用图神经网络的视角理解五行：一个形式化框架

我一直觉得五行是玄学——不是坏意思，只是觉得它和我日常用的那套语言（矩阵、图、消息传递）属于两个不同的宇宙。直到有一天，一个朋友让我帮他”算一算”他的八字，我下意识地开始画图：5个节点，有向边，信息沿边传播……

等等，这不就是 GNN 吗？

这篇文章是我试图用形式化方法理解一个符号系统的记录（这种”跨领域翻译”的冲动和 从 TCP 到 Sigmoid 那篇是同一条学习弧线）——不是要证明五行是科学，而是看它的内部逻辑能走多远。最后的结论比我预期的更有趣：让我惊讶的不是模型本身，而是建模这件事暴露出来的一个更普遍的问题。

声明：这是符号系统的形式化建模，不是可验证的生理因果模型。

---

两套语言，一个张力

在我展示数学之前，先说我最想说的事。

把五行数学化之后，我发现自己陷入了一个奇怪的处境：

一开始用叙事方式理解这个系统——高山的土、很多水、不断生长的树。然后我把它压缩成矩阵和图，变成一个可计算的传播模型。模型更精确了，却也更干巴了。之前那种整体的画面感，在方程上讲不出来。

	叙事解释	结构模型
语言	”高山阳土，水多木旺，土被消耗”	$h^{(t+1)}=h^{(t)}+{\lambda }_g{A}_g^{\top }{h}^{(t)}$
优点	有温度，有整体感，贴近人的经验	可计算，可推演，可做干预实验
缺点	不可量化，难做局部因果拆解	失去整体故事，冷、抽象、局部

真正让这件事”有意义”的，不是模型本身，而是能在模型语言和人类经验语言之间来回翻译的那一刻。

大多数人停在两个极端：只会讲故事不会建模，或者只会建模不会解释。真正有力量的，是同时拥有两套语言——一套对变量说话，一套对人说话。

我把这两种能力分别叫 DS（Data Science：变量、结构、可计算）和 ADS（Applied Data Storytelling：意义、直觉、可理解）。也许数据科学真正落地的地方，不只是 DS，而是 DS + ADS——让数据结构重新变回人能理解的世界。

好，现在来看数学。

---

数学模型

从四柱到 5×4 分布矩阵

四柱（年/月/日/时）的 8 个位置映射到五行 [木, 火, 土, 金, 水]。

以 癸酉 / 壬子 / 戊寅 / 癸亥 为例：

柱	天干	地支	五行分布
年	癸（水）	酉（金）	水1, 金1
月	壬（水）	子（水）	水2
日	戊（土）	寅（木）	土1, 木1
时	癸（水）	亥（水）	水2

注：以下八字为虚构示例，仅用于演示建模方法。

构建分布矩阵 $X\in {\mathbb{R}}^{5\times 4}$：

$$X=\left[\begin{array}{cccc}0& 0& 1& 0\\ 0& 0& 0& 0\\ 0& 0& 1& 0\\ 1& 0& 0& 0\\ 1& 2& 0& 2\end{array}\right]$$

行顺序：[木, 火, 土, 金, 水]，列顺序：[年, 月, 日, 时]。

引入层级权重 $w\in {\mathbb{R}}^4$，例如强调月柱：

$$w=\left[\begin{array}{c}1\\ 2\\ 1\\ 1\end{array}\right]$$

汇总得到五行强度向量：

$$s=Xw=[1,0,1,1,7{]}^{\top }$$

日干是戊土，因此主节点 $r=\text{土}$。

相生与相克的邻接矩阵

相生（行生列）：木 → 火 → 土 → 金 → 水 → 木

$$A^{(gen)}=\left[\begin{array}{ccccc}0& 1& 0& 0& 0\\ 0& 0& 1& 0& 0\\ 0& 0& 0& 1& 0\\ 0& 0& 0& 0& 1\\ 1& 0& 0& 0& 0\end{array}\right]$$

相克（行克列）：木 → 土, 土 → 水, 水 → 火, 火 → 金, 金 → 木

$$A^{(ctl)}=\left[\begin{array}{ccccc}0& 0& 1& 0& 0\\ 0& 0& 0& 1& 0\\ 0& 0& 0& 0& 1\\ 1& 0& 0& 0& 0\\ 0& 1& 0& 0& 0\end{array}\right]$$

消息传播更新

把它建模为类 GNN 的消息传递：相生加分，相克减分。

$$h^{(t+1)}=h^{(t)}+{\lambda }_g(A^{(gen)}{)}^{\top }{h}^{(t)}-{\lambda }_c(A^{(ctl)}{)}^{\top }{h}^{(t)}$$

取 ${\lambda }_g={\lambda }_c=0.5$，初始 $h^{(0)}=s$。

干预实验：do(火 += δ)

定义外源火输入 $\delta \ge 0$：

$$h^{(0)}(\delta )=[1,\delta ,1,1,7{]}^{\top }$$

一步传播后的闭式解：

$$h^{(1)}(\delta )=[4,\delta -3,0.5+0.5\delta ,1.5-0.5\delta ,7{]}^{\top }$$

关键是土节点：

$$h_{\text{土}}^{(1)}(\delta )=0.5+0.5\delta$$

加一点火，土在一步传播后线性回升——这是”火生土”的结构效应。斜率 0.5 表示每增加 1 单位火，土增加 0.5 单位。

稳定化处理

纯线性循环图容易振荡。加两个简单的稳定化：

阻尼衰减：

$$h^{(t+1)}=(1-\rho )h^{(t)}+\rho (h^{(t)}+{\lambda }_g{A}_g^{\top }{h}^{(t)}-{\lambda }_c{A}_c^{\top }{h}^{(t)})$$

非负截断（ReLU）：

$$h^{(t+1)}\leftarrow \max (h^{(t+1)},0)$$

---

实验代码

import numpy as np
import matplotlib.pyplot as plt
 
# Order: [Wood, Fire, Earth, Metal, Water]
WOOD, FIRE, EARTH, METAL, WATER = range(5)
 
def build_example_X():
    X = np.zeros((5, 4), dtype=float)
    # Year: 癸酉 = Water + Metal
    X[WATER, 0] += 1
    X[METAL, 0] += 1
    # Month: 壬子 = Water + Water
    X[WATER, 1] += 2
    # Day: 戊寅 = Earth + Wood
    X[EARTH, 2] += 1
    X[WOOD, 2] += 1
    # Hour: 癸亥 = Water + Water
    X[WATER, 3] += 2
    return X
 
def build_graph_matrices():
    A_gen = np.zeros((5, 5), dtype=float)
    A_gen[WOOD, FIRE] = 1
    A_gen[FIRE, EARTH] = 1
    A_gen[EARTH, METAL] = 1
    A_gen[METAL, WATER] = 1
    A_gen[WATER, WOOD] = 1
 
    A_ctl = np.zeros((5, 5), dtype=float)
    A_ctl[WOOD, EARTH] = 1
    A_ctl[EARTH, WATER] = 1
    A_ctl[WATER, FIRE] = 1
    A_ctl[FIRE, METAL] = 1
    A_ctl[METAL, WOOD] = 1
    return A_gen, A_ctl
 
def step(h, A_gen, A_ctl, lam_g=0.5, lam_c=0.5, rho=0.5, relu=True):
    msg = h + lam_g * (A_gen.T @ h) - lam_c * (A_ctl.T @ h)
    h_next = (1 - rho) * h + rho * msg
    if relu:
        h_next = np.maximum(h_next, 0.0)
    return h_next
 
def rollout(h0, A_gen, A_ctl, T=20, **kwargs):
    hs = [h0.copy()]
    h = h0.copy()
    for _ in range(T):
        h = step(h, A_gen, A_ctl, **kwargs)
        hs.append(h.copy())
    return np.array(hs)
 
# Build X and s
X = build_example_X()
w = np.array([1, 2, 1, 1], dtype=float)
s = X @ w
 
# Build graph matrices
A_gen, A_ctl = build_graph_matrices()
 
# Intervention: do(Fire += delta)
def intervene_fire(s, delta):
    h0 = s.copy()
    h0[FIRE] += float(delta)
    return h0
 
# Compare trajectories
deltas = [0, 1, 2, 4]
T = 25
trajectories = {}
for d in deltas:
    h0 = intervene_fire(s, d)
    hs = rollout(h0, A_gen, A_ctl, T=T, lam_g=0.5, lam_c=0.5, rho=0.4, relu=True)
    trajectories[d] = hs
 
# Plot Earth node over time
plt.figure()
for d, hs in trajectories.items():
    plt.plot(hs[:, EARTH], label=f"delta={d}")
plt.xlabel("Iteration t")
plt.ylabel("Earth node value")
plt.title("do(Fire += delta): Earth over iterations")
plt.legend()
plt.savefig("earth_trajectory.png", dpi=150)
plt.show()

---

实验结果

图 1：土节点随迭代的变化

• δ=0（无干预）：土先下降后缓慢回升
• δ 越大，土恢复越快，后期增长越陡
• 初始下降是因为木克土、水克火的连锁效应

图 2：一步响应 vs δ

• 完美线性关系，与闭式解 $h_{\text{土}}^{(1)}(\delta )=0.5+0.5\delta$ 吻合
• 验证了”火生土”在这个形式化框架中的结构效应

---

我没想到的：压缩率

做完这个模型之后，最让我意外的不是”火生土”成立——那是预设的结构，不会不成立。

让我停下来想了很久的，是这个数字：5 个节点，10 条边，编码了一个名义上有 2 亿种可能的系统。

理论上，四柱每柱有 10 天干 × 12 地支 = 120 种，四柱组合约 2 亿种。

但实际有约束：

1. 干支配对规则：阳干配阳支、阴干配阴支 → 每柱只有 60 种组合（六十甲子）
2. 月干由年干决定：月柱自由度只有 12（月支）
3. 时干由日干决定：时柱自由度只有 12（时支）

有效组合：

$$60_{\text{年}}\times 12_{\text{月}}\times 60_{\text{日}}\times 12_{\text{时}}=518,400\approx 52\text{万}$$

从 52 万到 5，中间是这三步：

步骤	操作	效果
① 类别归并	22 种符号 → 5 种五行	语义聚类
② 权重聚合	5×4 矩阵 → 5 维向量	$s=Xw$
③ 结构先验	加入固定生克图	约束推理空间

这不是玄学，这是信息论。五行的”相生相克”图结构，本质上是用 10 条有方向的边，把 22 个符号的关系压缩成一套可传播的规则。这种归纳偏置，和 GNN 里的图结构先验在逻辑上是同一件事。

这个压缩还有一个微妙的权力维度：谁定义抽象框架，谁就定义了什么是”合理解释”。当框架被完全暴露出来——矩阵、图、更新规则——人就获得了理解能力，而不是依赖解释者。这篇文章想做的，就是这件事。

---

局限与声明

1. 这是符号系统的形式化，不是可验证的因果模型
2. 权重 $w$ 是超参数，可以做敏感性分析
3. 传统命理有更复杂的规则（十神、大运、流年），本模型只是简化演示

---

参考

• 消息传递神经网络（MPNN）: Gilmer et al., 2017
• 五行生克基础：《子平真诠》《滴天髓》
• 表示学习与归纳偏置：Bengio et al., “Representation Learning: A Review and New Perspectives”, 2013

---

在线体验

→ 计算人文 Demo — 交互式探索压缩过程与干预实验

→ GitHub Repo — 完整代码

用现代框架解构传统系统