地图不是世界：为什么科学需要不完美的模型？

一张地铁图没有画出每一栋楼，却能帮你换乘。它的“错误”——距离与方向被简化——恰是它在特定任务上有用的原因。

科学模型也要做选择。气候模型把地球划分成计算网格；细胞模型突出某些分子通路；经济模型暂时固定若干条件。没有任何模型能够容纳世界的每个细节。问题是，它舍弃了什么，而这些舍弃会不会影响我们要做的判断。

模型为何必须简化？

如果一幅地图与城市同样复杂，它就不再帮人导航。模型通过挑出变量和关系，让不可直接操控的系统变得可推理。理想化也有积极作用：先假设没有摩擦，才能清楚看出力和运动的某些关系，再逐步把摩擦加回来。

这并不表示可以随意忽视现实。一个简化能否接受，取决于任务。例如，预测明天的天气与研究几十年的气候趋势，关心的时间尺度、误差来源和验证方法不同。

“模型有用”该怎样检验？

先看它是否能解释或预测与任务相关的观测，再看独立数据上的表现。还要问：改变合理的输入范围，结论会不会大幅摇摆？与其他模型得出相近结果，是因为它们抓住同一机制，还是因为共享了同样的假设？

当模型被拿去回答设计之外的问题时，更要小心。一个能识别图片模式的模型，未必理解图中事件的原因；一个在某地训练的医疗风险模型，未必适合另一类人群。

对模型最诚实的评价，不是“它是真的吗”，而是“它在哪些问题上，凭什么可信”。

为什么这是科学的力量？

模型公开自己的假设，允许别人检查、比较和修正。它们提供的是可反驳的工具，而非现实的完整替身。承认模型不完美，不会削弱科学；恰恰让我们知道下一次测量应该瞄准哪里。