涌现

涌现

法默说，第一，这个想象中的法则将能够对涌现做出严谨的解释：当我们说整体大于部分的总和的时候，我们指的是什么？“这不是魔术，但当用我们人类粗陋狭小的大脑来感觉时，这就像是魔术。”飞翔的“柏德”（和实际生活中的鸟类）顺应着邻居的行为而聚集成群；生物体在共同进化之舞中既合作又竞争，从而形成了协调精密的生态系统；原子通过形成相互间的化学键而寻找最小的能量形式，从而形成分子这个众所周知的涌现结构；人类通过相互间的买卖和贸易来满足自己的物质需要，从而创建了市场这个众所周知的涌现结构；人类还通过互动关系来满足难以限定的欲望，从而形成家庭、宗教和文化。一群群的作用者通过不断寻求相互适应和自我完善而超越了自我，形成了更为宏大的东西。关键在于要弄清楚这一切的来龙去脉，而又不落入枯燥无味的哲学思辨、或新时代的玄想泥潭。

法默说，这正是广义的计算机模拟和狭义的人工生命的美妙之处：在台式计算机上，用一个简单的计算机模型，就能拿你的思想做实验，看看它们的实际效果如何。你可以通过计算机实验对一些模糊的思想做出越来越准确的定位，可以试着提炼出突发在大自然中实际运作的本质。而且，那段时间已有了许多可供选择的计算机模型，其中引起法默特殊兴趣的是关联主义（Connectionism）：这个概念的意思是一个由“连接物”相连的“节点”网络所代表的互动作用者群。在这一点上，他和许多人都有共识。在这十多年间，关联论模型突然遍布各处。首要的范例就是神经网络运动。在神经网络运动中，研究人员利用人工神经元网络来模拟诸如知觉和记忆恢复这类的事情，并自然地对人工智能主流研究的符号处理方法发起了猛烈的攻势。但紧追其后的就是桑塔费研究所建立的基地，包括荷兰德的分类者系统、考夫曼的基因网络、还有他和派卡德以及罗沙拉莫斯的爱伦·泊雷尔森于八十年代中期为研究生命起源而建立的免疫系统模型。法默承认，这些模型中的有一些看上去并不很符合关联论，很多人在初次听到他们这样描述事物时都感到非常惊讶。但这只是因为这些模型是在不同的时间、被不同的人建立起来解决不同问题的，所以它们用以描述的语言也会不同。他说：“当你还原一切时，所有事物看上去都是一样的。你其实可以只建立一个模型，然后移于另一方面的模拟。”

当然，在神经网络中，节点一关联物结构是非常明显的。节点就相当于神经元，而关联物就相当于连接神经元的突触。比如说，一个程序员有一个神经网络模型的想象，他或她能够用激活一定的输入节点，然后让这一激活作用传遍这个网络的其余关联物的方法来模拟落在视网膜上的光线明灭。这个模拟效果有点类似于将货物船运到少数几个沿海城市的港口，然后让无数辆运输车通过高速公路将这些货物运往内陆城市。但如果这些关联物的布局不尽合理，那么这个网络在被激活后很快就会落入一个自我统一的型态，就相当于识别这样一幕：“这是一只猫！”而且，即使输入数据非常嘈杂、非常支离破碎，或就此而言，即使有些节点已经烧焦了，这个网络也同样会采取行动。

法默说，在分类者系统中，节点一关联物结构相当含糊不清，然而这一结构确实存在。一组节点就是这组可能的内部布告，比如像001001110111110，而关联物正是分类者规则。每一条规则都在系统的内部布告栏上寻找某条布告，然后通过张贴另一条布告来与寻找到的布告相呼应。通过激活某些输入节点，也就是，通过在布告栏上张贴相关的布告，程序员就能让分类者激活更多的布告，然后再激活更多布告。其结果就是布告如瀑布般飞溅，类似于将激活作用传遍整个神经网络。而且，就像神经网络最终会安顿在一种自我完善的状态中一样，分类者系统最终也会形成一种稳定的状态，组成这个状态的活性布告和分类者能够解决当前的问题。或者，用荷兰德的话来表述，这代表了一种涌现的心智模型。

这种网络结构也存在于他和考夫曼、派卡德建立的自动催化和生命起源的模型之中。在他们的模型中，这组节点就是所有可能的聚合体物种群，比如像 abbcaad，而关联物就是模拟的聚合物群中的化学反应：聚合物A催化了聚合物B，并依此类推。通过激活特定的输入节点，即通过在这个模拟的环境中向这个系统稳定地输送微小的“食物”聚合物，就能引发瀑布般的反应。而这些反应最终会安顿下来，形成一种能够自我维生的活性聚合物和催化反应的型态：即，他们假设的从初始原汤中涌现出来的某种原始有机体的“自动催化组”。

法默说，这对老夫曼的基因网络模型和其它许多模型都同样适用。这些模型都潜在着同样的节点一关联物的构架。确实，几年前，当他刚刚认识到这一共同点时，他高兴得把这一切写成一篇题目为《关联主义的罗塞达碑》的论文，并发表了出来。法默在这篇论文中说，一个共同构架的存在消除了我们的一切疑虑，因为摸象的瞎子们至少已经把手摸在了同一头大象身上。而且还不止这些，对致力于研究这些计算机模型的人们来说，这个通用的构架排除了不同术语的障碍，使相互之间的沟通变得比以往容易得多了。“在这篇论文中，我认为重要的是，我设计出了一个模型之间的实际翻译机制。我可以把免疫系统的模型拿过来说：‘如果这是个神经网络，那就可以如此这般地来看这个模型。’”

法默说，但也许，拥有一个通用构架的最重要的理由是，它能够助使你提炼出各种模型的本质，使你把注意力转向研究涌现在这些模型中的实际情形。在这种情况下，很显然，力量确实存在于关联之中，这便是这么多人为关联论而兴奋激动之处。你可以从非常非常简单的节点，线性“聚合物”开始，“布告”只不过是二进制数学，“神经元”基本上也只是开开闭闭的开关。然而它们却能仅仅通过相互作用就产生令人吃惊的复杂结果。

以学习和进化为例。既然节点非常简单，那么网络的整体行为几乎完全就是由节点之间的相互关联来决定的。或用朗顿的话来说，相互关联中编入了网络的泛基因型密码。所以，如果要改善这个系统的泛表现型，只消改变这些节点之间的相互关联就行了。法默说，事实上，你可以通过两种方法来改变这种相互关联。第一种方法是让这些关联还呆在原地，但改善它们的“力度”，这相当于荷兰德说的采掘式学习：改善你所原有的。在荷兰德的分类者系统中，这种改变是通过水桶大队算法来实现的。这个算法对导致了良性结果的分类者规则实行奖赏。在神经网络中，这是通过各种学习算法来实现的。对算法的学习带给网络一系列的已知输入，然后加强或减弱关联的力度，直到这一关联能做出恰当的反应。

第二种更彻底地调整关联的方法是改变网络的整个线路布局，摘除一些老的关联点，置入新的关联点。这相当于荷兰德说的探索性学习：为获得大成功而做大冒险。比如，在荷兰德的分类者系统中，通过两性交配，产生不可模拟的新版本，从而达到基因算法的相互混合，正是这种情形。由此产生的新规则常常带入以往从未有过的新信息。这样的情形同样也出现在自动催化组模型中，出现在当偶尔有新的聚合物自动形成的时候，其情景就好像在现实世界发生的那样。由此产生的化学关联点能够给自动催化组打开在聚合物空间探索全新世界的大门。但在神经网络中这却不是常情，因为神经网络的关联原本是不能移动的突触的模拟。但最近在不少神经网络迷做的实验中，神经网络确实能够通过学习而重新布线。他们的理由是，任何固定的线路布局都是任意的，应该允许发生改变。

法默说，简而言之，关联论的概念说明，即使节点和单个作用者是毫无头脑的死物，学习和进化的功能也能涌现出来。更广义地说，这个概念非常精确地为一种理论指明了方向：即，重要的是加强关联点的力度，而不在于加强节点的力度，这便是朗顿和人工生命科学家所谓的生命的本质在于组织，而不在于分子。这一概念同时也使我们对宇宙中生命和心智从无到有的形成和发展，有了更深刻的了解。