为什么"局部知道全局"是一个幻觉？

一、引子：我们为什么相信"局部知道全局"

科学的基本方法论之一，是还原论：把复杂系统拆成零件，研究零件，然后拼回去。

物理学拆成基本粒子，生物学拆成细胞，信息论拆成边际分布。我们天然地相信：只要拆得足够细、测得足够准，整体就是局部的加总。你给我所有人的身高分布、体重分布、以及每个身高段里的体重条件分布，我就能还原出这群人的完整联合画像——这不是理所当然的吗？

这个信念背后有三个隐含假设：

1. 局部本身是确定的——你拆出来的零件是唯一的。

2. 拼接是保结构的——拼完的东西还能再拼，不会变质。

3. 拼接是路径无关的——先拼哪块后拼哪块，结果一样。

如果这三个假设都成立，那么"局部知道全局"就是一句真话。但数学告诉你：这三个假设，每一个都可能错。

在信息几何与概率论的交叉领域，有一套叫做 DisCo（Distribution-Cognition）代数的框架，试图严格描述"从局部条件分布重建全局联合分布"这件事。审计这个框架的过程中，我们发现它碰上了三道坎——每一道都比前一道更深，每一道都在说同一件事：从局部到整体，不是搬运信息，而是转化信息。转化是有代价的。

但这三道坎并不是故事的起点。在它们之前，还有一道已经被部分解决的障碍——它用 KL 散度度量，是 DisCo 框架目前唯一的"战果"。我们不妨先看看它。

二、第零道坎：KL 散度已经告诉我们的事

拆完再拼，回不到原点

DisCo 框架最干净的一个结论，是这样一个不对称：

• 先拼再拆（$\Delta \circ \gamma$）= 恒等。只要你喂给 $\gamma$ 的核本来就是从某个测度拆出来的，拼回去再拆下来，还是它自己。

• 先拆再拼（$\gamma \circ \Delta$）≠ 恒等。真实测度 $\mu$ 拆成条件核，再用 $\gamma$ 拼回去，得到的 $\hat{\mu}$ 一般不等于 $\mu$。

这个不对称是根本的：$\Delta$ 是单射（在合法输入上），$\gamma$ 却不是。拼回去的这一步，把信息弄丢了。

用 KL 散度度量丢失

丢了多少？DisCo 用 KL 散度来量化：

$$D_{KL}\big(\mu \,\|\, \hat{\mu}\big)$$

或者用它的期望形式——纤维层互信息：

$$I_{\text{fiber}} = H(\mu) - \mathbb{E}_{t}\big[H(\mu(\cdot\mid t))\big]$$

这就是框架里提出的 概率曲率​ $\mathcal{K}$ 的核心思想：它度量"拆完再拼"这一趟往返所损失的信息量。曲率为零，说明这次拼接是无损的、可逆的；曲率越大，说明被抹掉的跨块依赖越多。

这是一条重整化的思路

这个想法和重整化群（renormalization group）的思路同构：

• 粗粒化（coarse-graining）= 拆 $\Delta$：保留红外/大尺度信息，丢到高频细节。

• 重建（reconstruction）= 拼 $\gamma$：试图从粗粒度数据恢复微观态。

• 重建 ≠ 原态：这正是重整化里"信息在粗粒化中不可逆丢失"的 probabilistic 版本。

所以 $\mathcal{K}$ 的角色，类似于重整化中的 β 函数​ 或 信息损失算子：它告诉你，每做一次"摘要化→重建"的循环，系统损失了多少自由度。

但 KL 只回答了"一次拼接"的问题

这里必须诚实：$\mathcal{K}$ 是一个标量，它度量的是"一次 $\gamma$ 操作"造成的全局信息损失总量。它回答了：

我拼一次，丢了什么？丢了多少？

但它没有回答接下来这三个更棘手的问题：

1. 我拼出来的东西，还能不能再拼？（传递性）

2. 不同拼法给出的结果是否一致？（道路依赖）

3. 拼接结果对条件核的选择有多敏感？（选择依赖）

换句话说，KL 曲率是第一个被发现的障碍，但只是第一个。​ 它像一盏灯，照亮了"单次拼接的损耗"，却把"能不能反复拼""拼法是否唯一"这些更深层的问题留在了黑暗里。

第零道坎的定位：我们已经基本搞清楚"一次拼接会丢失什么信息"——这是 DisCo 的 KL 散度与概率曲率告诉我们的事。但剩下的三道坎，是 KL 散度无法触及的隐含障碍。

三、第一道坎：选择依赖

——你拼的到底是哪一个？拆解不是唯一的

想象你手里有一个三维的概率云——比如某个物理系统的联合状态分布。你想把它"拆"成局部信息：给定某个变量的值，其他变量的条件分布是什么？

数学上这叫 disintegration（ disintegration 定理）：在一定条件下，你可以把一个联合测度拆成一族条件核（conditional kernels）加上一个边际骨架。

但有一个致命的坑：条件核不是唯一的。

在测度论的意义下，条件分布只被要求在"几乎处处"（almost everywhere）成立。在零测集上，你可以随意修改条件核的值——改完之后它仍然是合法的 disintegration。就像一张地图，在无人区里你怎么画都行，只要有人住的地方画对了，它就是一张合法地图。

这意味着：同一个整体，可以拆出无穷多个"合法"的局部描述。​ 每个描述都是对的，但它们彼此不同。

相容性条件：不是格式检查，而是消除选择

现在你要反方向操作——把局部条件核拼回整体。你手里有了一堆局部核，每个核都有无穷多个合法版本。你随便挑一个版本拼，拼出来的整体可能和别人挑另一个版本拼出来的不一样。

这就是选择依赖：你的拼接结果依赖于你选了哪个条件核代表。

为了消除这种依赖，你需要相容性条件（admissible condition）：要求你选的局部核在重叠区域"边际一致"——它们在共享变量上的投影必须互相吻合。这就像拼图碎片的边缘必须咬合，不是形状对不对的问题（格式早就固定了），而是你手里的碎片是不是"同一套"的问题。

相容性条件的真正作用是：确保你选的局部核代表来自同一个全局测度的 disintegration。​ 只有满足这个条件，拼接结果才不依赖于你的选择——拼接才是 well-defined 的。

但问题是

你永远无法确认你选的核"真的"来自同一个全局测度。你只能验证它们兼容——但兼容是必要条件，不是充分条件。无穷多个不同的全局测度可能拆出兼容的局部核。

第一道坎的本质：局部信息本身就不唯一。你以为你在拼"那个整体"，但你连手里的零件到底是哪一个都不确定。选择依赖意味着，即使你拼出来了，你也不知道拼的是不是"真的那个"。

类比一下：你有一堆乐高说明书的碎片，每张碎片描述了某个子模块的拼法。这些碎片彼此兼容（接口对得上），但兼容的碎片可能来自不同的完整模型——你拼出来的东西可能是模型 A 的腿 + 模型 B 的躯干 + 模型 C 的头。它自洽，但它不是任何一个"真实"的整体。

四、第二道坎：传递断裂

——拼完的东西"变质"了拼接改变了零件的身份

过了第一关，你拿到了满足相容性条件的局部核，成功拼出了整体 $\hat{\mu}$。恭喜——你手里现在有了一个全局测度。

现在你想对这个整体再做一次操作：拆开、重新分组、再拼。这是嵌套结构中的自然需求——现实世界的数据往往是多层级的，你总是需要在不同粒度之间来回转换。

问题来了。

你对 $\hat{\mu}$ 做 disintegration，提取出新的局部条件核。然后你发现：这些新核，不等于你原来放进去的那些核。

这不是计算误差。这是一个结构性的、必然发生的扭曲。

为什么会被扭曲？

$\gamma$（拼接操作）在组合局部核时，强制假设了一种条件独立结构：它把跨块依赖全部"压缩"进了骨架 $\Phi_k$ 的耦合中。拼出来的 $\hat{\mu}$ 看起来是一个联合分布，但它的内部依赖结构已经被重新排列了——部分跨块依赖被编码进了骨架的耦合里，而不是直接体现在条件核中。

当你再次拆解 $\hat{\mu}$ 时，disintegration 定理会"重新分配"这些依赖——它会把能归因到条件变量的部分全部归因进去。结果就是：提取出的新核被"污染"了，它们吸收了原来属于骨架的信息。

更关键的是：扭曲后的核可能不再满足下一轮的 admissible 条件。​ 你拼出来的东西，可能拼不回去了——不是因为你的技术不行，而是因为拼接操作本身改变了数据的结构身份。

本质仍然是选择依赖

第一道坎是"你选了哪个核"的依赖。第二道坎是"拼接操作替你选了一个核"的依赖。$\gamma$ 在压缩跨块依赖时，本质上做了一次不可逆的选择：它决定了哪些依赖进骨架、哪些留在核里。这个选择不是唯一的，但 $\gamma$ 只给你一个版本。

第二道坎的本质：拼接操作本身改变了局部数据的身份。你拼出来的整体，其"零件"已经不是你放进去的那些了。再拼一次，等于在拼一个被偷偷换过零件的东西。传递断裂 = 操作不是封闭的 = 你的代数结构"漏了"。

类比：你把中文翻译成英文（第一次拼接），再把英文翻译成中文（拆解+再拼）。出来的中文虽然大意对，但措辞变了、语气变了、某些微妙含义丢了或变了。你拿这个"变了的中文"再去翻译成德文，结果和直接从原版中文翻德文不一样。翻译过程本身在修改原文。

五、第三道坎：道路依赖

——构造过程本身在产生信息共享骨架的悲剧

现在考虑一个两层嵌套结构：上层有几个大块，每个大块内部又有小块。上下两层共享一个骨架 $\Phi_k$——它是连接粗粒度和细粒度的枢纽。

你有两种拼接顺序：

• 路径 A：先拼上层（把大块组合成整体），再处理下层细节。

• 路径 B：先拼下层（把每个大块内部的小块拼好），再把拼好的大块组合成整体。

两种路径都需要处理共享骨架 $\Phi_k$。但先拼哪一层，骨架就会被那一层的信息"定型"——$\Phi_k$ 在路径 A 中吸收的是上层耦合结构，在路径 B 中吸收的是下层耦合结构。定型之后，骨架变成了 $\Phi'_k$——但两种路径下，$\Phi'_k$ 不一样。

不同路径，不同整体

因为骨架被不同地定型，两种路径最终拼出的全局测度也不同。这不是数值误差，是结构性的分叉。

这意味着什么？

构造过程本身在产生信息。

如果你先拼上层，骨架被上层的信息塑造，下层的数据被"塞进"一个已经被上层定型的框架里。如果你先拼下层，骨架被下层的数据塑造，上层的数据必须适配一个由细节决定的框架。两种塑造方式不同，最终整体不同。

那些"不同"来自哪里？来自构造过程本身。​ 它不是局部数据中已有的信息——局部数据在两条路径中是一样的——而是在"拼"的过程中被创造出来的。我们称之为构造信息。

第三道坎的本质：真实整体是什么？如果不同拼法给出不同结果，那"真实的整体"就不是一个独立于构造过程的对象——它依赖于你如何构造它。构造信息 = 在构造过程中增生的信息。

类比：同样的乐高积木，先装底盘再装墙 vs 先装墙再装底盘，最终结构可能因为应力分布不同而不同——甚至一种顺序能拼成，另一种拼到一半就卡住了。构造顺序本身参与了最终产物。

再一个类比：翻译路径 中文→英文→法文 vs 中文→德文→法文。两种路径的"中间语言"不同，每种中间语言丢失和保留的信息不同，最终法文译本也不同。中间步骤不是透明的管道，它是过滤器——而且不同过滤器过滤的方式不同。

六、障碍的层级：已见与未见

现在我们把四道坎放在一起看——从"第零道"到"第三道"，每一道都比前一道更深：

这张表是全文的关键。DisCo 代数目前的 KL 散度与概率曲率，只是"第零道坎"的解决方案——它回答了"一次拼接丢多少"，却没有触及"能不能反复拼""拼法是否唯一"这两个更根本的问题。

换句话说：

概率曲率 $\mathcal{K}$ 是从局部重建整体的第一个被发现的障碍。而选择依赖、传递断裂、道路依赖，是藏在第零道坎背后的三道隐含障碍——它们目前还没有在 DisCo 框架里被揭示出来。

这解释了为什么 DisCo 论文在宣称"partial operad 结构"时会遇到麻烦：它用 KL 散度处理好了"信息损失"这一层，却假设了"能反复拼"和"拼法唯一"这两个前提自动成立。而我们的审计表明，这两个前提恰恰是会失败的。

三道坎的共同本质可以浓缩为一句话：

信息在"局部→整体"的每一步转换中，要么丢失（第零道 + 第一道），要么被篡改（第二道），要么被增生（第三道）。

"局部知道全局"是一个幻觉，因为：

• 局部本身就不唯一（选择依赖）

• 一次拼接已经会丢信息（KL 曲率）

• 局部到整体的映射不是保结构的（传递断裂）

• 整体本身可能依赖于构造路径（道路依赖）

你以为你在"还原"整体，但你实际上在创造一个整体——而创造的过程有自由度数，这些自由度就是失真。

七、真实整体是什么？

这是一个本体论问题，不是一个技术问题。

如果不同拼法给出不同整体，那"真实整体"是否存在？如果存在，它是什么？

我们的立场是：真实整体不是一个静态对象，而是一个需要通过所有合法构造路径的"交集"来逼近的东西。

具体来说：

• 所有合法路径拼出的整体，构成一个集合。

• 这些整体的"共同部分"——所有路径都一致同意的结构——是局部信息确实能确定的部分。

• 路径之间的差异——不同拼法给出的不同结果——编码了不可还原信息：那些只存在于整体层面、不属于任何局部、由构造过程本身增生的信息。

真实整体 = 所有合法构造路径的共同部分 + 路径差异所携带的不可还原信息。

这个视角下，"局部知道全局"不是完全错的——局部确实知道全局的某些部分。但它不知道的是：那些恰好由"拼"这件事本身产生的信息。​ 而这部分信息，恰恰是整体之所以为整体的关键。

八、研究目标：从失真中读出真实

我们的研究目标不是"让拼接变完美"。障碍是硬的，不是技术缺陷——它们是高维信息复杂性的数学指纹。

目标是反过来的：

建立一个代数框架，能够从所有合法局部信息出发，提取出真实整体的完整描述——包括那些通过选择依赖、传递断裂、道路依赖暴露出来的不可还原信息。

具体来说：

1. 第零道坎（已有）：KL 散度 / 概率曲率 $\mathcal{K}$ 度量单次拼接的信息损失——这是 DisCo 已完成的奠基工作。

2. 第一道坎（待建）：提取"哪些局部之间存在选择冲突"，将相容性障碍形式化为一个代数不变量（比如相容性缺陷类）。

3. 第二道坎（待建）：提取"拼接过程如何扭曲核结构"，将传递性断裂编码为操作之间的偏差算子。

4. 第三道坎（待建）：提取"不同构造路径之间的差异结构"，将道路依赖形式化为一个上同调类——路径差异的代数拓扑不变量。

这四层障碍信息合在一起，就是真实整体的完整代数画像。你不再试图"绕过"障碍去拼出整体，而是从障碍本身读出整体。

这就像微分几何中的曲率：你不需要"消除"曲率来得到平坦空间——你测量曲率，曲率告诉你空间的形状。同样，我们测量拼接障碍，障碍告诉我们信息的形状。

而目前的 DisCo 框架，只测量了"第零道"这一层的曲率。剩下的三道，还等着我们去命名、去度量、去代数化。

九、结语

"局部知道全局"是一个幻觉——不是因为局部信息不够多，而是因为"知道"这件事本身有结构代价。

每一道坎都在提醒我们：从局部到整体，不是搬运信息，而是转化信息。转化过程中，信息会丢失（你选了哪个代表）、会被篡改（拼接改变了零件的身份）、会增生（构造路径本身在创造结构）。

但这不意味着我们应该放弃从局部重建整体。恰恰相反：如果我们能精确度量每一道坎的代价，提取每一次"失真"中携带的信息，我们就能反过来从失真本身读出真实整体。

失真不是噪声。失真就是信号。

三道坎不是通往失败的路标，而是通往真实的路标——只不过这条路不是直线，而是一棵分叉的树。每一根分叉都在告诉你：这里有一份只属于整体的信息，它拒绝被还原为局部。

技术注释：

概率曲率 $\mathcal K$ 为什么像 RG 流里的 β 函数 / 信息损失算子

1. DisCo 里的“单次拆—拼”就是一个粗粒化—重建循环

在 DisCo 框架中，固定一个划分 $\mathcal I$：

• 拆（Disintegration）

  $$\mu \longmapsto \big(\mu_1(\cdot\mid t_1),\dots,\mu_k(\cdot\mid t_k);\ \Phi_k\big)$$

这相当于把微观变量分成“块内变量”和“块间摘要变量 $t$”。块内细节被压成条件核，块间依赖被压成骨架 $\Phi_k$。

• 拼（Combination）

  $$\gamma(\Phi_k;\mu_1,\dots,\mu_k)=\hat\mu=\int \mu_1(\cdot\mid t_1)\otimes\cdots\otimes\mu_k(\cdot\mid t_k)\,d\Phi_k(t)$$

这相当于用粗粒度接口把系统重新组装起来。

于是

$$R_{\mathcal I}:=\gamma\circ\Delta$$

就是一个重整化算子：先粗粒化（拆），再依摘要重建（拼）。

2. 拆→拼回不去，正是 RG 的不可逆性

在 Wilson RG 里：

• 微观理论（UV）有快变量 $\psi$ 和慢变量 $\eta$

• 粗粒化：把快变量积掉 $\displaystyle p(\eta)=\int p(\psi,\eta)\,d\psi$

• 再想从慢变量恢复快变量：不可能无损失，因为快变量条件分布被“平均掉”了

信息论版本的相对熵分解是：

$$D(p_{\text{UV}}\|p_{\text{IR}})=D(p(\eta)\|q(\eta))+\mathbb E_{p(\eta)}\big[D(p(\psi|\eta)\|q(\psi|\eta))\big]$$

第二项“条件相对熵”永非负——它就是粗粒化不可逆转的证据。

DisCo 里完全同构：

$$D_{\mathrm{KL}}\big(\mu\,\|\,\hat\mu\big)=\mathbb E_{t\sim\Phi_k}\left[D_{\mathrm{KL}}\big(\mu(\cdot\mid t)\,\|\,\bigotimes_j \mu_j(\cdot\mid t_j)\big)\right]$$

当 $\mu$ 的跨块依赖不能被标量摘要 $t_j$ 捕获时，这项 > 0。

所以：

概率曲率 $\mathcal K_{\mathcal I}(\mu)$ = 拆—拼重整化循环的信息损失。

RG 中“被积掉的快变量信息” = DisCo 中“被 CDF/标量摘要压掉的跨块纤维信息”。

3. KL 曲率 ↔ β 函数：不是数值相等，是“角色同构”

RG 里的 β 函数描述：

$$\beta(g)=\frac{dg}{d\log L}$$

它告诉你：尺度变换时，有效耦合怎么变；不可逆流朝 IR 固定点走；信息/自由度随尺度单调丢失（c-theorem、A-theorem、mapping entropy 都是它的化身）。

DisCo 里的 $\mathcal K_{\mathcal I}(\mu)$ 做类似的事：

RG 语言	DisCo 语言
UV 微观分布	原始联合测度 $\mu$
粗粒化映射	划分 + 块联合 CDF 摘要
IR 有效分布	$\hat\mu=\gamma(\Delta\mu)$
信息损失	$D_{\mathrm{KL}}(\mu\|\hat\mu)$
β 函数 / c-函数	概率曲率 $\mathcal K_{\mathcal I}(\mu)$
固定点：$\beta=0$	零曲率：$\mathcal K=0$，条件独立可被摘要完全捕获
非固定点流动	非零曲率，摘要维度不够，跨块依赖残留

因此可以说：

β 函数是“耦合常数空间里的流动率”；概率曲率是“条件依赖空间里的不可还原率”。

前者度量“尺度变换丢了多少物理自由度”，后者度量“局部重建丢了多少跨块信息”。

4. 但 KL 曲率只是“第零道坎”的量

这里要非常小心：

• β 函数回答：沿尺度流，有效理论怎么变？

• KL 曲率回答：一次拆—拼，真实分布和“条件独立重建”差多少？

它们都只处理单次变换的信息损失。

它们不回答：

1. 选不同条件核代表，结果是否变？（选择依赖）

2. 拼出来的 $\hat\mu$ 再拆再拼，admissible 是否还成立？（传递断裂）

3. 先拼上层 / 先拼下层，是否得到同一个整体？（道路依赖）

换句话说：

KL 曲率像 RG 中“一步 decimation 的 mapping entropy”；

三道隐含障碍像 RG 流的“高阶异常”：非群性、非半群闭包、路径依赖、固定点结构不稳定。

RG 自己也有这些深水区：混沌 RG 流、层级格子上的非单调信息流、粗粒化映射依赖子格选择——只是物理文献常假设“合理块自旋变换”来避开。

5. 一句话总结这个注释

DisCo 的概率曲率 $\mathcal K$ 是“概率论里的 RG 信息损失项”：它把拆—拼看成一次粗粒化—重建，用 KL 散度度量被标量摘要吞掉的跨块依赖。它和 RG 的 β / c / mapping-entropy 是同构角色，但只覆盖了“一次拼会丢什么”。

选择依赖、传递断裂、道路依赖，则是 KL 曲率看不见的三层障碍——它们对应“可拼性、可重复拼、拼法唯一性”，是比单次信息损失更硬的本体论问题。

本文基于 DisCo 代数框架的系统性审计写成。审计发现：该框架目前用 KL 散度与概率曲率解决了"单次拼接的信息损失"问题（第零道坎），但声称的 partial operad 结构因选择依赖、传递断裂、道路依赖这三道隐含障碍而未能成立。本文不是一篇批评文章，而是一次从漏洞中提炼出深层数学结构的尝试——我们相信，障碍本身比结构更有趣，而目前只发现了障碍谱系中的第一个。

支持单位：