简单规则如何孕育复杂行为

译者 Lineker

步入这所用来饲养蝗虫的牛津大学实验室，首先冲击伊恩·卡岑（Iain Couzin）的便是气味，类似于堆满陈草的破败谷仓的气味。其次就是蝗虫，无处不在的蝗虫。这种昆虫经常会从笼子里逃窜出来，扑到科学家和实验室技术人员的脸上。房间既闷热又潮湿，20000只蝗虫的持续骚动产生了一种浓厚的昆虫体臭。为了避免严重过敏，很多工作人员都被迫戴上了呼吸器。“在这里做研究着实不轻松，”卡岑说。

在本世纪头十年的中期，这所实验室还是世界上唯一一处进行此类科学研究的场所。事实上，卡岑关注的并不是蝗虫，而是集群行为（collective behavior）。蜂群、鸟群、鱼群或菌落……这些都是个体行为转化为群体行为的典型例证。生物学家们已经详细分析了蝗虫的解剖学，并对其从绿色无翅初生若虫到黑黄色飞行成虫的转变过程进行了描述，但即便你挨个解剖它们，也搞不清楚它们为什么会形成遮天蔽日的蝗灾。自上世纪60年代以来，就很少有人曾亲眼目睹过蝗虫如何集结成群——坦白地讲，要目击这一过程太困难了。一小群无序的愚蠢昆虫如何摇身一变，组合成数目为百万之巨且团结一心的大群体？对于这样的问题，没有人能说清楚。

卡岑会将120多只幼虫放入一个他称之为蝗虫加速器的墨西哥帽形“竞技场”，让它们每天沿着边缘兜圈兜八个小时，同时利用一架摄影机拍下它们的运动，再通过软件标注出它们的位置和运动方向。这些实验最终让卡岑发现了自己想要找寻的规律：当形成一定密度时，昆虫会转为聚集且均衡的集群。到达第二个临界点以后，集群会变成一支单向行进的蝗虫军队。原先无序兜圈的个体成为了循规蹈矩的“普通成员”——这是它们转变为黑黄色成虫的前奏。

上述情形在自然界中可谓是司空见惯，但从来没有人在实验室中诱导出这种转变——至少从未对动物进行过此类研究。1995年，一位名叫塔马斯·维泽克（Tamás Vicsek）的匈牙利物理学家及其同事设计出了一种模型来解释群体行为，模型的基础前提为：所有个体以恒定速度运动，每个个体的运动方向与特定半径范围内的邻近个体的运动方向相同。当这个假设的集合变大时，它会从一种无序的群体转换为有组织的集群，就如同卡岑的蝗虫实验一样。这是一种类似水转化为冰的相变过程。个体并不存在事先规划，它们不遵从任何指令。但在正确的“如果则”（if-then）规则的操纵下，秩序随即出现。

卡岑想知道“如果则”规则是否也会使生物体产生类似的行为。“我们原以为通过彼此靠近，它们也许能够传递信息，”卡岑说。但实际上它们并没有以某种可辨识的方式来相互交流。因此，一些其他的动力学机制肯定在发挥作用。

最终得到的答案相当令人恐惧。每天清晨，卡岑都会数一下加速器中蝗虫的数量；到了晚上，他的同事杰罗姆·布尔（Jerome Buhl）会将蝗虫拿出来，同时再数一遍。但布尔发现，自己计算的蝗虫数量竟然比早上卡岑的计数要少。“我都快疯了，”卡岑说。“如果连蝗虫的准确数量都计算不出来，那实验还有什么可信度而言。”

当重放录像片段并进行放大之后，他发现如果蝗虫彼此靠得太近，它们会相互撕咬。有些不走运的个体甚至被分食精光。这就是问题的关键所在。调整集群的力量源自同类相食，而非相互合作。卡岑想出了一种可以证实上述理论的巧妙方案：“我们可以切断蝗虫腹部让它们感知后方撕咬的神经，这样就能完全消除它们集群的能力，”他说。

卡岑的发现是某种现象的典型例证，它激发了全世界研究者们的想象力。一个多世纪以来，人们一直在试图理解个体如何转变为统一的群体。一些暗示令人感到非常好奇——譬如动物会自发形成类似于物理学家在统计模型中观察到的队形。这其中必定存在某些潜在的共同点。集群的秘密暗示了一种认识世界的全新方式。

但这些秘密隐藏了数十年之久。一般而言，相比解释微小部分如何转变为复杂事物，科学更擅长于将后者分解为前者。科学家们一直没有找到解决上述集合问题的方法或数学原理。

现如今，在新型观测技术、强大软件和统计方法的辅助之下，集群机制的秘密终于得以揭示。事实上，很多物理学家、生物学家和工程师都介入了此项研究，以至于科学本身似乎也产生了某种密度依赖型的转变。虽然缺少明显的领导者和全局规划，这个沉迷于集体研究的集体却获得了重大发现，他们发现，从局部拥挤状态中产生巨大凝聚力的相应规律，也适用于从神经元到人类的一切事物。看似极为复杂的行为却拥有简单至极的基础。从癌症传播到大脑的工作机理，再到引导机器人驾驶的车队在高速公路上行进，这一切都可以利用集群规则来进行解释。

亚里士多德曾首次提出“整体不仅仅是其各部分总和”的概念。自此以后，哲学家、物理学家、化学家和生物学家总是周期性地重新提及上述理论。不过，只是到了能够对简单规则集进行数百万次迭代的计算机时代，亚里士多德的模糊概念才真正成为了科学家的研究焦点。

在20世纪的大部分时间里，生物学家和物理学家都是沿着平行但却各自独立的途径来研究上述概念。虽然生物学家们知道生物体会表现出明显的集体行为，但对于它们如何实现这一行为的问题，研究者们依然莫衷一是。事实上，明确集群形成方式之前的关键问题在于必须得确定如何进行观测。群体中的个体看起来都极为相似。另外，它们会以极快的速度穿过三维空间。“活动正确观测数据的难度极大，”布里斯托大学的生物学家奈杰尔·弗兰克斯（Nigel Franks）说，他同时也是卡岑的论文导师。“你必须尝试同时着眼于所有的部分和完整的群体。”

群体如何形成
从神经元和癌细胞到鱼类，群体中的个体自组织成为集群，这些集群以可预测的方式运动。但它们从混乱转换为秩序的方式并不相同。以下我们对某些行为触发机制进行了罗列。
——Katie M. Palmer

美鳊

行为：避光
鳊鱼搜寻黑暗水域大概是为了自我保护。但实际上它们并不能感知可能作为导向的亮度的变化。它们只是遵循了一条指令：当光亮消失时，减慢游动速度。结果，鱼群开始在黑暗区域集中起来，并停留在那里。

蚂蚁

行为：节奏一致
当某种蚂蚁拥挤到会彼此碰撞时，协调性的摇摆活动每20分钟就会贯穿蚁群。

人类

行为：追随
当缺少正常沟通时，人类会如同羊群一般易受影响。如果步行人群的某人接到指示要前往某个目的地，尽管其他人也许并不知道这一目的地——或者甚至连是否有目的地存在也不知道，但整个群体最终被指引着向目标方向前进。

蝗虫

行为：同类相食
当足够多的蝗虫聚集到一起时，来自后方的撕咬会让个体逃往安全地带。最终，它们会组成一长溜的群体以避免被同类吃掉。它们也会散布信息素以吸引更多的蝗虫个体加入群体之中。

椋鸟

行为：模仿邻近成员
不管鸟群有多拥挤，这些鸟会依照离自己最近的六位成员来协调飞行速度和方向。这种相互作用方式足以引导整个鸟群朝着相同的方向飞行。

蜜蜂

行为：撞头
当搜寻新巢穴地点的蜜蜂归来以后，它们会通过跳摇摆舞来确定先前探寻的位置。但如果有多处位置可选，蜜蜂会用头撞击正在跳舞的其他成员，以主张自己的选择。那些被撞击多次的蜜蜂会停止舞蹈，最终整个蜂群确定了唯一的选择。
与此同时，物理学家则遭遇到了全然不同的难题。生物学家所面对的群体其个体数量通常在几个和数千之间；但物理学家则要对数目极其庞大的群组进行计数。各种经历相变的聚集体如液体所包含的个体单位计数为10的两位数方。从统计学的角度来看，物理学和数学基本上将这些集合视为无穷大。因此，我们同样无法以任何有意义的方式来直接观察这些个体。但我们可以对其进行模型化。

到了上世纪70年代，相关研究领域迎来了巨大的飞跃，当时一位名叫约翰·康韦（John Conway）的数学家发明了所谓的“生命游戏”（Game of Life）。康韦设想有一个黑白棋的棋盘，棋盘上的棋子可在黑白两种状态中变化。这些被称之为细胞的棋子的状态取决于临近细胞的状态。周围不存在或仅存在一个同类的黑色细胞会“死于”孤独，同时转变为白色细胞。如果周围存在两个黑色同类，则黑色细胞不会发生变化。如果有三个黑色同类，它就会“复活”，从白色转变为黑色。若增至四个，黑色细胞会死于拥挤——又退化为白色。于是，棋盘就变成了一块不断变化的马赛克。

康韦可以利用实际的棋盘来模拟出上述规则，但是当他和其他程序员对游戏进行了数字化模拟之后，“生命”开始变得复杂起来。若加快变化速度同时换成更大的棋盘，他们可以模拟出一系列令人惊异的图案，这些图案会在屏幕上不断进化。通过改变初始条件，他们模拟出了喷出阵阵烟雾的细胞式火车，或不断射出小滑翔机的机枪。当大部分软件还需要复杂的规则以模拟出简单行为时，“生命游戏”却背道而驰。也就是说，康韦构建了一种倏忽进化模型——他的这些黑白小精灵们具备了自组织成为新东西的能力。

十六年之后，一位名叫克雷格·雷诺兹（Craig Reynolds）的电脑动画师想要找到一种可以使得动画中大型群体的动作自动化完成的方法——即一种能够节约处理时间和资金的更高效算法。雷诺兹最终开发出了一款名为Boids的软件，它可以生成模仿鸟群的虚拟主体。虽然软件将诸如障碍回避和飞行物理学之类的行为纳入其中，但其核心为三条简单规则：向着邻近个体的平均位置移动，和它们保持一定的距离，以及与它们的平均航向保持一致（准线可用于度量个体之间运动方向的靠近程度）。看起来仅此而已。

在上世纪90年代早期，Boids和其他同类软件彻底革新了好莱坞。《蝙蝠侠归来》（Batman Returns）中的企鹅和蝙蝠都是利用Boids做出的动画。其派生软件包括Massive，技术人员利用它精心设计了《魔戒》（Lord of the Rings）三部曲中恢弘的战斗场面。这些成就已经足够令人惊叹，但Boids所创造的集群表明，在现实世界中，动物群体的出现也可能来自于同样的机制——而非源于自上而下的命令、有序群体的精神榜样或心灵感应（有些生物学家曾正儿八经地提出了上述论调）。正如亚里士多德所暗示的那样，复杂性来自于自下而上。

相关领域的研究开始逐渐活跃起来。1995年，维泽克对集群进行模拟；到了上世纪90年代末期，一位名叫德克·赫尔宾（Dirk Helbing）德国物理学家对以下情形进行了数字模拟：当逃离类似火灾之类的危险时，人们会不由自主在拥挤的街道上形成逃跑线路，同时陷入致命的挤压和踩踏——现实世界中经常会发生这样的事情。赫尔宾利用简单的“社交力量”来完成了模拟。他所做的就是告诉虚拟人类以优选速度向某个目的地进发，与墙体和其他人保持一定的距离，同时与邻近者的方向保持一致。几乎转眼间，暴乱就开始了。

到了二十一世纪初期，生物学和物理学中的集群研究开始出现了交叉。照相机和电脑视觉技术足以展现动物群体中的个体行为，而模拟技术也得到了越来越多的逼真结果。于是，研究者们开始提出了一些关键性的问题：生物群体所遵循的规则与“生命游戏”或维泽克模型中的法则同样简单吗？如果事实的确如此，那这些规则又是如何发挥作用的？

成形
改变简单参数会对群体产生深刻影响。仅通过控制吸引、排斥和调整（即与邻近者保持相同方向）三要素，研究者伊恩·卡岑就在完全类似于自然群的虚拟群体中诱导出了三种不同的行为。
——Katie M. Palmer

无序
只与最近邻近者的方向对其只会产生无序的群体。

环面
提升调整水平以后，无序群体变成了被称之为环面的甜甜圈形状。

聚集
当对群体施以最高程度的调整之后，环面消失；所有个体都超着相同的方向运动。

在研究集合之前，卡岑首先必须要进行收集。在苏格兰长大的卡岑非常喜欢宠物，但因为弟弟经常会产生各种各样的过敏，小时候他只能养一些极为非正统的宠物。“我在床后面养了一只蜗牛，在橱柜里养了一窝蚜虫，在学校的储物柜里也养了竹节虫，”他说。所有能聚集成群的生物都是他迷恋的对象。“我记得，有一次电视里播放鱼群在游动时，我看了一遍又一遍，就像着了迷一样。我原以为鱼没什么好看，但它们所形成的那些图案——”卡岑顿了一下，你几乎可以从他的眼中看到鱼群在打着转儿；很快他又回过神来。“我一直对这些图案抱有浓厚的兴趣，”他简练地总结道。

1996年，在成为弗兰克斯实验室的一名研究生之后，卡岑终于有机会对生物群进行研究。当时弗兰克斯正在尝试解决蚁群的自组织过程，于是卡岑加入了进来。他将每只蚂蚁涂上颜料，然后利用视频进行记录，然后不断进行重放，以追踪不同个体。“研究非常辛苦，”他说。更糟糕的是，卡岑对研究手段能够奏效产生了质疑。他认为肉眼不可能追踪到群体内大量的平行交叉。于是，他开始转向仿真群体的研究。他学着利用电脑编程来追踪蚂蚁——并最终对整个蚁群进行模拟。他的研究对象是蚁群而非单个蚂蚁。

对于生物学家来说，这一研究领域几乎是无人问津。“我原以为肯定有不少实验室在进行这方面的研究，”卡岑说。“但结果根本没找到，这让我很是惊讶。”不过最后，他发现了Boids。2002年，卡岑“破译”了这款软件，他将焦点放在了其本质的三要素上，即吸引、排斥和调整上。随后，他开始利用软件展开多方面的研究。当吸引和排斥出现时，调整随即关闭，卡岑的虚拟群保持松散和紊乱的状态。当他引入调整时，集群会合并成一个涡流状的甜甜圈，就像一群马鲛鱼所形成的图案。当他将涉及调整的范围进一步扩大以后，甜甜圈瓦解，所有个体都指向某个方向，并开始整体移动，就如同迁徙的鸟群一般。换句话说，所有这些不同的形状都来自于同一算法。“我开始将模拟视为是自己智力的外延，”卡岑说。“通过让电脑帮助我思考，我可以培养自己对于这些系统工作方式的直觉认识。”

到了2003年，卡岑又来到牛津大学研究蝗虫。当时世界各地的实验室都在对其他生物群展开秘密研究。细菌群落、粘液菌、鱼类、鸟类……越来越多的相关论文开始出现。但卡岑研究小组的工作，却首次向物理学家和生物学家展现了这两类学科是如何融合在一起的。研究动物行为“经常会涉及记笔记和其他文字记录，譬如‘大块头的大猩猩打了小个子的大猩猩’之类，”维泽克说。“但现在，我们已经步入了每秒可收集数百万字节数据再输入电脑进行分析的新时代了。”

39岁的卡岑现在是普林斯顿大学一个实验室的主任。他脸盘宽大，留着短发，黑框眼镜背后流露出来的眼神颇为严厉。卡岑所领导的这个19人研究小组表面隶属于生态学与进化生物学学院（Department of Ecology and Evolutionary Biology），但实际上包括物理学家和数学家。他们共用一间摆着八台高端工作站的办公室——这些配备有视频游戏显卡的工作站都被命名为Hyron，该词在克里特语中意为蜂窝。

出于逃脱和破坏庄稼的考虑，在美国研究蝗虫是被禁止的。因此，当2007年来到普林斯顿之后，卡岑知道自己必须换一种新的动物作为研究对象了。他曾经对鱼类做过一些研究，于是他便带着渔网、防水裤和一支意气风发的团队来到了附近的一个湖边。但折腾了几个小时以后，他们才抓到了一点点鱼。在附近的一座桥上，卡岑遇到了几位渔夫。“我原本想打听一下哪里有浅滩可以捕鱼，当走过他们身旁时，我看到他们的桶里有些成群的小鱼像疯了似的在游来游去。”这些小鱼都是体长在五六厘米左右的美鳊，“它们比我想象的还要普通些，”卡岑说，而且也极为廉价。于是一开始他便以70美元的价格购买了1000条美鳊。

当卡岑走进养鱼的房间时，这些鱼都挤到了水槽边上等着投食，一点也看不出有序集群的样子来。不过，等卡岑将小鱼都网出来放到旁边一个宽大的水池里以后，它们开始聚集在一起，像公路上汽车那样四处乱窜。研究人员已经将带颜色的液体和某种胶凝剂注射入它们小小的背鳍上；这两种物质会结合成为一块显眼的塑性标识，这样研究人员从水面上就可以对研究对象进行辨识。当鱼儿在水池中游动时，光线照亮塑性标识，摄影机就会拍下它们的运动。于是，卡岑利用这些不起眼的鱼类展开了研究，他的关注焦点已经超越了集群如何形成的范畴，开始转向了它们能够达成何种目标的问题。即这些小鱼通过集群获得了怎样的能力？

举例来说，当卡岑用灯光照射这些小鱼时，它们就会动作一致地游动至较暗的区域中，这大概是因为对于以“逃跑”作为主要防御武器的鱼类来说，黑暗即意味着相对安全。类似这样的行为通常可以用1964年首次提出的“错误稀释原则”（many wrongs principle）来解释。按照这一理论，每只鳊鱼都会对去向作出不完美的判断，而通过互动和聚合形成的群体则可以将这些有些小错误的判断平均起来，从而获得最佳的运动方向。上述概念用所谓的“群体智慧”来解释可能更确切，这一术语是由知名记者詹姆斯•索诺维尔基（James Surowiecki）推广开来的。

但是卡岑在实验室中对鳊鱼的观测结果表明，错误稀释理论并不正确。鱼群不会对不完美的判断进行稀释，因为个体根本不可能对更暗的区域作出评估。它们只是遵循着一条简单的原则：在阴暗处游动速度减慢。当无组织的鳊鱼群冲到一块黑暗区域时，处于边缘的鱼会减速，然后整个鱼群会旋转着融入黑暗之中。一旦避开光线，所有个体都会减速并簇拥到一起，像高速公路堵车一样。“这纯粹是一种突现特征，”卡岑说。“感应能力的确只有在集体层面上才会出现。”换句话说，没有一只鳊鱼会有目的性地游向某个目标。群体亦不具备拼凑的智慧。

集群领域的其他研究者也发现了群体智慧的类似壮举。每年春天，蜜蜂都会离开原有的聚集区去构建新巢。负责侦察的蜜蜂在勘察完毕之后，会通过摇摆尾部和八字形舞蹈来告知优质安巢地点的所在位置。虽然这种复杂的舞步中暗含着距离和方位等信息，但更为重要的方面在于，它能够激励其他外出侦察的蜜蜂。

康奈尔大学的行为生物学家托马斯·希利（Thomas Seeley）利用颜料来标记那些探寻过不同安巢地点的蜜蜂，结果发现那些主张某个地点的蜜蜂会用头来撞击拥护另一地点的同伴。如果跳舞蜜蜂被撞的次数足够多，它就会停止舞蹈。这种头槌是蜜蜂世界的直接表决方式。一旦有一方获得的支持超过了特定的临界值，整个蜂群就会飞离现有的巢穴。

寻找安巢位置的蜜蜂会具备某种由个体组成的蜂群思维。这种说法并不是什么毫无价值的隐喻。上世纪80年代，认知科学家们开始假定人类认知是一个突现过程。当人类大脑在进行思考时，不同类型的神经元会激活对不同选择的偏好，有些神经元就像舞蹈蜜蜂那样会激励某些邻近的同类活跃起来，还有些神经元就如同撞头蜜蜂一般，它们会抑制其他同类使其陷入沉默状态。这种竞争状态不断强化直至决策出现。此时，作为整体的大脑就会表态说，“右转”或“吃点甜点”。

在椋鸟中我们也能看到相同的动态变化：在晴朗的冬天傍晚，这种小黑鸟会成群聚集在罗马日落之前的天空中，就如同发出沙沙声的布匹一般。如果有猎鹰发动攻击，所有的椋鸟差不多会立即躲开，即便那些位于鸟群远端并没有看到威胁的鸟也会做出同样的反应。这种现象该如何解释？意大利物理学家安德里亚·卡瓦尼亚（Andrea Cavagna）揭开了这一秘密，他在某个博物馆寒冷的屋顶上利用三台摄影机拍摄了数千只椋鸟，然后再用电脑重构这些鸟的三维运动过程。在大多数信息从个体传递至个体的系统中，信息的质量会退化并遭到破坏——就像传声筒游戏那样。但卡瓦尼亚发现，椋鸟的运动获得了某种“无标度”方式的统一。如果一只转弯，其他所有成员都会转弯。如果一只加速，其他同类也会跟着加速。规则很简单——即与最邻近的几位成员保持动作一致，且不要撞上它们。不过，由于这些鸟类彼此所感知信息的质量退化速度远远慢于预期水平，因此椋鸟个体的知觉扩展至鸟群的边缘，于是整个鸟群便开始运动起来。

所有这些相似性似乎都指向某种关于群集的大统一理论——一种足以将种种群体行为线索合并起来的基础超级理论。在一篇论文中，维泽克及其同事就提出了这样一个疑问，在群体现象中，是否有可能存在“某些能够产生各种各样观察现象的简单基础自然定律（譬如热力学原理）”？

卡岑也考虑过这样的问题。“为什么我们要翻来覆去地思索？”他说。“因为这其中肯定有某些更深层次且更基本的东西。”生物学家们对趋同进化的概念非常熟悉，趋同进化是指来自独立谱系的动物拥有相似的适应性，如海豚和鲨鱼的流线型身体或蝙蝠和鲸类的回声定位能力。但群体算法的趋同进化是如何产生的呢？或许所有的群体都逐渐形成了会产生相同结局的不同行为，如蜜蜂撞头、椋鸟观察邻近同类以及美鳊的避光，又或者某些基本法则构成了一切事物的基础，行为就是从法则通向集合的桥梁。

斯蒂芬·沃尔姆拉姆（Stephen Wolfram）可能会支持后一种观点。这位英国数学家兼Mathematica软件的发明者在2002年出版了一部1200页的大部头专著，书名为《新型科学》（A New Kind of Science），他在书中假定，集群所呈现的突现性来自于驱使雪花、贝壳、大脑乃至宇宙自身产生复杂性的简单程式。沃尔姆拉姆曾断言自己的著作将有助于揭开群体算法之谜，但他的许诺并没有得到兑现。

与此同时，卡岑有些谨慎地宣称，这一研究领域已经触及了生命、宇宙以及万物的秘密。“存在一种可以解释股票市场、神经系统以及鱼群运动的基础理论，对于这样的暗示我非常谨慎，”他说。“这种想法有些幼稚。那种希望用一个方程来解释一切的想法具有危险性。”虽然物理学预测了卡岑所研究的蝗虫的相互作用，但相关机制是通过蝗虫的同类相食才得以体现出来的。数学无法阐述生物学，但生物学却蕴含着数学。

几乎所有得到能量输入的个体单元系统都会产生模式。当沿着一个震动平台弹跳时，金属棒们会组合形成涡流状。在培养皿中，肌肉蛋白被分子马达推动着进行单向迁移。肿瘤会大量产生恶性的迁移细胞，这些细胞会跟随着一小部分具有开拓性的前导细胞，对准并侵入周边组织。这些癌细胞看起来就像是一个迁移的群体；如果找到了相应的算法，或许我们就能够避免它们侵入重要器官或阻断其前进的步伐。

同样的法则也适用于复杂性增加时。视网膜是位于眼睛底部的一片光敏组织，它将视神经与大脑连接起来。普林斯顿大学的神经科学家迈克尔·贝瑞（Michael Berry）将多片视网膜装在电极上，然后向其播放视频，并观察它们的电生理学反应。在这个实验中，视频就相当于卡岑在鳊鱼实验中所使用的移动聚光灯——结果和鱼一样，贝瑞也发现了突现行为以及更多神经元的出现。“不管变量是方位、前进方向还是表决方式，我们都可以描绘不同系统的数学算法，”卡岑说。

在距离普林斯顿主校区数公里之外一个看似飞机库的实验室中，各式各样的潜水器被悬挂在天花板上。冷冽的空气散发着氯气的刺鼻气味，散发臭气的源头是一个约75立方米的水槽，它宽6米，深2.4米，这个水槽是四个体型如猫一般大小的精巧机器人的活动场所，这些机器人带有能够让它们在立体空间中游泳的背部和后部推进器。

这些机器人被称之为Belugas，科学家们建造它们的目的是为了测试群体行为模型。“我们正在研究一些不寻常的自然机制，”工程师内奥米·伦纳德（Naomi Leonard）说。她计划释放几个水下机器人吊舱，用于收集温度、水流、污染和其他多方面的数据。她的机器人还可以追踪移动梯度、规避彼此以及保持较远距离以避免收集多余数据——从理论角度来看，只要有相应的执行程序，更为复杂的功能就能开启。

但今天程序出了点问题。三台Belugas机器人被提出水槽，以便伦纳德的团队进行维修。水下的一台机器人由一根粗大的游戏操纵杆驱动，即处于手动操作状态。看似悠闲的控制过程具有很快的响应速度，一味蛮干根本起不到效果。

伦纳德有一份机器人协同工作的视频，它更具有说服力。机器人按照编好的反馈控制算法执行任务，譬如在模拟漏油点测定最高油浓度或独立收集“目标物”再合并到一起。

能构建一个成功的机器人团队表明研究者们已经解决了某些基本问题。虽然机器人团队已经成形，但其大多数个体都拥有复杂的人工智能或依赖于人类操纵者或中央电脑所发出的指令。在塔马斯·维泽克这位发明了早期群体模拟方式的物理学家看来，上述做法无异于作弊。维泽克目前正在尝试组建能像鸟群一样飞行的四轴飞行器群，个体飞行时依赖的基本参数只有邻近飞行器的位置、方向和速度。他希望自己的飞行器群能够成为下一代无人机，但到目前为止依然希望渺茫。“如果我们只是将我们和卡岑发现的简单规则硬套上去，那肯定行不通，”维泽克说。“飞行器经常会冲过头，因为它们的减速不够快。”

另一群研究者们正在尝试利用精巧的网络交流理论——与管理Facebook上好友关系的规则相类似——来试飞无人飞行器群，同时使用电脑动画软件Boids的修订版来控制飞行器的群飞行为。还有一支研究团队试图将群体行为应用于无人驾驶汽车领域——碰撞规避是鸟群飞行过程中的基本突现特性之一，而自动驾驶车辆最重要的性能之一便是不要撞到人或彼此碰撞。

到目前为止，Belugas所遭遇的最大障碍还是在工程学方面。机器人对命令的反应有延迟，其壳体的小小不对称性改变了它们的运动方式。从根本而言，解决这些零散的问题可能就是使集群研究上升至另一层面的关键所在。从Boids问世以来，科学家们就动物们是如何相互影响的问题提出了各种假设。但动物的复杂程度远远超出了模型，它们会感知世界，它们会交流，它们会进行决策。这些才是卡岑希望开发出来的能力。“我先从简单个体相互作用形成复杂模式开始，虽然这很不错，但现实世界的动物并非如此简单，”卡岑说。他从自己的书架上拿出一个塑料的乌鸦模型。“这就是一种相当复杂的生物。我们能够分析这些动物在立体自然环境的行为，这就是现在我们所处的研究阶段。”他们迈出的第一步可能是将一台廉价的微软Kinect游戏系统放入鸟舍，用红外线扫描整个区域并绘制空间图。

第二步是在现实世界中进行同样的测量。群体中的每只乌鸦都会携带能够记录其动作、身体化学物质、大脑活动以及视网膜图像的微型传感器。由此，卡岑就能够将每只鸟体内的细胞核神经元行为与鸟群的运动联系起来。这是一种增强版的蝗虫加速器——它将现实世界模型与技术结合起来，从而对那些个体已经被深入研究但作为群体却被忽视的生物展开前所未有的审视。“这样我们就能够真正理解这些动物是如何从彼此身上获取信息、相互交流以及做出决策的，”卡岑说。虽然他并不知道自己会有怎样的发现，但这就是作为群体一份子的美妙之处：即便你不知道自己要去哪，群体还是会将你带到正确的目的地。

Ed Yong（[email protected]）为《国家地理》撰写科普博客Not Exactly Rocket Science。