KNOWECON WIKI

ARTICLE

温度

温度 (Temperature) 温度是热力学中衡量系统热状态的强度量，表征系统内部分子热运动的剧烈程度。在经济学与统计学中，温度的概念通过统计力学与优化理论被广泛引入，成为描述系统不确定性、随机性、均衡状态以及探索-利用权衡的核心隐喻与分析工具。 统计力学基础与离散选择 在统计力学中，温度 T 决定了系统在不同微观状态上的概率分布。玻尔兹曼分布描述了系统处

浏览 0 更新 2026-07-18

温度 (Temperature)

温度是热力学中衡量系统热状态的强度量，表征系统内部分子热运动的剧烈程度。在经济学与统计学中，温度的概念通过统计力学与优化理论被广泛引入，成为描述系统不确定性、随机性、均衡状态以及探索-利用权衡的核心隐喻与分析工具。

统计力学基础与离散选择

在统计力学中，温度 TT 决定了系统在不同微观状态上的概率分布。玻尔兹曼分布描述了系统处于能量为 EiE_i 的状态 ii 的概率：

P(i)=e−βEiZ,Z=∑je−βEjP(i) = \frac{e^{-\beta E_i}}{Z}, \qquad Z = \sum_j e^{-\beta E_j}

其中 β=1/(kBT)\beta = 1/(k_B T) 为逆温度（kBk_B 为玻尔兹曼常数），ZZ 为配分函数。温度升高时，高能态与低能态的概率差异缩小，系统趋于无序；温度趋近于绝对零度时，系统确定性地坍缩至基态（最低能态）。

经济物理学（Econophysics）将这一框架引入经济行为分析。在随机效用模型中，个体选择选项 jj 的概率由Logit模型给出：

P(j)=eUj/σ∑keUk/σP(j) = \frac{e^{U_j / \sigma}}{\sum_k e^{U_k / \sigma}}

其中 UjU_j 为选项 jj 的系统效用，σ>0\sigma > 0 为尺度参数。对比玻尔兹曼分布可见，σ\sigma 在形式上等价于温度的倒数——σ\sigma 越大（逆温度越小、温度越高），选择行为越趋于随机；σ→0\sigma \to 0 时，个体确定性地选择效用最高的选项。这一对应关系为离散选择模型提供了源自物理学的微观基础，由麦克法登（Daniel McFadden）发展的随机效用理论本质上即是对此框架的经济学重构。

模拟退火与全局优化

模拟退火（Simulated Annealing）是受冶金退火工艺启发的全局优化算法，由 Kirkpatrick、Gelatt 和 Vecchi 于1983年提出，在计量经济学参数估计、机器学习超参数调优和复杂系统校准中广泛应用。

算法引入温度参数 TT 控制搜索行为：在高温阶段，以较大概率接受目标函数恶化的候选解以逃离局部最优；温度按冷却计划（Cooling Schedule）逐步降低，搜索逐步收敛至全局最优。接受劣解的准则由Metropolis-Hastings准则给出：

P(accept)=min⁡{1,exp⁡(−ΔfT)}P(\text{accept}) = \min\left\{1, \exp\left(-\frac{\Delta f}{T}\right)\right\}

其中 Δf>0\Delta f > 0 为目标函数的恶化量。当 T→0T \to 0 时，算法退化为贪心下降法；当 T→∞T \to \infty 时，所有候选解等概率接受，退化为纯随机搜索。冷却计划的设计——如指数冷却 Tk+1=αTkT_{k+1} = \alpha T_k（α∈(0,1)\alpha \in (0,1)）或对数冷却——直接影响算法收敛速度与解的质量。对于凸优化问题，模拟退火的收敛性已得到严格证明；对于非凸问题，其在实践中展现出远优于确定性局部搜索的全局探索能力。

在贝叶斯统计中，温度概念以"回火后验"（Tempered Posterior）的形式出现。通过对似然函数施加温度参数 ϕ∈(0,1]\phi \in (0,1]：

pϕ(θ∣D)∝p(D∣θ)ϕ p(θ)p_\phi(\theta \mid \mathcal{D}) \propto p(\mathcal{D} \mid \theta)^\phi \, p(\theta)

可以在后验推断中平滑多峰分布，改善马尔可夫链蒙特卡洛（MCMC）采样在多模态后验中的混合效率。并行回火（Parallel Tempering）通过运行多条不同温度链并允许链间状态交换，使低温链受益于高温链的快速混合，是计算统计学中的重要技术。

温度的经济隐喻：过热与过冷

在宏观经济学中，温度常作为经济状态的隐喻。"经济过热"（Overheating）指总需求持续超出潜在产出，导致产出缺口为正、通货膨胀加速的态势。此时实际GDP增速高于趋势增长率，劳动力市场趋于紧张，工资-价格螺旋上升的风险增加。中央银行通常通过提高政策利率为经济"降温"以抑制总需求、锚定通胀预期。相反，"经济过冷"表现为需求不足、流动性陷阱和通缩压力——典型如日本自1990年代以来的"失去的三十年"。

泰勒规则（Taylor Rule）以产出缺口与通胀缺口为输入决定名义利率，其隐含逻辑正是以利率工具调节经济温度。在金融市场上，VIX波动率指数被俗称为"恐慌温度计"（Fear Gauge），以期权隐含波动率度量市场对未来30日风险的预期温度。

信息论视角

温度概念亦渗透至信息论与强化学习。Softmax函数的核心参数 τ\tau 常称"温度"：

softmax(zi;τ)=ezi/τ∑jezj/τ\text{softmax}(z_i; \tau) = \frac{e^{z_i / \tau}}{\sum_j e^{z_j / \tau}}

温度控制输出分布的平滑程度：高温度使概率分布趋于均匀（高熵），低温度使分布尖锐（低熵），τ=1\tau = 1 还原为标准Softmax。在强化学习的探索-利用权衡（Exploration-Exploitation Tradeoff）中，温度参数调节策略的随机性——高温促进探索，低温强化利用——是soft Q-learning和策略梯度方法的核心设计要素。

温度概念从热力学到经济学、统计学与人工智能的跨领域渗透，深刻体现了统计力学范式的普适性：系统的随机行为、均衡特征和相变现象，在看似无关的学科中共享统一的数学结构。