1、1学习动物好榜样我曾以为蚂蚁做什么事都心中有数。 然而，我想错了。单个蚂蚁并非是聪明的小工程师，建筑师或武士，当决定下一步怎么做时，作为个体的大多数蚂蚁根本毫无头绪。 那么，该怎么解释蚁群所完成的繁复而庞大的工程呢？ 在 14 亿年的进化中，它们到底学到了什么？ 这里实际提出了一个根本性的问题：个体的简单行动怎样组合成为群体的复杂行为？ 蚁群“没有老大” 斯坦福大学的生物学家德博拉?M?戈登提出，蚂蚁在组成群体后就拥有了群体智慧的来源构建，这样一来蚁群可以解决对单个蚂蚁来说不可思议的事。 “蚂蚁并不精明， ”戈登说， “精明的是蚁群。 ”一个蚁群能够解决的问题，是单只蚂蚁不可能办得到的，例如找
2、到通往最佳食物来源的最短途径、保卫领土不被入侵等。个体的蚂蚁可能是一个个小笨瓜，一旦形成群体，却能对环境做出迅速有效的反应，靠的就是“群体智慧” 。 这种智慧的来源，引出了自然界的一个根本问题：单独的行动如何综合成群体的复杂行为？几百只蜜蜂怎么对蜂巢的重大问题做决定？是什么因素让鲱鱼群的动作配合得天衣无缝，能够瞬间同时改变方向？这些动物并不明白整个大局，但每一只都对群体的成功有贡献。它们的集2体能力，让最了解这些动物的生物学家们都惊叹不已。不过，在过去这几十年间，研究人员已经有了一些有趣的见解。 拿蚁群来说，蚁群运作的特点之一就是没有谁是“老大” 。没有蚂蚁将军在指挥蚂蚁战士，没有蚂蚁经理在命
3、令蚂蚁员工，蚁后只负责产卵，并不担任领导角色。但就算是一个有 50 万只蚂蚁的蚁群，在没有任何管理的情况下仍能运作得很好。蚁群依赖的是个体间数不清的互动，每一只都依靠简单的法则行事。 如果没有谁是主管，蚁群要怎么做这些安排呢？ 蚂蚁靠接触和气味来沟通。当一只蚂蚁碰上另一只蚂蚁时，它会上前嗅闻，以了解对方是否为“自己人” ，之前在哪里工作（在蚁窝外工作的蚂蚁，气味跟待在窝里的蚂蚁不一样） 。通常觅食蚁每天都会等到清晨外出的巡逻蚁返回，再离开蚁窝。巡逻蚁进入蚁窝时，会跟觅食蚁碰一下触角。 “觅食蚁和巡逻蚁的碰触是一种刺激，告诉觅食蚁该外出了， ”戈登说， “不过觅食蚁需要和几只巡逻蚁碰触，每次间隔
4、不超过 10 秒，之后才会出去。 ” “觅食蚁没找到食物不会回巢， ”戈登说， “食物愈少，觅食蚁花在找食物和回巢上的时间愈久；食物愈多，回巢也愈快。所以没有谁在决定今天是不是觅食的好日子，而是集体在决定。 ” 这就是群体智慧的道理：简单的动物遵循简单的规则，每个个体根据局部资讯来行事，没有一只蚂蚁知道整体的情形。著名生物学家伊恩?库赞说：“再复杂的行为，也能用相当简单的互动来协调。 ” 3从这个美妙的理论出发，人们解决了很多头痛的问题。休斯顿的“美国液化气公司”在美国大概有 100 个厂址，生产工业及医用气体，并使用管道、火车和卡车将气体运往 6000 个地点。由于某些地区电价变动，问题的复
5、杂性又加深了一层。于是公司求助于一家人工智能公司“纽泰克方案” 。 研究人员从阿根廷蚁身上找到了答案：这种蚂蚁有一种神奇的信息素，把食物带回巢穴的蚂蚁会沿途留下一些信息素轨迹，某条路径来往的蚂蚁越多，证明这条路越便捷。信息素虽然取代了触角，但是实质上仍然在交流信息。信息的共享轻而易举地得出群体的最佳决策，即使没有某个老大指挥，蚂蚁们也知道该怎么做。 这家人工智能公司效法蚂蚁，开发了一种派出数十亿“软件蚂蚁”的程序，查找信息素轨迹最强的路线让卡车行驶。既然蚂蚁早已演化出寻找最佳路线的方法，为什么不照着做呢？研究人员把所有的信息集中起来，对每一种因素进行组合考量，在反复的模拟中得到最优化的方案，然
6、后派卡车司机到交货价格最低的厂址提货。这一方案表面上看来路程远，也不合常理，然而成本被大大缩减了。对卡车司机来说，不选择离客户最近的厂址出发送货又费力又愚蠢，不过公司却看到收益，大大惊喜了一番。 在英国和法国，电话公司通过编写信息程序，在转换站存入虚拟信息素，加快了电话在网络中的接通速度，正像蚂蚁为同伴留下信号，指明最佳路径一样。 投票选址的蜜蜂 4说到群体智慧，身怀实用绝技、能让人类学习的昆虫并不是只有蚂蚁。由于一个蜂巢里最多有 5 万只工蜂，蜜蜂因此演化出可化解个体间争议、求得群集最大利益的方法。 过去 10 年来，西利和加州大学河滨分校的寇克?菲舍尔等人，一直在研究蜂群是怎么选择新家的。
7、晚春一到，蜂巢开始变得拥挤，蜂群通常会分家，由小部分蜜蜂去找新房。蜂群一旦选好地点，通常不会再搬，因此选择必须正确无误。 西利的团队想知道这是怎么办到的。他们把几个 4000 只左右的小型蜂群运到“浅滩海洋实验室”所在的阿普多尔岛，把每个蜂群都放走，让蜜蜂去找他们放在岛屿一边的蜂巢箱。这座一公里长的小岛上有很多灌木，但几乎没有乔木或其他适合筑巢的地方。 在一项试验中，他们放了 5 个巢箱，其中 4 个不够大，一个差不多刚刚好。很快，5 个箱子周围都出现了侦察蜂，这些侦察蜂回到蜂群时都跳起了摇摆舞，催促其他侦察蜂也去瞧一瞧。每一支舞的强度反映出侦察蜂对该筑巢地点的热衷程度。过了一段时间，已有几十
8、只侦察蜂跳得非常起劲，有的支持这个地点，有的支持那个地点，每只巢箱周围都有一群蜜蜂嗡嗡起舞。 决定的那一刻不是发生在主蜂群内，而是在外面，在侦察蜂聚集的巢箱周围。只要有一个巢箱入口的侦察蜂在 15 只左右（这个门槛已由其他试验证实） ，那只箱子周围的蜜蜂感觉出法定数目已经达到，便会回到蜂群中宣布新家已选定。 从被选中的巢箱返回的侦察蜂会分散到蜂群中，发出搬家的讯号。5一旦全部蜜蜂都准备好了，蜂群就会一起飞到新家。果不其然，新家就是 5 个箱子中最理想的那个。 分散的智慧 不知你注意过没有，在广场上悠闲休憩的鸽群，在稍微受到一点惊扰时就会马上起飞避险。它们的动作是那样地娴熟优美，丝毫没有惊慌失措
9、四处乱撞的情形发生。 北美驯鹿群在面对突发状况时同样显得那样有组织性，各自朝着逃生的方向奔跑。没有一只驯鹿会挡住同伴的逃生方向，也不会发生踩踏之类的事故。 它们的头领并没事先组织过，当然动物自己也没有思考过为什么要这样做，但它们就是知道该怎样逃跑才能让自己和同伴都免于丧命。这正是一种自发的群体智慧。 其实它们遵循的还是简单的法则：避免冲撞，跟紧附近同伴，按群体的平均走向运动。这跟蜜蜂的决策无关，只是为协调行动而已。依靠这样的群体智慧，机器人群体模拟鸟群进行协同活动完成任务的疯狂梦想，已经开始实现。 在美国，西南航空公司对一个基于群体行为的模型进行了测试，并以之改善菲尼克斯空港国际机场的服务。该
10、公司每天约有 200 架飞机在两条跑道上起落，使用三座中央大厅的登机口。公司想保证每架飞机能尽快出入，工作人员劳森为机场建立了一套计算机模型。他让每架飞机记录从登机口出入所花的时间，然后启动模型，模拟机场一天的活动。 他说：“飞机像蚂蚁一样寻找最佳登机口。 ”也并不是通过沿路留下6虚拟信息素，而是各自记住速度较快的登机口，忘掉速度较慢的。把真实数据作为抵达和起飞时间的变量输入模型，经过多次模拟之后，每架飞机都学会如何避免在停机坪上无谓地等待，同时避免和其他飞机冲撞。所有的飞机协同完成了一件困难的工作，变得更为有效率。 最大的变化可能体现在互联网上。Google 就是利用类似于蜜蜂投票的群体智能来查找你搜索的内容。当你键入一条搜索时，Google 会在它的索引服务器上考察数十亿网页，找出最相关的，然后按照它们与其他网页链接的次数进行排序，把链接当作投票来计数（最热门的网站还有加权票数，因为它们可靠性更高） 。得到最多票数的网页被排在搜索结果列表的最前面。Google 通过这种方式利用网络的群体智能来决定一个网页的重要性。 这就是群体智能的美妙魅力，无论我们讨论的是蚂蚁、蜜蜂、鸽子还是北美驯鹿，智能群体的组成要素分散化控制，针对本地信息行动，简单的经验法则加在一起，就构成了一套应对复杂情况的精明策略。相信若能把汽车交通塑造成一种自主组织系统，一定能凸显群体智慧的优势。 选自商界
