随机漫步与命运（三）：在无限时间之后，究竟留下了什么（1）

“我们所观察到的，并不是自然本身，而是被我们提问方式所揭示的自然。”——Werner Heisenberg

当我们谈论随机性时，往往带着一种几乎不自觉的假设：只要时间足够长，一切结构都会被冲淡，最终归于某种均匀的无序。

这种直觉并不难理解。我们在日常经验中看到的许多现象，似乎都在朝这个方向发展。一滴墨水落入清水之中，最初的形状很快消散，最终与周围完全融合；气体在空间中扩散，很快失去来源的痕迹；任何局部的差异，在时间与随机运动的作用下，似乎都趋向于消失。

于是，我们自然会认为：随机性与时间的结合，意味着“遗忘”。路径越长，历史越不重要；过程越久，差异越模糊。

然而，这种直觉只捕捉到了问题的一部分。

在某些系统中，随机性确实会消解结构；但在另一些系统中，它并不会简单地抹去一切，反而会以一种更加微妙的方式，使结构显现出来。那些在局部看似完全无序的过程，在无限时间的极限中，反而呈现出某种稳定的形态。

问题的关键在于：在无限时间之后，究竟有什么能够留下来？

要理解这一点，我们需要重新审视随机游走，但这一次，将视角从“位置”转向“趋势”。

在前面的讨论中，我们关注的是行走者在某一时刻的位置：他走了多远，是否回到原点，分布如何扩展。这些问题自然且重要，它们与空间的几何结构直接相关。

但现在，我们提出一个不同的问题：如果这个行走过程无限地继续下去，那么在无穷远处，我们还能知道什么？

这个问题乍看之下有些难以把握。路径是无限的，它没有终点。然而，数学常常正是在这种“没有终点”的过程中，提取出最有意义的结构。关键不在于路径的每一个点，而在于路径整体的行为。

想象我们不是观察一条路径，而是同时观察许多条随机路径。它们从同一点出发，遵循相同的规则，却在每一步中做出不同的选择。

起初，这些路径彼此靠近。随着时间推移，它们逐渐分离，在空间中扩展。如果空间足够开放，大多数路径将再也不会相遇。

如果我们退后一步，不再关注它们的具体位置，而是观察它们的整体走向，就会发现一些微妙的变化。

这些路径并不是毫无规律地散开。虽然每一步都是随机的，但整体上，它们往往表现出某种“趋向”。有些路径在宏观上朝着相似的方向延展，有些则不断分离，形成彼此独立的轨迹。

换句话说，尽管局部是随机的，但整体并非完全无结构。

正是在这一观察之上，“无穷远边界”的概念得以建立。

这个“边界”并不是通常意义上的边界。它不是围绕空间的一条线或一个面，而是一种从路径行为中“涌现”出来的结构。它不描述空间的范围，而描述路径在无限时间中的极限状态。

理解这一点的关键，是改变我们对“路径”的理解。路径不仅仅是一系列点的集合，它也是一种展开方式，一种在空间中延展的“轨迹形态”。

两条路径可能永远不再相交，但在某种更高的层面上，它们仍然可能属于同一类：它们的整体趋势是相似的。反之，两条起初非常接近的路径，也可能最终完全分离，走向不同的“方向”。

“边界”的作用，正是将这些路径按照它们的长期行为进行分类。它不是记录路径的细节，而是提取路径的“类型”。

在这个意义上，边界提供了一种新的坐标体系——不是针对空间中的点，而是针对路径本身。

为了更直观地理解这一点，可以考虑一个简单的类比。

设想你在一个无限延展的空间中行走。如果这个空间是有限的或被封闭的，那么无论你如何行走，都不可避免地会受到约束。路径会反复折返，不同的方向之间差异逐渐消失。

但如果空间是无限的，比如一个无限平面，那么情况就不同了。路径虽然曲折，但整体上往往会呈现出某种方向性。长期来看，它可能大致朝东北、西南或其他方向延展。

在这种情况下，我们可以用一个“方向集合”来描述这些路径的极限行为。这个集合，可以被看作是空间的一个“边界”。

如果我们再进一步，考虑一个不断分叉的结构，比如一棵无限延展的树，那么情况会更加丰富。一旦两条路径分开，它们几乎不会再相遇。路径的数量迅速增长，每一条路径都对应一个独特的分支。

在这样的空间中，边界不再是简单的方向集合，而是一个复杂的结构，由所有可能的无限分支组成。每一种路径，都对应着一种不同的“去向”。

这些例子说明：边界的性质，取决于空间的结构。它不是人为添加的，而是从路径行为中自然生成的。

在概率论中，这一思想被形式化为“Poisson边界”。

从直观上看，Poisson边界描述的是：一个随机过程在无限时间之后，仍然可以区分多少种不同的行为方式。

如果边界是“平凡的”，意味着所有路径在极限中变得无法区分。无论路径如何展开，最终都趋向于同一种行为模式。系统彻底“遗忘”了自己的历史。

如果边界是“非平凡的”，则意味着不同路径在极限中仍然可以被区分。系统在无限时间之后，仍然保留某种结构。路径的历史，并没有完全消失。

这种差异具有深刻的意义。它回答了一个核心问题：随机性最终是消解信息，还是保留信息？

这也使我们能够更清晰地理解熵的作用。

（未完待续）

---