無論是生物鏈中較低等的螞蟻、蜜蜂、鴿子還是與人類相比沒有思想的北美馴鹿，智慧群體的組成要素——分散化控制，針對本地信息行動，簡單的經(jīng)驗法則——加在一起，就構(gòu)成了一套應(yīng)對復(fù)雜情況的精明策略。
我曾以為螞蟻做什么事都心中有數(shù)。那些列隊爬過我家廚房臺面的小家伙看起來是那么信心十足。于是我猜它們早就定好了計劃，知道要去哪兒，要做什么。不然的話，螞蟻又怎能做出組織行軍路線，建造復(fù)雜蟻穴，發(fā)動大規(guī)模突襲等等奇妙行為呢？
然而，我想錯了。
單個螞蟻并非是聰明的小工程師，建筑師或武士，當(dāng)決定下一步怎么做時，作為個體的大多數(shù)螞蟻根本毫無頭緒。
那么，該怎么解釋蟻群所完成的繁復(fù)而龐大的工程呢？
在1.4億年的進化中，它們到底學(xué)到了什么？
這里實際提出了一個根本性的問題：個體的簡單行動怎樣組合成為群體的復(fù)雜行為？
蟻群的智慧
斯坦福大學(xué)的生物學(xué)家德博拉•M•戈登提出，螞蟻在組成群體后就擁有了群體智慧的來源構(gòu)建，這樣一來蟻群可以解決對單個螞蟻來說不可思議的事。
“螞蟻并不精明，”戈登說，“精明的是蟻群。”一個蟻群能夠解決的問題，是單只螞蟻不可能辦得到的，例如找到通往最佳食物來源的最短路徑、保衛(wèi)領(lǐng)土不被入侵。個別的螞蟻可能是一個個小笨瓜，一旦形成群體，卻能對環(huán)境做出迅速有效的反應(yīng)，靠的就是“群體智慧”。
這種智慧的來源，引出了自然界的一個根本問題：單獨的簡單行動如何綜合成群體的復(fù)雜行為？幾百只蜜蜂怎么對蜂巢的重大問題做決定？是什么因素讓鯡魚群的動作配合得天衣無縫，能夠瞬間同時改變方向？這些動物并不明白整個大局，但每一只都對群體的成功有貢獻。它們的集體能力，讓最了解這些動物的生物學(xué)家都驚嘆不已。不過，在過去這幾十年間，研究人員已經(jīng)有了一些有趣的見解。
拿蟻群來說，蟻群運作的原則之一就是沒有誰是“老大”。沒有螞蟻將軍在指揮螞蟻戰(zhàn)士，沒有螞蟻經(jīng)理在命令螞蟻員工；蟻后只負責(zé)產(chǎn)卵，并不擔(dān)任領(lǐng)導(dǎo)角色。就算是一個有50萬只螞蟻的蟻群，在沒有任何管理的情況下仍能運作得很好。蟻群依賴的是個體間數(shù)不清的互動，每一只都依靠簡單的法則行事。
以分配工作為例，在戈登研究紅收獲蟻的美國亞利桑那州沙漠，有一個蟻群每天早上會計算要派多少只工蟻出去覓食。數(shù)量視情況而定：覓食蟻最近是否在哪里發(fā)現(xiàn)了大量的美味種子？有的話，就得多派些螞蟻去把它搬回來；昨夜的暴風(fēng)雨打壞了蟻窩？那么就要多留些修繕工蟻來幫忙修補。一只螞蟻有可能今天是修繕蟻窩的，明天是收集垃圾的，如果沒有誰是主管，蟻群要怎么做這些安排呢？
螞蟻靠接觸和氣味來溝通。當(dāng)一只螞蟻碰上另一只螞蟻時，它會上前嗅聞，以了解對方是否為自己人，之前在哪里工作(在蟻窩外工作的螞蟻，氣味跟待在窩里的螞蟻不一樣)。通常覓食蟻每天都會等到清晨外出的巡邏蟻返回，再離開蟻窩。巡邏蟻進入蟻窩時，會跟覓食蟻碰一下觸角。
“覓食蟻和巡邏蟻的碰觸是一種刺激，告訴覓食蟻該外出了，”戈登說，“不過覓食蟻需要和幾只巡邏蟻碰觸，每次間隔不超過10秒，之后才會出去。”
為了看看這是怎么運作的，一天早上，戈登和她的研究搭檔麥可•格林把剛離巢的巡邏蟻捉起來，等了半個小時，再以固定的時間間隔把玻璃珠丟進蟻窩入口，模擬螞蟻回巢。珠子有的涂了巡邏蟻的氣味，有的涂了修繕蟻的氣味，有的沒有氣味。結(jié)果，只有涂了巡邏蟻氣味的珠子會刺激覓食蟻離巢。
“覓食蟻沒找到食物不會回巢，”戈登說，“食物愈少，覓食蟻花在找食物和回巢上的時間愈久；食物愈多，回巢也愈快。所以沒有誰在決定今天是不是覓食的好日子，是集體在決定。”
這就是群體智慧的道理：簡單的動物遵循簡單的規(guī)則，每個個體根據(jù)局部資訊來行事，沒有一只螞蟻知道整體的情形。在牛津和普林斯頓大學(xué)任教的生物學(xué)家伊恩•庫贊說：“再復(fù)雜的行為，也能用相當(dāng)簡單的互動來協(xié)調(diào)。”
從這個美妙的理論出發(fā)，人們解決了很多頭痛的問題。休斯頓的“美國液化氣公司”在美國大概有100個廠址，生產(chǎn)工業(yè)及醫(yī)用氣體，并使用管道、火車和卡車將氣體運往6000個地點，由于某些地區(qū)電價變動，問題的復(fù)雜性又加深了一層。于是公司求助于一家人工智能公司“紐泰克方案”。
研究人員從阿根廷蟻身上找到了答案：這種螞蟻有一種神奇的信息素，把食物帶回巢穴的螞蟻會沿途留下一些信息素軌跡，某條路徑來往的螞蟻越多，證明這條路越便捷。信息素雖然取代了觸角，但其實質(zhì)仍是交流信息。通過信息的共享輕而易舉地得出群體的最佳決策，即使沒有某個老大指揮，螞蟻們也知道該怎樣做。
公司效法螞蟻，開發(fā)了一種派出數(shù)十億‘軟件螞蟻’的程序，查找信息素軌跡最強的路線讓卡車行駛。既然螞蟻早已演化出尋找最佳路線的方法，為什么不照著做呢？研究人員把所有的信息集中起來，對每一種因素進行組合考量，在反復(fù)的模擬中得到最優(yōu)化的方案，然后派卡車司機到交貨價格最低的廠址提貨。表面上看來路程遠得不合常理，然而成本大大縮減了。對卡車司機來說，不選擇離客戶最近的廠址出發(fā)送貨又費力又愚蠢，不過公司卻在看到收益后大大驚喜了一番。
在英國和法國，電話公司通過編寫信息程序，在轉(zhuǎn)換站存入虛擬信息素，加快了電話在網(wǎng)絡(luò)中的接通速度，正像螞蟻為同伴留下信號，指明最佳路徑一樣。
賭馬的蜜蜂
說到群體智慧，身懷實用絕技、能讓人類學(xué)習(xí)的昆蟲并不是只有螞蟻。在美國緬因州南岸一座海風(fēng)輕拂的小島上，生物學(xué)家湯瑪斯•西利研究蜜蜂善于做決定的神奇本領(lǐng)已經(jīng)有一陣子了。由于一個蜂巢里最多有5萬只工蜂，蜜蜂因此演化出可化解個體間爭議、求得群集最大利益的方法。
過去10年來，西利和加州大學(xué)河濱分校的寇克•菲舍爾等人，一直在研究蜂群是怎么選擇新家的。晚春一到，蜂巢開始變得擁擠，蜂群通常會分家，蜂后、部分雄蜂和半數(shù)工蜂會飛行一小段距離，聚集在一根樹枝上。蜂群就在那里露宿，由小部分蜜蜂去找新房。最理想的筑巢地點是在離地夠高的樹洞里，有朝南的小孔作為入口，內(nèi)部有空間容納幼蟲和蜂蜜。
蜂群一旦選好地點，通常不會再搬，因此選擇必須正確無誤。
西利的團隊想知道這是怎么辦到的，他們把幾個4000只左右的小型蜂群運到“淺灘海洋試驗室”所在的阿普多爾島，把每個蜂群都放走，讓蜜蜂去找他們放在島嶼一邊的蜂巢箱。這座一公里長的小島上有很多灌木，但幾乎沒有喬木或其他適合筑巢的地方。
在一項試驗中，他們放了5個巢箱，其中4個不夠大，一個差不多剛剛好。很快，5個箱子周圍都出現(xiàn)了偵察蜂，這些偵察蜂回到蜂群時都跳起了搖擺舞，催促其他偵察蜂也去瞧一瞧。每一支舞的強度反映出偵察蜂對該筑巢地點的熱衷程度。過了一段時間，已有幾十只偵察蜂跳得非常起勁，有的支持這個地點，有的支持那個地點；每只巢箱周圍都有一群蜜蜂嗡嗡起舞。
決定的那一刻不是發(fā)生在主蜂群內(nèi)，而是在外面，在偵察蜂聚集的巢箱周圍。只要有一個巢箱入口的偵察蜂在15只左右(這個門檻已由其他試驗證實)，那只箱子周圍的蜜蜂感覺出法定數(shù)目已經(jīng)達到，便會回到蜂群中宣布這個消息，新家選定了。
“這是一場比賽，”西利說，“哪一個地點會最先累積到15只蜜蜂呢？”
從被選中的巢箱返回的偵察蜂會分散到蜂群中，發(fā)出搬家的訊號。一旦全部蜜蜂都準備好了，蜂群就會一起飛到新家。果不其然，新家就是5個箱子中最理想的那個。
這就像賭馬，雖然不是所有的人都精通此道，但是裁決權(quán)掌握在最多的人手中。你可以是賽馬老手，也可以是什么都不懂，然而所有的賭馬者都會搜集各種情報，發(fā)表不同意見，下注情況便代表了集體的判斷。我們允許盡可能多的自由選擇，是為了更好地做出最明智的判斷。正因為如此，賠率最低的馬幾乎是跑第一，因為那代表了集體的智慧。
不知你發(fā)覺沒有，芝加哥期貨交易所那些狂熱的貿(mào)易商們，不管中間過程多么微妙繁瑣，決定大豆未來價格的程序和蜜蜂幾乎是相同的。這不能不說是神奇的，因為蜜蜂的思維和人相比是那樣微不足道。
蜜蜂的決定規(guī)則是廣納不同選項，鼓動各種想法的自由競爭。這些規(guī)則讓西利大為嘆服，他現(xiàn)在把它用在康奈爾大學(xué)自己擔(dān)任系主任的系里。“我把從蜜蜂身上學(xué)到的東西用在系務(wù)會上。”他說。西利要與會人員找出所有可能性，把各自的想法拿出來討論一番，然后進行不記名投票。“蜂群就是這么做的，這種做法使一個團體有時間讓最好的想法浮現(xiàn)，并獲得采納。一般人通常都很愿意接受這樣的做法。”
分散的智慧
科學(xué)家們曾經(jīng)對這樣的想法嗤之以鼻：一大群機器人可以彼此毫無妨礙地在完全陌生的環(huán)境中協(xié)同完成一件任務(wù)。怎么可能呢？他們會想，設(shè)定好程序統(tǒng)一行動的機器人怎么會知道該去哪里，協(xié)調(diào)同伴完成任務(wù)呢？
不知你注意過沒有，在廣場上悠閑休憩的鴿群，在稍微受到一點驚擾時就會馬上起飛避險。它們的動作是那樣的嫻熟優(yōu)美，絲毫沒有驚惶失措四處亂撞的情形發(fā)生。
北美馴鹿群在突發(fā)狀況前同樣顯得那樣有組織性，各自朝著逃生的方向奔跑。沒有一只馴鹿會擋住同伴的逃生方向，也不會發(fā)生踩踏之類的事故。
它們的頭領(lǐng)并沒有事先組織過，當(dāng)然動物自己也沒有思考過為什么要這樣做（你認為它們能思考這樣做的意義么？），但它們就是知道該怎樣跑能讓自己和同伴都免于喪命，這種自發(fā)的群體智慧你見過嗎？
其實它們遵循的還是簡單的法則：避免沖撞，跟緊附近同伴，按群體的平均走向運動。
這跟蜜蜂的決策無關(guān)，只是為協(xié)調(diào)行動而已。依靠這樣的群體智慧，機器人模擬鳥群進行協(xié)同活動完成任務(wù)的瘋狂夢想已經(jīng)在開始實現(xiàn)。
在美國，西南航空公司對一個基于群體行為的模型進行了測試，以之改善菲尼克斯天空港國際機場的服務(wù)。該公司每天約有200架飛機在兩條跑道上起落，使用三座中央大廳的登機口。公司想保證每架飛機能盡快出入，即便航班提前或晚點。工作人員道格•勞森說：大家不喜歡坐在離出入口僅500米的飛機里，卻不得不等另一架飛機起飛后才能下機。因此，勞森為機場建立了一套計算機模型。他讓每架飛機記錄從登機口出入所花的時間，然后啟動模型，模擬機場一天的活動。
他說：“飛機像螞蟻一樣尋找最佳登機口。”但并不是通過沿路留下虛擬信息素，而是各自記住速度較快的登機口，忘掉速度較慢的。把真實數(shù)據(jù)作為抵達和起飛時間的變量輸入模型，經(jīng)過多次模擬之后，每架飛機都學(xué)會如何避免在停機坪上無謂的等待，同時避免和其他的飛機造成沖撞。所有的飛機協(xié)同完成了一件困難的工作，變得更有效率。
最大的變化可能體現(xiàn)在互聯(lián)網(wǎng)上。谷歌就利用類似于蜜蜂投票的群體智能來查找你搜索的內(nèi)容。當(dāng)你鍵入一條搜索時，谷歌會在它的索引服務(wù)器上考察數(shù)十億網(wǎng)頁，找出最相關(guān)的，然后按照它們與其他網(wǎng)頁鏈接的次數(shù)進行排序，把鏈接當(dāng)作投票來計數(shù)（最熱門的網(wǎng)站還有加權(quán)票數(shù)，因為它們可靠性更高）。得到最多票數(shù)的網(wǎng)頁被排在搜索結(jié)果的列表最前面。谷歌通過這種方式利用網(wǎng)絡(luò)的群體智能來決定一個網(wǎng)頁的重要性。
這就是群體智能的美妙魅力，無論我們討論的是螞蟻、蜜蜂、鴿子還是北美馴鹿，智慧群體的組成要素——分散化控制，針對本地信息行動，簡單的經(jīng)驗法則——加在一起，就構(gòu)成了一套應(yīng)對復(fù)雜情況的精明策略。不過，我們還不習(xí)慣以分散化的手段來解決分散化的問題，就像我們無法通過到處樹立停車標志和交通燈來控制像公路交通這樣的緊要事情，但是，若能把交通塑造成一種自主組織系統(tǒng)，一定能凸顯群體智慧的優(yōu)勢。
事實上，按《群眾的智慧》一書的作者詹姆斯•索羅維基的說法，采用蜜蜂規(guī)則的團體幾乎都會變得更聰明。索羅維基說，只要成員多樣化，能獨立思考，并以投票、競標等機制來產(chǎn)生集體決定，不論是股市投資者、科學(xué)家，甚至玩猜猜看游戲的小孩，都能成為聰明的團體。
這種想法凸顯出集體智慧的一個重要真理：只有當(dāng)每個成員都以負責(zé)任的態(tài)度行動、自己做決定的時候，群眾才會趨向于有智慧。如果成員都互相模仿，或者成為潮流的奴隸，又或者只等著別人來告訴自己怎么做，這樣的團體是不可能聰明的。螞蟻也好，律師也罷，團體要變得聰明，就得仰仗成員做好自己分內(nèi)的事。
作為蜜蜂的個體看不到全局，同樣作為普通人的我們也看不到總體的需要，但我們會看到周圍，會和周圍分享信息，知道什么時候當(dāng)義工，什么時候做公益活動，沒有人統(tǒng)一指揮，在我們臨時有事時也不會對整體造成損失。
不妨效仿一下動物，在充滿復(fù)雜性的世界中簡潔明了地解決復(fù)雜的任務(wù)。
返回頂部