（[PMC][5]）
然而，产生这种“偏爱简单”倾向的大脑本身却极其复杂：约 860 亿个神经元、数百亿亿个突触、跨越毫秒到数年的多种时间尺度，各种反馈网络彼此交织。这并不构成矛盾——一个复杂系统完全可以偏好简单模型——但它揭示了一件重要的事：追求简单是一种认知策略，而不是世界本身的属性。
现代认知科学也认为，大脑在推断外部世界时，并非机械地选择最简单的解释，而是在“解释力”与“模型复杂度”之间寻找平衡，这更接近贝叶斯推断的思路。（[PMC][5]）
如果我们把大脑的这种认知偏好等同于物理世界的真相，就可能犯一个微妙的错误：把我们理解世界的方式，误认为世界本身的样子。
这也解释了为什么“直觉上更简单”与“统计上更合理”不能完全画等号。大脑的简单感可能来自熟悉度、对称性、连续性或较低的认知负荷；科学模型的复杂度则需要通过明确的变量、参数、先验、预测和证据来评估。二者可以相互启发，却不应互相替代。
真正危险的，不是使用奥卡姆剃刀，而是把它变成一条不可质疑的教条。
在很多讨论中，“你的理论太复杂了”似乎就等于“你的理论错了”。但复杂理论可能只是因为它的研究对象本来就复杂：天气、生态系统、经济系统、意识、生命起源……这些问题可能根本不存在一个“特别简单”的最终解释。如果为了追求优雅而不断删减变量，最终得到的模型虽然漂亮，却可能失去了真正的预测能力。
简单与复杂之间的张力，不是对与错的关系，而是成本与收益的权衡。
还要警惕另一种相反的误用：把“复杂”本身当成深刻，把更多术语、变量和层级当成更接近真相。复杂度只有在带来额外的预测、解释或干预能力时才值得付出。否则，堆叠概念与保留多余假设，同样是一种认知负担。
今天，越来越多的科学家倾向于一种更成熟的理解：奥卡姆剃刀的真正含义，不是追求最简单，而是追求最简单且足够解释事实的理论。简单是一种成本，解释能力是一种收益。科学真正优化的，不是简单本身，而是解释能力与复杂度之间的最佳平衡。
因此，奥卡姆剃刀更像一种研究策略，而不是裁决真假的法官。它提醒我们避免无谓的复杂，但也要求我们在证据表明复杂机制确实存在时，坦然接受复杂性。科学的发展史正是在这两种力量之间不断前进：一方面追求统一与简洁，另一方面尊重自然系统真实的层次、反馈与涌现。
当简单能够解释世界时，我们应当珍惜它；当世界拒绝被进一步简化时，我们也应当有勇气承认——复杂并非理论的失败，而可能正是真实世界的面貌。（[PMC][4]）