译者：qyq610 louisaliang Penny940214 卷福大大 老虎尾巴（负责人）
加利福尼亚州萨克拉门托河谷，红翅乌鸫聚成一群又重组 摄影：Lukas Felzmann
走进养蝗虫的牛津实验室，伊恩·库赞被一股气味狠狠冲击，那气味像是堆满干草的旧谷仓。而后蝗虫扑面而来。这些昆虫老是从笼子里逃走，往科学家和实验室技术员的脸上撞。房间里又潮又热，两万只昆虫持续骚动，昆虫外壳黑压压的一片。为避免不断恶化的严重过敏，许多工作人员只得戴上了防毒面具。“这不是一个适合研究科学研究的地方。”库赞说。
然而，在本世纪头十年中期，库赞想做的研究，世界上没有第二个实验室能做。其实，库赞关心的不是蝗虫，而是集群行为。那是有关于蜂群，鸟群，鱼群，菌落……任何个体行为转变为集体行为的研究。生物学家早已深入探究了蝗虫的构造，对它们从出生时绿色无翅若虫到黑黄相间成虫过程进行了详细描述。但就算你把它们一只只地解剖了，也搞不懂它们为什么能造成黑压压一片的蝗灾。自二十世纪六十年代起，很少有人亲眼看到蝗灾的形成。说白了，那实在难得一见。所以，这小小一群混乱的愚蠢昆虫是怎样目的一致地集结起来、召集数百万之众汇聚成一片乌云的？没人知道。
库赞把几组幼虫放进一个草帽形表演场 ，每组120只。他把这个草帽形表演场叫做蝗虫加速器。他让幼虫沿着加速器边缘一圈圈地走，一天走8小时，用头顶的摄像机将他们的行为拍摄下来，再用软件标出它们的位置和方向。渐渐地，他发现了一直在寻找的东西：在一定密度下，昆虫将会转变成有凝聚力、整齐划一的集群。另一个重点则是，集群会成为一只方向一致的进军部队。普通集体行为取代了原本随意的个体乱转——这是他们转变成黑黄色成虫的前奏。
这样的事在大自然里经常发生，但是没人在实验室诱发出这种转变——至少在动物中没有。1995年，一位名叫陶马什·维切克的匈牙利物理学家和他的同事设计了一种模型，可以用减至最简的条件来解释集群行为：在一定的半径范围内，每个匀速移动的个体都与邻近的个体进行方向匹配。如果这种假设中的集群行为被放大，就会由无序的群体转化成有秩序的集群，就像库赞的蝗虫那样。这是一种相变，就像水凝固成冰一样。个体事先并无计划。也并不遵循什么指引。但如果运用合适的“如果-则”规则，秩序就会随之产生。
库赞想知道，是什么“如果–则”规则在生物体中创造了类似行为。“我们猜，可能是挨得近的个体会进行信息传递。”库赞说。但它们并没有以可观测到的方式交流。一定是有别的机制在发挥作用。
最后的结果很可怕。每天上午库赞都会数放在加速器里的蝗虫。每天晚上，他同事杰尔姆·布尔把它们拿出来时也会再数一次。但是布尔发现他数到的个数比库赞说的少。“我觉得快要疯了。”库赞说。“要是连蝗虫数量都数不清，我的可信度就岌岌可危了。”
他重播录像的连续镜头，并放大观看，看到蝗虫如果彼此靠的很近，就会互相撕咬。有些倒霉鬼甚至被整个吞食。那就是问题问题关键所在。调整群落的力量在于嗜食同类，而不是互相合作。对这一理论，库赞给出了缜密的证明：“把蝗虫腹部的神经切断，它们就感受不到后方的撕咬，从而完全丧失集群能力。”他说。
库赞的发现是一种现象的例证，这种现象激发了全球研究者的想象。一百多年来，人们一直想搞清楚个体是如何集结成群的。这个迹象非常吸引人——动物无意识生成的队形跟物理学家在统计学模型里看到的图案一模一样。一定有什么潜在的共性。集群的秘密暗示着观察世界的全新方式。
然而这个秘密几十年来都无人知晓。一般来说，科学更擅长将复杂事物拆分为许多小部分，而不是反过来。科学想要研究清楚集群行为，但研究集群行为的技术手段和数学方法在当时还并不存在。
现在，得益于新的观察技术、得力的软件和统计方法，集群行为的机理得以揭示。确实，参与这个项目的物理学家、生物学家和工程师已经够多了，而这项研究本身似乎发生了转变——由研究者密度触发的转变。尽管既没有明确的领导者，也没有高瞻远瞩的计划，这个痴迷于研究群体的群体却发现，于局部冲突之中创造巨大凝聚力的规则，在从神经元到人类的一切事物中都有所体现。大家认为，看起来无比复杂的行为就建立在最简单的基础之上。而且，从癌细胞扩散到大脑工作，再到机器驾驶的车队在高速路上行驶，全都能用这些规则解释。现实中，个体之间的合作比独立工作更加重要。
蓝竹䇲鱼遇到危险聚成球状，形成的环面让捕食者困惑不已 摄影：Christopher Swann/SciencePhoto Library
亚里士多德头一个指出，整体大于局部之和。自此，哲学家，物理学家，化学家和生物学家也一次又一次地发现这个道理。但只有到了计算机时代，我们才有了将简单规则迭代数百万次的能力，这个模糊的概念也才得到密切关注。
在20世纪的大部分时间里，生物学家和物理学家沿着平行却各自独立的途径来探寻这一概念。生物学家们认识到生物的集群行为——这一点很难忽略——但是这些生物如何形成集群行为尚无定论。难点在于，在人们搞清楚集群如何形成前，得有人想出办法进行观察。在群落中，牛羚、细菌、椋鸟等所有生物个体看起来极为相似。而且，它们在三维空间中快速运动。“得到正确的数据是极为困难的事情，”布里斯托尔大学生物学家奈杰尔·弗兰克斯说，他同时是库赞的论文导师。“我们得同时着眼于每一部分和完整的整体。”
集群的产生
从神经元、癌细胞到鸟和鱼，一组个体总能转化成一个群体，而这些群体的移动方式是可以预测的。但不同的群体由混乱化为有序的方式有所区别。下面是一些在行为层面上引起集群的原因。——凯蒂·M·帕尔梅
金体美洲鳊鱼
行为：避光
我们设想，鳊鱼避光是为了免受攻击。但对于可能引导其移动方向的光强变化，它们其实是感受不到的。它们遵循的是一条简单的指令：光线消失时就慢点游。结果就是，鱼群在黑暗的池塘里聚成一堆，一动不动。
蚂蚁
行为：随着节奏工作
如果一种蚂蚁群体内部太拥挤、容易撞到对方，它们就每20分钟暂停一次活动。活动潮协调良好，一波波地进行。
人类
行为：从众
缺乏正常交流的人类会像羊群一样容易领导。一群行人里，只要有一个人按照指示向着某个目标前进，就算其他人并不知道目标是什么，甚至不知道有目标的存在，这一群人最后也还是会逐步被带往目标方向。
蝗虫
行为：同类相食
如果很多蝗虫挤在一起，并从身后被咬，就会为躲避危险而逃离。为了不被吃掉，蝗虫群体渐渐地排成了康加舞[注2]队形。它们还会产生信息素，吸引更多蝗虫加入。集群就这样产生了。
欧椋鸟
行为：效仿邻近同类
欧椋鸟只与最近的六个同伴匹配速度和方向，无论群体有多拥挤都照做不误。这样的相互影响已经足以将整个群体引向同一方向。
蜜蜂
行为：撞头
要是蜜蜂找到了新的蜂巢，会以特定的方式飞舞，表明蜂巢地点。但如果蜂巢不止一个，蜜蜂就会用脑袋使劲撞向别的飞舞的蜜蜂，来向同伴提议自己的选择。要是被撞的次数够多，它就不会继续飞舞了。最终，新的蜂巢地点只会剩下一个选择。
而另一方面，物理学家遇到了另一难题。通常生物学家研究的集群，其包含的个体数量从几个到几千个不等；而物理学家计算的集群，其中的个体数量却难以数计。那些像液体一样进行相变的集群，其包含的个体单位的数量级是10的两位数次幂。从统计学的角度讲，物理学和数学基本上把这些群落视为无穷大。所以这再次说明，我们不可能以任何有意义的方式直接观察这些个体。但是我们可以给它们建模。
1970年，这一领域迎来了巨大的突破，当时一位名叫约翰·康韦的数学家发明了一款游戏，取名为游戏人生。康韦虚构了一个黑白棋板，黑白棋板上的游戏棋子在黑白之间翻转变化。棋子的状态——棋子也称单元格——由相邻单元格的状态决定。如果一个黑色单元格，附近没有或者只有一个黑色单元格，那么它会因孤独而“死去”，变成白色单元格。如果有两个，则没有变化。如果增至三个，那么这个单元格会“复活”——从白色变为黑色。如果增至四个，这个单元格就会因拥挤而死去——变回白色。这样，黑白棋板就成了一块不断变化的马赛克。
康韦可以在真实的板子上玩转这些规则，但是，当他和其他程序员对游戏进行数字化模拟时，生命游戏变得相当复杂。游戏的运行速度更高、棋盘更大，能够产生惊人的图案并不断变化。根据不同的起始条件，程序员得到了像火车一样能发出阵阵烟雾，或像机枪一样能发射出小滑块的单元格队列。当时大部分软件都需要复杂的规则来产生简单的行为，生命游戏却反其道而行之。康韦做出了一个涌现模型——让那些黑白小精灵们有能力自我组织并生成新物。
十六年后，电脑动画师克雷格·雷诺兹开始寻找某种方式使大规模集群的动画运动自动化——即一种能够节约处理时间和资金的更高效算法。雷诺兹开发出了软件Boids，这款软件生成了模拟一群鸟儿的虚拟主体。软件中包含了障碍回避和飞行物理原理，但Boids的核心只有三条简单的规则：飞向邻近鸟儿的平均位置，与邻近鸟儿保持一定的距离，与邻近鸟儿的平均飞行方向相匹配（方向匹配描述个体与它邻近个体的移动方向的相似度）。规则仅此而已。
Boids和类似软件彻底改变了90年代早期的好莱坞动画，这使得《蝙蝠侠再战风云》中的企鹅动画和蝙蝠动画成为可能。其后来者包括Massive等软件，Massive曾为指环王三部曲中的宏大战役设计动作。这一切已足够令人惊叹，但是Boids生成的鸟群表明，现实世界的动物集群也可能生成自同样的机制——并非按照自上而下的命令、有序鸟群的心智模板或者心电感应（由一些生物学家郑重提出）；而是如同亚里士多德预想的那样，复杂性可能是自下而上产生的。
这一领域才刚刚起步，并开始腾飞。1995年，匈牙利物理学家维切克开始模拟鸟群。到了20世纪90年代末，德国物理学家迪尔克·黑尔宾编写了仿真程序，其中，当数字化的模拟人类逃离类似于火灾之类的危险时，它们会不由自主地在拥挤大大街上形成狭窄的人流，并且你拥我挤导致致命的堵塞和挤压——如同真实的人类一样。黑尔宾只利用简单的“社会力量”就模拟了这一现象。他要做的仅仅是告知虚拟人类：以自然步速向着同一个目标进发，与墙壁和其他模拟人类保持距离，同时与邻近者的方向保持一致。于是乎，这些模拟人类瞬间蜂拥而入，简直令人惊叹！
到了21世纪初期，生物学和物理学的集群研究出现了交叉领域。摄影和计算机成像技术可以展示出动物集群中的个体活动，这些模拟技术产生了越来越多逼真的图像。研究者开始提出关键性问题：生物集群所遵循的规则，是否也如生命游戏或者维切克的模型那样简单明了呢？如果答案是肯定的，那么它们又是如何做到的？
成形
改变简单参数的值就会对集群产生巨大影响。研究人员伊恩·库赞只控制虚拟群体的吸引、排斥、速度匹配（一个生物的移动方向与它邻近同伴方向的相似程度）三个值，便得到了群体三种不同的表现，这些表现与自然界中的现象极为相似。——凯蒂.M.帕尔梅
无序：只与最近的邻居进行速度匹配，结果是……群体一片无序。
环面：提高速度匹配值，混乱的群体会旋成甜甜圈的形状，这个形状叫做环面。
群集：把群体的速度匹配值调到最大，环面会发生改变。所有个体都朝着一个方向移动。
在研究集群现象之前，库赞先是收集集群生物。在苏格兰长大的他想要养宠物，但由于兄弟们患有各种过敏症，库赞只能饲养最异类的宠物。他说：“我的床后面有蜗牛，橱柜里有蚜虫，学校的储物柜里还有黏糊糊的昆虫。”任何形成集群的东西都令他着迷。“我记得，有一次在电视上看到类似流体的鱼类，此后我一遍遍地反复看，简直着了魔。我觉得鱼类很无趣，但是它们游动时形成的阵型——”库赞顿了一下，你几乎可以从他的眼中看到鱼群在打着转儿；之后，他回过神儿来。“从此，我就对阵型感兴趣。”他简单地总结道。
1996年，库赞成了弗兰克斯实验室的一名研究生，因此他终于有机会研究集群现象。那时，弗兰克斯正尝试研究蚁群如何自我组织，库赞就加入了进来。他给每只蚂蚁蘸上颜料，然后在录像中观察蚂蚁，他一遍又一遍地重播录像，观察不同的个体。他说：“那是非常艰苦的工作。”更糟糕的是，库赞怀疑这样做是否会有成效。那时，他认为肉眼观察不了蚁群中庞杂的相互交流。因此，他转向了仿真领域。他学会了电脑编程，以此来追踪蚂蚁个体——并最终模拟整个蚁群。也就是说，他的研究对象转为蚁群而非蚂蚁本身。
对于生物学家来说，这个领域很冷僻。“我曾经认为整间实验室都研究这个问题，”库赞说。“后来我惊讶地发现实际情况并非如此。”不过最后，他发现了Boids。2002年，库赞”破译”了这个软件，把重点放在了三要素上：对象间的吸引，对象间的排斥和对象的队列值。随后，他开始这方面的研究。打开吸引力和排斥力，关掉对象的队列值后，他的虚拟蜂群变得松散而无序。提高队列值后，蜂群合并成一个回旋的环，就像鲭鱼群那样。而在他把队列值升到最高后，原先形成的环瓦解，所有个体沿着一个方向飞，重新聚集在一起，就像一群迁徙的候鸟。换句话说，所有这些不同的阵型来源于同样的算法。“从那时起，我就把模拟器当做我大脑的延伸，”库赞说“计算机辅助我思考，因此，我可以培养对这些系统工作方式的直觉认识。”
2003年，库赞拿到拨款，在牛津大学研究蝗虫。这时，世界各地的实验室都低调地各自研究着其他生物集群。针对菌群、黏菌群、鱼群、鸟群等对象的广泛研究资料问世。而一些实验室率先把物理学和生物学的集群研究相结合，库赞的研究团队就是其中之一。在研究动物行为时，“我们过去依靠的是记笔录和其他文字记录，譬如‘大猩猩打了小猩猩’。” 维切克说。“而现在是一个崭新的时代——我们能在一秒钟内收集数百万字节的数据，然后用计算机来分析这些数据。”
一群蝗虫 摄影：Mitsuhiko Imamori/Minden
目前，39岁的库赞管理着普林斯顿大学的一个实验室。他脸庞宽大，一头短发干净利落，黑框眼镜后投来的目光深邃。库赞领导的19人团队虽然隶属于生态学及进化生物学部门，但是却也包含物理学家和数学家成员。他们有一个配有八台高端工作站的工作室——他们称这些工作站为“Hyron（克里特语中的蜂巢）”，该工作室配有视频游戏显卡。
因为蝗虫易逃脱、危害农作物，所以美国禁止用蝗虫做研究。因此，当库赞2007年来到普林斯顿大学时，他就意识到要换种新动物来研究了。库赞曾经研究过鱼群，因此这一次，他又拿着渔网，穿着高筒靴，带着一群兴致勃勃的人朝附近的湖走去。数小时后，他们只捉到了几条鱼，捕鱼行动就这样可笑地以失败告终，他向附近的几位渔夫走去。“我以为他们知道哪儿有鱼群，可是当我走上前去，却发现他们的鱼筐里只有成群的小鱼在疯狂地游来游去。”这些金色的小鱼——只有2-3英尺长，长得毫不起眼。“比我想象中的更迟钝。”库赞说道。这些鱼非常便宜，他只花了70美元就买下了足足1000条。
库赞走进放鱼的房间，看到这些等待投食的小鱼们聚集在水箱正面，不再是有序集群的样子。但是，库赞把它们捞出来放进附近一个更大的水池里之后，它们聚集在一起，就像赛车一般在跑道上你追我赶。库赞实验室的研究人员在鱼小小的背鳍上注射了彩色液体和胶凝液，这两种物质混在一起凝结成色彩明丽的塑料，这样研究人员从水池上方观察时，小鱼会非常显眼。当鱼儿在水池中游动时，光线照亮背鳍上塑料，照相机就可以记录鱼儿的运动轨迹了。库赞利用这些蠢蠢的小鱼的运动进行研究，焦点不再放在集群如何形成，而转向研究鱼群能够达成何种目标，即这些小鱼通过集群获得了何种能力。
例如，当库赞用手电筒照亮鱼群，它们会一致游到相对阴暗的地方，大概是因为鱼类只能靠“逃跑”来保护自己，所以只有黑暗才能给它们安全感。类似行为可以用1964年提出的“错误平衡原则”来解释。根据这种理论，每条鱼的个体游向不可准确预期，但由于鱼群聚集并相互影响，平衡了这些略微错误的预期，使群体能保持最佳方向。这个概念，可以看做是新闻媒体人詹姆斯·索罗维基[注1]所推广的“群体的智慧”。
但是库赞实验室观察研究了鱼群，发现这个理论是错误的。群体无法平衡不完美的预期，因为个体们根本就无法判断哪个地方更黑暗。相反，它们只遵循一个简单的原则：在阴影处游得更慢。当无序的鱼群游到暗区时，边缘的鱼就会减速，使整个群体旋转进入暗区。一旦逃脱亮区，所有的鱼就减速，聚集在一起，就像汽车被堵在高速公路上。“这纯粹是一种涌现特征。”库赞说。“只有在群体层面上才存在感知能力。”换句话说，没有一条鱼有目的性地游动。生物群体并没有聚集的智慧。
羊群 摄影：Dariusz Paciorek/Gett
集群领域的其他研究人员也发现了群体智慧带来的其他相似效果，其中一些就发生在现实世界的集体中。每到春天，蜜蜂都会离开原有的聚集区去构建新巢。侦查蜂回到蜂巢后，通过摆动尾部、跳八字舞告诉同伴们理想蜂巢的位置。复杂的舞步包含了距离和方位等重要信息，但是更重要的是，这些舞蹈激励了其他侦查蜂。
康奈尔大学的行为生物学家托马斯·西利用彩色颜料标记去往不同目的地的蜜蜂，发现主张在某个地点筑巢的蜜蜂，会用头部撞击那些摇着尾部主张另一地点的同伴。一只跳着舞的蜜蜂如果受到足够多的撞击，就会停止舞蹈。头部撞击在蜜蜂世界相当于投反对票。当一方获得的支持超过了特定的临界值，整个蜂群就会一致飞向这一方所主张的方向。
寻找新巢的蜜蜂的群体具备蜂群思维，这种思维是由不同个体组成的。这个暗喻并非不值一提。20世纪80年代，认知科学家就开始假定人类认知本身也是个涌现的过程。在我们的大脑中，思维是这样形成的：在我们的大脑中，思维是这样形成的：脑部不同的神经元选择不同的偏好，这些神经元如同摆动尾巴的蜜蜂一样，刺激一些相邻神经元活跃起来；也如同那些撞头的蜜蜂一般，抑制其他相邻神经元兴奋。这样的竞争不断增强直至某种决策涌现出来。如此，大脑可以发出一致的指令，让人们“右转”或者“吃这块饼干”。
在椋鸟中我们也可以发现相同的动态变化：晴朗的冬日傍晚，叽叽喳喳的小黑鸟们聚集在罗马黄昏时分的天空，如同沙沙作响的黑布一般旋转起来。鸟群一旦遭遇鹰袭，所有的椋鸟都能迅速躲避，就算那些位于鸟群边缘、并未直接感受到危险的椋鸟也是如此。这该如何解释？意大利物理学家安德烈亚•卡瓦尼亚利用三台摄像机，从一个博物馆寒冷的屋顶上拍摄了数千只椋鸟的运动过程，然后用电脑重构了这些椋鸟的三维运动，从而揭开了这一秘密。在大多数个体之间信息传递的系统中，信息的质量会逐渐衰减并受到破坏——就像传话游戏一样。但卡瓦尼亚发现，椋鸟的运动是以某种“无标准”的方式统一的。一只转弯，其他的都跟着转弯；一只加速，其他的都跟着加速。其中的道理很简单——即与附近六只鸟的动作保持一致且不撞到它们。但因为鸟群内信息传递其质量衰减远比预想中慢得多，所以任意一只椋鸟的感知传递到鸟群边缘时，整个鸟群就开始移动。
所有的相似之处似乎都指向了大一统集群理论——一种包含了各个方面集群行为的超级算法。在一篇论文中，维切克和他的同事们想知道，是否存在“一些简单基础的自然定律（比如热力学定律）”，从而推导出我们所观察到的各种现象。
库赞也考虑过同样的问题。“为什么我们总能看到这些现象？”他说。“这背后一定有一些更深层、更本质的东西。”生物学家非常熟悉趋同进化，比如海豚和鲨鱼都具有流线型体型，或者蝙蝠和鲸鱼的回声定位——不同谱系的动物产生相似的适应性。但算法的趋同进化又是怎样的？是各个集群表现出不同行为——蜜蜂撞头、椋鸟效仿邻近同类、鲦鱼避光——而这些不同行为产生了相同结果，还是有一些基本规则隐藏在这现象背后、而群体的行为只是规则通向集群的桥梁？
史蒂芬•沃尔弗拉姆很可能会同意上文后一观点。这位英国数学家、必备软件Mathematica发明者在2000年出版了一本足足有1200页厚的著作——《新科学》。书中假设，群体所呈现的涌现性质来自于简单的程序。而正是这简单程序，造就了雪花、贝壳、大脑乃至宇宙本身的复杂。沃尔弗拉姆承诺自己的著作会引领发掘此算法，可实际上这一承诺并未兑现。
与此同时，库赞更为谨慎地宣&#