从七月的双重视角看 AI 与玄学：理性与直觉的年度共舞

一、个性化深度引言

七月有31天。白天是AI工程师——跑实验、调参数、写代码、看论文。夜里时不时翻起《周易》——不是占卜，而是看它描述世界变化的方式。

两件事似乎毫无关联。一个追求可复现、可量化、可证明；一个充满了象征、隐喻和直觉。但经过一个月的双线并进，我发现它们本质上是同一种活动的两种形态——都是在描述"不确定性中的规律"。AI用概率分布来描述，易经用卦象变化来描述。工具不同，目标相似。

见证奇迹的时刻不在发现"易经验证了神经网络"或"神经网络验证了易经"这种肤浅的对应关系中，而在于意识到理性思维和直觉思维可以在同一个大脑中和平共处，相互补充，而不是相互排斥。

二、个性化原理剖析

AI与玄学思维方式的对比与融合：

共通点：处理不确定性的框架。AI的核心里是对概率分布的建模——给定输入X，输出Y的概率分布。这本质上是一种"在不确定性中寻找确定性"的方法。易经的卦象系统也有类似功能——用六十四卦描述事物变化的所有可能状态，用变爻描述从一种状态过渡到另一种状态的概率方向。

差异点：形式化程度。AI用严格的数学语言描述一切。易经用象征性语言描述一切。形式化的优势在于精确和可复现，劣势在于对需要直觉和上下文理解的场景力不从心。象征的优势在于灵活和丰富，劣势在于解释的主观性强。

融合点：互补而非互证。不是要用AI证明易经，也不是要用易经指导AI。而是在两个领域各自保持独立的严谨性，在思维层面相互启发。比如：易经"八卦相荡"的动态变化思想可以启发Agent系统的状态转移建模；贝叶斯推断的概率更新可以形式化卦象变化的数学表示。

三、个性化代码实践

一个跨界融合实验——用概率图模型建模卦象变化：

import numpy as np from typing import Dict, List, Tuple from collections import defaultdict import math class ProbabilisticIChing: """ 概率化易经模型 设计原因：这不是要"证明"或"证伪"易经。 而是尝试用现代数学语言（概率图模型） 重新描述易经的核心概念（卦象变化）， 看看能发现什么新视角。 """ # 设计原因：八卦对应的自然现象， # 作为状态转移的"上下文"约束 ELEMENT_MAP = { "乾": ("天", "健"), "坤": ("地", "顺"), "震": ("雷", "动"), "巽": ("风", "入"), "坎": ("水", "陷"), "离": ("火", "丽"), "艮": ("山", "止"), "兑": ("泽", "悦"), } def __init__(self): # 设计原因：转移矩阵记录卦象之间的变化概率， # 初始化为均匀分布，后续根据观察数据更新 self.transition_probs: Dict[str, Dict[str, float]] = defaultdict(dict) self._init_uniform_transitions() def _init_uniform_transitions(self): """初始化均匀转移概率""" trigrams = list(self.ELEMENT_MAP.keys()) for t1 in trigrams: for t2 in trigrams: if t1 != t2: # 设计原因：基于汉明距离的先验—— # 变化一爻的概率 > 变化两爻 > 变化三爻 hamming = self._hamming(t1, t2) if hamming == 1: self.transition_probs[t1][t2] = 0.4 / 3 # 3个1爻变的情况 elif hamming == 2: self.transition_probs[t1][t2] = 0.3 / 3 else: self.transition_probs[t1][t2] = 0.3 / 1 def _hamming(self, trigram1: str, trigram2: str) -> int: """计算两卦的汉明距离（变化的爻数）""" # 简化：按五行生克关系估算变化幅度 e1, _ = self.ELEMENT_MAP[trigram1] e2, _ = self.ELEMENT_MAP[trigram2] # 设计原因：五行生克关系编码为距离度量 # 相生=1, 相同=0, 相克=2, 其他=3 generation = {"木":"火","火":"土","土":"金","金":"水","水":"木"} restriction = {"木":"土","土":"水","水":"火","火":"金","金":"木"} if e1 == e2: return 0 if generation.get(e1) == e2: return 1 if restriction.get(e1) == e2: return 2 return 3 def bayesian_update( self, observations: List[Tuple[str, str]] ) -> None: """ 贝叶斯更新转移概率 设计原因：每观察到一个卦象变化序列， 就用贝叶斯方法更新转移概率的先验。 这本质上是"用数据训练模型"的另一种形式。 """ for from_trigram, to_trigram in observations: if from_trigram in self.transition_probs: # 设计原因：Laplace平滑防止零概率问题 # 即使从未观察到某对变化，概率也不为零 alpha = 0.1 total_observed = sum( self.transition_probs[from_trigram].values() ) for target in self.transition_probs[from_trigram]: if target == to_trigram: # 观察到的事件概率增加 self.transition_probs[from_trigram][target] = ( (self.transition_probs[from_trigram][target] * 0.9) + 0.1 ) else: # 未观察到的事件概率略降 self.transition_probs[from_trigram][target] *= 0.9 # 重新归一化 total = sum(self.transition_probs[from_trigram].values()) for target in self.transition_probs[from_trigram]: self.transition_probs[from_trigram][target] /= total def predict_next_state( self, current: str, top_k: int = 3 ) -> List[Tuple[str, float]]: """ 预测下一状态 设计原因：给定当前卦象， 返回最可能的下一卦象及其概率。 这与语言模型的next-token-prediction在数学上完全相同。 """ probs = self.transition_probs.get(current, {}) sorted_probs = sorted(probs.items(), key=lambda x: x[1], reverse=True) return sorted_probs[:top_k]

四、个性化边界权衡

形式化 vs 开放性。形式化模型（如上面的概率化易经）能精确计算和预测，但失去了原卦象系统的解释灵活性。开放的解释系统灵活丰富，但缺乏可复现性。两个极端之间，存在一个合理的中间地带——用形式化建模做辅助分析，用开放解释做人机交互。

理性决策 vs 直觉判断。理性决策依赖数据和逻辑，适合数据充足、规则明确的场景。直觉判断适合信息不完整、需要快速反应或涉及复杂人文因素的场景。AI工程师日常工作中，理性决策占80%（模型选型、参数调优），直觉判断占20%（判断一个研究方向是否值得投入）。

AI形式化 vs 传统智慧。用AI的能力去"形式化"传统智慧（如易经、中医）——这不是否定传统智慧的价值，而是为它增加一种现代的理解方式。但需要注意的是，形式化必定会丢失原系统的一部分信息——那些无法被量化的部分恰恰可能是最珍贵的。

探索范围 vs 专业深度。AI+玄学的跨界探索容易流于表面——两边都浅尝辄止，没有真正的深度。七月实践中建立的规则：两个领域各自保持独立的专业深度，只在高层次的思维方法论层面寻找交汇点。

五、总结

七月的双线实践证明了理性思维和直觉思维可以在技术工作中共存。白天用数学和逻辑解决工程问题，夜里用类比和象征思考世界的运转方式——两者不矛盾。共通的核心都是在不确定性中寻找规律：AI用概率分布，玄学用卦象变化。差异在于形式化程度，但目标趋同。八月将继续这条双线——在AI领域向更深的技术层面挖掘，在玄学领域保持好奇但不过度解读。这种"理性与直觉的年度共舞"是技术人保持创造力的有效方式。

资料说明

本文中的协议、版本、性能、成本和行业趋势应以可核验的一手资料为准。未标注统计口径的比例、时间表和预测仅作工程讨论，不应视为行业事实。可参考 0731 资料来源索引，并在发布前将具体来源贴到对应断言之后。