复杂适应系统 · 会学习和演化的复杂系统

0. 前六章的秩序,都还「不会学」

先回头看看我们一路走来收集的那些秩序。蚁群不靠指挥就铺出觅食路线,沙堆自己开到随时可能塌的临界坡度,网络自己长出枢纽,这些都是了不起的自发秩序 —— 没有蓝图、没有中央控制,整体的精巧从局部的简单里涌现出来。但如果你盯着它们看久一点,会发现一个共同的、几乎被我们忽略的死穴:这些系统的规则,从头到尾一个样。那粒沙永远只服从「到了坡度就塌」,它不会因为上一次塌得太惨,就在这一次改变自己滑落的方式;它没有记忆,没有策略,更没有谁因为「表现好」而被留下、被复制。

这一章要补上的,正是这层缺失的东西。世界上有一大类系统,它们的部件不只是服从固定规则,而是会根据经历改变自己:玩家会学,策略会变,管用的做法被留下、不管用的被淘汰,整个系统在时间里一轮轮地演化。大脑会学习,免疫系统会记住病原体,市场里的交易者会调整打法,物种会在选择压力下进化。这些系统有一个共同的名字,叫复杂适应系统,是 John Holland 起的。它们和前六章那些「不会学」的图案差着一整层,而这一章的全部任务,就是把这层讲清楚:适应到底是什么,它怎么在没有设计者的情况下发生,以及为什么认出它,能改变你看自己系统的方式。

1. 自组织 vs 适应:从「图案自己冒出来」到「玩家自己变聪明」

Setup · 你大概会把这两件事当成一回事

你在第 2 章已经看过秩序怎么不靠指挥就自发长出来,所以很自然地,你可能觉得这一章的「适应」也就是同一回事的换个说法 —— 反正都是没人指挥、却冒出了花样。但这里藏着一道你一旦看清就再也合不上的裂缝。自组织讲的是「图案怎么自己冒出来」,它的部件忠实地跑着一套固定不变的规则;而适应讲的是另一件事:部件本身会因为经历而改变它的规则。把这两件事焊开,是这一章的全部地基。

Build-up · 沙堆不会学,但一个玩家会

把这道裂缝摊在阳光下。回想第 6 章那个自组织到临界的沙堆:它确实自发、确实精巧,可它的每一粒沙都只服从同一条铁打的物理规则,到了坡度就塌,永远如此。沙堆没有内部模型,不会预期「这样加沙下去多半要塌」,更不会因为某次塌得惨就改弦更张;它不学习,也没有哪粒沙因为表现好而被留下来繁殖。雪花、对流花纹全都一样:漂亮的自发秩序,规则却一成不变。这就是自组织的天花板 —— 它能让图案自己冒出来,但图案里没有一个会变聪明的玩家。

而复杂适应系统,恰恰是在这个天花板上又叠了一层。它由一群所谓的适应性主体组成,每个主体都不只是个服从固定规则的零件,而是会感知环境、按自己的规则行动、并且带着一个会更新的内部模型 —— 它用这个模型预期接下来会发生什么,然后根据结果反过来修正自己:管用的做法被强化,不管用的被削弱。于是单个主体在「学习」,而整个主体群体在「演化」。提出这个框架、也给它起名的,是 John Holland,他在《Hidden Order》这样的书里把它讲透,也是他奠基了用这种会适应的主体来建模、以及遗传算法这套思路。请注意这里的味道和第 3 章是相通的:一个主体的「学习」,本质上就是反馈 —— 行动的结果绕回来,改变了它下一次的选择。适应,是反馈被用在了「改变规则」这件事上。

为了让这层叠加不至于太抽象,记住这个一句话的锚:自组织是「图案怎么自己冒出来」,适应是「玩家怎么自己变聪明,且变笨的玩家被淘汰」。第 2 章的蚁群、Bénard 花纹是自组织,规则从不变;这一章要加的那层,是连规则都在变。一个会适应的系统,不只是自己长出了秩序,它还会回头改写自己长秩序的方式 —— 这才是「活」的系统和「死」的图案之间,那道真正的分水岭。

Reveal · 复杂适应系统 = 自组织,再加一层「规则会变 + 群体被选择」

把这一节收口。自组织和适应不是一回事,差的是整整一层。自组织,是一群跑着固定规则的部件,涌现出谁也没设计的全局秩序,这是你前几章已经掌握的;而复杂适应系统,是在这之上再加一层 —— 组成它的主体带着会随经历改变的内部模型与策略,整个主体群体又在选择压力下被一轮轮塑造。前者的规则铁板一块,后者连规则本身都在流动。一个会学的玩家、一个会淘汰笨玩家的群体,就是把一堆漂亮但「死」的图案,变成一个「活」系统的那层东西。

自组织是固定局部规则涌现出秩序;复杂适应系统在它之上再叠一层 —— 主体的规则与策略会随经历改变,整个群体又被选择压力一轮轮塑造。前者的规则不变,后者连规则都在流动:这就是「死」图案与「活」系统的分水岭。

Implication · 可一群没有设计者的策略,凭什么会越变越好

但这里立刻冒出一个不那么显然的问题。如果没有谁站在顶上设计,只有一群各自为政、还会乱改自己规则的主体,这个系统凭什么不是越改越糟、而是常常越变越好?一只更适应环境的生物、一个更赚钱的交易策略、一种更管用的免疫应答,这些「更好」是从哪来的,又是谁在替它们把关?答案是一台不需要设计者的引擎,它由三个朴素的步骤组成,转起来就能让一群策略自己爬坡。下一节我们就拆开这台引擎。

2. 没有设计者的演化引擎:变异、选择、保留

Setup · 改进可以没有设计者

我们太习惯把「变好」归功于某个设计者了:产品变好是因为有产品经理,代码变好是因为有架构师。所以当一个系统在没有任何设计者的情况下持续变好时,会让人觉得不可思议 —— 是谁在优化它?这一节要给你的,是一台能在无人设计的前提下让一群策略自己改进的引擎。一旦你看懂它,你不仅会明白生物演化怎么在没有上帝的情况下造出眼睛,还会在自己每天用的工具里认出它的身影。

Build-up · 变异、选择、保留,以及它的计算化身

这台引擎只有三个步骤,转起来就停不下来。第一步是变异:不断产生多样的候选方案,可能是随机的改动,也可能是把已有的好做法重新组合 —— 总之先有花样。第二步是选择:让这些花样去真实环境里见真章,管用的(适应度高的)活下来、被采纳,不管用的被淘汰。第三步是保留:把活下来的那些传下去,复制给下一轮、或者记进记忆里,作为下一轮变异的起点。三步首尾相接、循环往复,整个群体就会一代代地朝「更适应」爬坡,而这中间没有任何人在顶上做设计 —— 改进是这台循环自己涌现出来的。生物的自然选择是它,而它最干净的计算化身,是 John Holland 奠基的遗传算法:把每个候选解编码成一串类似「染色体」的东西,按它们的好坏来选择、交叉、变异,一代代逼近好解。

这里有一句诚实话必须直接写进正文,免得你把比喻当成了事实:遗传算法、以及更广的演化计算,是受生物启发的模型,不是字面意义上的生物学,更不能拿来当「大自然就是这么运作的」的证明。它是一台好用的工程引擎,借了演化的形,但别把模型和它模仿的疆域混为一谈。还有一个更微妙、却同样重要的措辞陷阱要避开:这台引擎里没有「想要」。说「选择留下了管用的策略」是对的,说「系统想变好、在努力优化自己」就错了 —— 适应不等于有目标、有远见、有意图。改进是选择这台冷冰冰的筛子筛出来的结果,不是谁怀着目的争取来的。

把这台引擎落到方法上,就得到了复杂适应系统最重要的研究工具:基于主体的模型。它的思路和写整体方程相反 —— 你不去写「整个系统怎么演化」的大公式,而是给每一个主体一条简单的局部规则,让一大群主体互动起来,然后看宏观会涌现出什么。有三个经典例子值得记住。一个是谢林的隔离模型,你在第 1 章见过它,这里换个角度重看:每个小人都是一个主体,只有一条温和的局部偏好,「如果身边的同类太少,我就搬家」,而 Schelling 在 1971 年的 Dynamic models of segregation 里发现,就连这么温和的个人偏好,也足以让整座城市涌现出强烈的隔离 —— 没有谁想要隔离,隔离却自己长了出来。另一个是 Axelrod 和 Hamilton 在 1981 年 The Evolution of Cooperation 里那场著名的程序锦标赛:让各种博弈策略在重复囚徒困境里反复较量、相互选择,结果最简单的「一报还一报」(首轮合作、之后照搬对手上一步)两届夺冠,而它的成功配方是善良、宽容、又可激怒 —— 这第一次让人看清,合作怎么能在一群自私的策略里站住脚。第三个是 Epstein 和 Axtell 的 Growing Artificial Societies,他们干脆从一群最简单的人工主体出发,把贸易、贫富、族群这些社会现象从下往上「长」了出来。这些模型和第 2 章那种固定规则的自组织模型的关键差别在于:这里的主体可以带着会变的策略,它们不只是涌现,还会适应。

Reveal · 一台三步循环,让无设计者的群体自己爬坡

收口这一节。一群策略之所以能在没有设计者的情况下越变越好,靠的是变异-选择-保留这台三步引擎:变异铺开多样性,选择留下管用的,保留把它传给下一轮,循环不息,整体就朝更适应爬坡 —— 改进是这台循环涌现的,不是谁设计的。遗传算法是它最干净的计算化身,而基于主体的模型,则是把「一群会适应的主体」搬进电脑去观察的方法。但记住那两条诚实的边界:它是生物启发的模型而非生物学本身,而且这台引擎里没有「想要」,只有冷冰冰的选择。

变异生成多样、选择留下管用、保留传给下一轮 —— 这台三步循环让一群策略在无人设计下自己爬坡。它是演化的引擎,也是遗传算法的内核;但它是生物启发的模型、不是生物学本身,而且其中没有「想要」,只有选择。

Implication · 这台引擎一旦认出,活系统就到处都是

一旦你认出了「适应性主体 + 变异选择保留」这台引擎,你会发现真实世界里的活系统全都在跑它,只是换了不同的零件。免疫系统在选择能识别病原体的抗体,大脑在选择有用的神经连接,生态在选择更适应的物种,市场在选择更赚钱的策略。下一节我们就把这副眼睛对准这四个活系统,看它们怎么各自跑着同一台引擎 —— 同时我会带你看清一件更深的事:它们脚下那片「更适应」的地形,本身一直在动。

3. 活的范例,与一片永不停歇的景观

Setup · 把这副眼睛对准四个活系统

现在我们手里有了一副眼睛:一个活系统,是一群带着会变策略的适应性主体,在变异-选择-保留的循环里被一轮轮塑造。让我们拿它去看四个最常被称作复杂适应系统的东西 —— 免疫系统、大脑、生态、市场 —— 看它们是不是真的在跑同一台引擎。这一节里你会看到,有的例子结实得可以拍胸脯,有的则诱人却尚未坐实,而我会诚实地告诉你哪是哪。

Build-up · 免疫、大脑、生态、市场,以及一片会动的景观

先看最干净的一个:免疫系统。它是「学习加记忆」的活教材 —— 适应性免疫会真正地学习并记住它遇到过的病原体,初次交手后留下记忆细胞,再遇同一款敌人时反应更快、更猛,这正是疫苗管用的底层原理(综述见 Lam、Lee 和 Farber 2024 年的 A guide to adaptive immune memory)。这一条你可以放心地讲:免疫系统真的在学、在记。大脑是第二个,神经可塑性让连接的强度随经历改变,这是「会适应的硬件」最直接的例子,同样结实。但这里要插一句重要的诚实话:有一种很诱人的说法,讲大脑工作在「自组织临界」或者「混沌边缘」,证据是皮层活动里测到的、呈幂律分布的神经元雪崩(Beggs 和 Plenz 2003 年的 Neuronal Avalanches in Neocortical Circuits)。这条要小心:它是一个前沿但远未坐实的假说,Hesse 和 Gross 2014 年的综述 Self-organized criticality as a fundamental property of neural systems 就明说,这个临界假说一直有争议、那些幂律也能用别的机制解释、还有研究给出相反的结果。这正接上第 6 章那条纪律:自组织临界被吹成万物理论是存疑的,而大脑临界,就是这场争论里一个诱人却未决的具体战场。所以请把神经可塑性(大脑会适应,稳)和大脑临界(诱人的假说,未证)分开来放。

第三个是生态系统,而它会把这一章最深的一个概念带出来:适应度景观。设想把「每一种策略或基因型有多适应」画成一片高低起伏的地形,越高的地方越适应,于是演化就成了在这片地形上爬坡 —— 这个比喻的权威综述见 de Visser 和 Krug 2014 年的 Empirical fitness landscapes and the predictability of evolution。如果地形崎岖、有很多山峰,爬坡的主体就可能困在一个并不算高的局部最优上,上不去远处那座更高的峰。但生态系统真正要命、也真正迷人的地方在于:这片地形并不是固定的。当你脚下的地形也取决于别的物种在做什么,而它们也在适应、在移动,你这座山峰就会被它们的移动重新塑形 —— 这叫协同演化。Gupta 等人 2022 年的 Host-parasite coevolution promotes innovation through deformations in fitness landscapes 用噬菌体和大肠杆菌的共培养,直接测到了一方的适应怎样让另一方的景观发生形变。这就是那句著名的「红皇后」的由来:你必须拼命奔跑,才能停在原地,因为你脚下的地一直在动。

第四个是市场,它是「适应性主体」最贴近你的例子,但也最需要克制。把交易者看成一群用各自的预测规则下注、又不断根据盈亏修改规则的适应性主体,市场就是一个典型的复杂适应系统 —— 圣塔菲研究所那个著名的人工股市(Arthur、Holland 等人 1997 年的 Asset Pricing Under Endogenous Expectations in an Artificial Stock Market)就让交易者用遗传算法演化自己的预测规则,发现当主体探索新预期的速率高时,市场会自组织出技术交易、临时泡沫和崩盘,根本没有一个静止的均衡。但请把第 5 章和第 6 章的市场口径一字不差地搬过来:把市场当成复杂适应系统,是一副帮你理解它的镜头、一个类比,它绝不授予你预测市场的能力。复杂经济学和有效市场之争至今未决,认出市场是复杂适应系统,不等于能算出它明天往哪走。

Reveal · 活系统 = 在一片被彼此不断重塑的景观上爬坡

收口这一节。免疫、大脑、生态、市场之所以都是活系统,是因为它们都在跑同一台引擎:一群适应性主体,在一片「更适应」的地形上爬坡。而这一章最深的一层在于,那片地形不是固定的 —— 当主体们彼此互为选择压力,每个人的适应都在重塑别人脚下的景观,于是这片景观自己永远在动。这就是为什么活系统永远停不下来、没有一个终极的均衡可以抵达:你刚爬上一座峰,它就在别人的移动里塌成了谷。免疫追着病原体跑,病原体也在变;市场里你刚找到的赚钱策略,会因为别人也学会而失效。活,意味着永远在追一个一直在跑的目标。

活系统的标志,是一群适应性主体在一片「更适应」的地形上爬坡 —— 而这片地形被彼此的适应不断重塑、永远在动。所以活系统没有终极均衡:你刚登顶,峰就在别人的移动里塌了。这就是「红皇后」—— 拼命奔跑,只为停在原地。

Implication · 这样的系统,你只能养,不能造

如果一个系统永远在追一个移动的目标、永远没有终极均衡,那么对待它的方式就得变。你没法像造一台机器那样,把它一次性设计到位、然后指望它停在那里 —— 因为它脚下的地一直在动。你能做的,更像是当一个园丁:理解它的动力学,施加一点点恰当的影响,然后让它自己长。这个「园丁而非工程师」的态度,正是整条路书最后要交给你的实战心法,而下一章,我们就把这七章攒下的所有眼睛,收成一套真正能用在你自己世界里的镜头。

综合 · 把复杂适应系统这副眼睛对准你自己的世界

先把这副眼睛对准你每天打交道的技术,你会发现适应这台引擎其实早就嵌在里头了。最直接的一处是机器学习训练:演化算法、超参数搜索、神经架构搜索,字面上就是「生成一批候选、按表现选出好的、再变异出下一批」的变异-选择-保留;就连人类反馈强化学习,也可以轻轻地看成「人类偏好充当了选择压力」(这是个有用的视角,别把它撑成强主张)。第二处是推荐系统和它的用户:推荐改变用户的行为,用户的行为又反过来改变推荐,两边都在适应对方 —— 这像极了协同演化里互相形变的景观,是个诚实的类比。第三处是多智能体系统:多个会学习的 agent 互相影响,正是基于主体的模型的工程化身。还有 A/B 测试,本质就是变异-选择-保留的产品版:放出多个变体,留下转化高的。而你那套微服务、依赖和团队边界,与其说是一台被工程出来的机器,不如说是一个在压力下一轮轮重组的生态 —— 这个「生态而非机器」的视角,正好为下一章那句「园丁式地养,而非工程式地造」埋下伏笔。

但越是把复杂适应系统当眼睛用,越要守住这一章一路强调的那些诚实边界,否则它就退化成一个什么都能套的空词。这里得专门点一个最容易让人上头的提法:混沌边缘。有人主张,适应和计算在「有序与混乱之间」的那条窄缝里最丰富、最强大(这个说法由 Langton 等人提出,可以轻轻连上第 6 章的临界态),听起来无比诱人。但请立刻把它降温:这个「边缘最优」的主张虽然诱人,却定义松散、而且被认真地质疑过 —— Mitchell、Hraber 和 Crutchfield 1993 年那篇重新检验元胞自动机的工作就给它泼了冷水。把混沌边缘当成一个有启发的意象就好,别把它当成一条已经证实的定律。同样的克制也适用于这一章碰过的别处:遗传算法是生物启发的模型,不是生物学本身;说一个系统在「适应」,不等于说它有目标、有意图;市场是复杂适应系统这副镜头帮你理解它,不等于你能预测它;大脑工作在临界,是个诱人但未决的假说,不是事实。把这套既敬畏又清醒的态度装上,「复杂适应系统」才是一副真眼睛,而不是一顶谁都能扣的帽子。

最后顺手把这一章该钉死的几个误区收个尾。自组织不等于适应:沙堆会自组织却不会学,复杂适应系统多了「规则随经历改变 + 群体被选择」这一层。遗传算法这类演化计算是生物启发的模型,不是大自然的运作证明。复杂适应系统会适应,但没有目标和意图,别说它「想要」什么。认出市场是复杂适应系统,绝不等于能预测市场。大脑工作在临界、以及「混沌边缘最利于计算」这两条,都是诱人但尚未坐实的假说,不是定论。而适应度景观从来不是固定的 —— 协同演化让它永远在动,这正是活系统停不下来的根源。把这些边界连同那台引擎一起记住,你就真正拿到了看「活系统」的眼睛。

本章术语速查

• 复杂适应系统:由一群适应性主体组成的复杂系统 —— 每个主体带着会随经历改变的内部模型与策略,整个群体又在选择压力下被一轮轮塑造、演化。在第 2 章自组织(固定规则涌现秩序)之上,多了「规则本身在变、系统被选择」这一层(John Holland 命名)。
• 适应性主体:复杂适应系统的基本单元 —— 能感知环境、按规则行动、并带一个会随经历更新的内部模型与策略的部件。与第 2 章那种只跑固定局部规则的部件相对:它的规则会变。
• 变异-选择-保留:一群策略在没有设计者时随时间改进的引擎 —— 变异生成多样、选择留下管用、保留传给下一轮,循环即「爬坡」。遗传算法是其计算实例;它是生物启发的模型,不是字面生物学。
• 基于主体的模型:不写整体方程,而是给每个主体一条简单局部规则、让它们互动、看宏观涌现的建模方法(谢林隔离、Sugarscape、圣塔菲人工股市)。
• 适应度景观:把「每种策略或基因型有多适应」画成高低起伏的地形,演化即在其上爬坡;崎岖多峰会困住局部最优。协同演化会让这片地形本身不停移动,所以活系统没有终极均衡。
• 协同演化:多个主体互为对方的选择压力,彼此的适应度景观随对方的移动而被重塑(红皇后:拼命跑才能停在原地)。它是「景观会动」的来源。

参考文献

入门必读

• Complexity: A Guided Tour(Melanie Mitchell · Oxford University Press · 2009)· 复杂系统(含复杂适应系统、遗传算法、适应度景观、混沌边缘)最好的单卷科普,本章的概念脉络与它高度重合(书 · 无 DOI)。

引用出处

• Dynamic models of segregation(Thomas C. Schelling · Journal of Mathematical Sociology 1 · 1971)· 谢林隔离:温和的个人偏好涌现出强隔离,最干净的基于主体模型奠基例(第 1 章已引,此处作 ABM 范本重看)。
• The Evolution of Cooperation(Axelrod & Hamilton · Science 211 · 1981)· 重复囚徒困境锦标赛:一报还一报怎么让合作在自私群体里站住(注:其优越依赖交互结构,并非永远最优)。
• Growing Artificial Societies(Epstein & Axtell · MIT Press · 1996)· Sugarscape:从一群人工主体把社会从下往上「长」出来。
• A guide to adaptive immune memory(Lam、Lee & Farber · Nature Reviews Immunology · 2024)· 适应性免疫记忆:免疫系统怎么学习并记住病原体。
• Neuronal Avalanches in Neocortical Circuits(Beggs & Plenz · Journal of Neuroscience 23 · 2003)· 神经元雪崩呈幂律,被解读为大脑处在临界态(⚠ 前沿假说,见下条对冲)。
• Self-organized criticality as a fundamental property of neural systems(Hesse & Gross · Frontiers in Systems Neuroscience · 2014)· 大脑临界假说的诚实总账:仍有争议、可被别的机制解释、有反例。
• Empirical fitness landscapes and the predictability of evolution(de Visser & Krug · Nature Reviews Genetics · 2014)· 适应度景观的权威综述。
• Host-parasite coevolution promotes innovation through deformations in fitness landscapes(Gupta 等 · eLife · 2022)· 协同演化让景观形变的一手实证(噬菌体 × 大肠杆菌)。
• Asset Pricing Under Endogenous Expectations in an Artificial Stock Market(Arthur、Holland、LeBaron、Palmer & Tayler · 1997)· 圣塔菲人工股市:交易者用遗传算法演化预测规则,市场可以没有均衡(⚠ 镜头/类比,不授予预测力)。

深 dive 资源(可选)

• Hidden Order: How Adaptation Builds Complexity(John H. Holland · Addison-Wesley · 1995)· 复杂适应系统的命名者与奠基者,适应性主体、内部模型、building blocks、遗传算法的框架本源(书 · 无 DOI)。
• At Home in the Universe(Stuart Kauffman · Oxford University Press · 1995)· NK 模型、适应度景观、协同演化的旗舰之作 —— 但其「order for free / 自组织可与自然选择并驾齐驱」等宏大主张并非主流,读时只取被接受的景观与 NK 核(书 · 无 DOI)。
• Revisiting the Edge of Chaos(Mitchell、Hraber & Crutchfield · Complex Systems 7 · 1993)· 对「演化到混沌边缘以最大化计算」的著名批评,本章「混沌边缘是争议性提法」一句的来源(无 DOI)。

下一章

到这里,你已经集齐了认识复杂系统的整副工具:六个签名,加上涌现、自组织、反馈、网络、混沌、临界、适应这一路的机制。最后一章是收官 —— 我们把这些全部收成一套能用在你自己世界里的实战镜头:怎么找到 Donella Meadows 说的那种四两拨千斤的杠杆点,怎么分清一个复杂系统里什么能控、什么不能,以及为什么面对这样的系统,最好的姿态是园丁,而不是工程师。下一章我们把所有线索收成一张网。