昆虫准智能的动态：一群没有意识的蚂蚁如何协同移动一只甲虫

《BioSystems》：Dynamics of Insect Paraintelligence How a Mindless Colony of Ants Meaningfully Moves a Beetle

　　A.K. Bisenbaev
哈萨克斯坦共和国科学与高等教育部哲学、政治学与宗教研究研究所，阿拉木图，哈萨克斯坦共和国

摘要
本文提出并形式化了“随机性矢量耗散”这一新概念。该概念阐述了复杂多组分系统如何通过过滤随机方向、在环境中积累信息以及各主体的自我组织，从混沌状态转变为有序状态。随机性矢量耗散解释了个体随机策略如何演变为具有集体目标导向的行为，从而在无需中央控制的情况下形成有序结构。在此框架下，“准智能”被定义为一种功能性的、非反射式的集体认知模式，即分散式系统能够在没有个体意识主体的情况下产生类似理性的结果。为验证所提出的模型，研究者对“蚂蚁与甲虫”系统进行了数值模拟：其中的主体（蚂蚁）会随机选择移动方向，但通过反馈机制和弱策略，它们能形成一股协调一致的甲虫移动向量。随机性矢量耗散是一种普遍适用的机制，可应用于各种自我组织系统，包括生物种群、分散式技术网络、社会学过程以及人工智能算法。

引言
静态状态通常较易理解，无生命系统的有序性也已有较多研究。然而，由无意行为产生的动态与秩序则需进一步科学探讨。这里有一个核心问题：无意识的超集体行为如何通过涌现机制产生有意识的特定结果？也就是说，最初缺乏意识或目的性的众多个体行为，是如何形成具有全新质量、意义和功能的结构、模式或解决方案的？在自然界及人类社会的经济、社会网络等领域，此类现象比比皆是。

系统层面的行为并非直接源于系统中各个元素的个体行为。这些元素既无意识也无意图去促成某种涌现，它们各自只追求自身的局部目标，不存在统一计划。然而，经过一系列迭代后，简单的个体行为逐渐同步，形成一种无意识但有效的集体行为，并进而形成稳定模式。当这类无意识行为的数量达到某个临界值时，就会发生相变——集体行为变得稳定且可理解，外部观察者会将其视为具有目标导向甚至意识的行为。在复杂系统中，微观层面的大量相互作用会导致相变，当相互作用达到临界阈值时（如渗透效应），行为结构或组成部分会发生质变，最终形成看似“有意义”的结构（例如，无理性实体产生理性行为）。系统内的反馈机制则为这一过程提供了某种稳定性。

一旦形成涌现行为，各主体便会感知到它，并根据新的状态调整自身行为，从而使这种行为得到强化，最终形成有意识且稳定的结果。总体而言，个体层面的随机性与无意识性，会在系统整体层面产生清晰、有意义且具有目标导向的结果。不过，集体行为中的随机性并不会简单地转化为某种秩序——随机性本身有时也能偶然产生某种秩序。尤其是，随机性能够凝聚意义。集体无意识行为并非仅仅“变得有意识”，它必然会压缩成某种结构，如盐晶、蛋白质或信息。最有意义的结果往往是能量消耗最低、最符合能量最优化的结构。从这个意义上说，意义是随机性压缩的最终阶段。

随机性的压缩中蕴含着意义。假设执行随机行为的主体数量增加，到了某个临界点，信息开始自我组织，形成一个带有微小波动的统一公式或行为算法。也就是说，随机性会自然地压缩成有序的算法。此处，随机性被视作原始信息场，信息则是结构化的随机性，而行为算法则是经过压缩和优化的信息。此外，集体随机性也存在饱和阈值，超过该阈值后系统便开始自我组织。当主体数量超过某一临界值时，系统会“选择”能量效率最高的行动算法。系统总是从所有可用选项中选择最简单的算法，主体数量越多，这种效应就越明显。这正是为什么集体无意识总能带来有意义的结果——系统会自动排除不必要的“噪声”。

当一个无意识的系统崩溃为“有意识”行为的算法时，随机性并不会完全消失，局部波动仍会存在。假设一群蚂蚁发现了甲虫，起初它们的行为是随机的——它们只是在甲虫周围混乱地游动。每只蚂蚁都有一组行为向量，比如10个甚至100个随机方向。其中某个随机向量恰好带来积极结果——例如，将甲虫推向蚁巢的方向。这可能是由于蚂蚁识别出了信息素轨迹或基于方向的感知。熟悉的轨迹气味或蚁巢本身的气味则成为正确随机行为的信号。此外，蚂蚁还可能根据周围其他蚂蚁的数量来调整方向。离蚁巢越近，遇到的蚂蚁就越多。实际上，蚂蚁不断在通往甲虫和返回蚁巢的路径上移动，通过“存在效应”形成感知锚点。渐渐地，与成功移动相关的向量会被强化和稳定，而其他随机向量则会逐渐消失。最终，便形成了一种统一的、随机但最终正确的行为向量的集体公式。

这种看似简单的自我组织机制，解释了众多随机行为向量如何汇聚成一种集体行动的统一公式。因此，随机的集体行为必然会演变为有意义的涌现结果。本质上，蚂蚁与甲虫系统就像一种天然的计算算法，它能过滤随机性，仅保留最优的行为向量。所有向量初始时的概率相等，第一次成功的随机事件会产生积极信号，蚂蚁们便会开始跟随这个向量，因为这会增强反馈循环。迭代次数越多，非最优的随机向量就会被越有效地过滤掉。这种过滤效应会因“存在效应”（蚂蚁来回移动，强化空间线索）以及信息素浓度和蚂蚁数量的增加而进一步增强。在最后的迭代中，只剩下一个单一的涌现向量，仅有微小的波动可能持续存在。

因此，“有目的”的行为可以被理解为自然随机性过滤的结果。不过，单纯模仿他人的行为本身并无意义。只有当他人的行为与蚂蚁自身的内在倾向一致时，它才会被模仿。例如，另一只蚂蚁可能会随机推动甲虫，而恰好甲虫会朝着蚁巢或熟悉的小路移动，或是朝其他蚂蚁聚集的地方移动。这样的行为会因为信息素场的增强或空间定位线索的激活而成为模仿的触发因素。因此，蚂蚁并非简单模仿，而是通过他人的行为来校准自身的行为，确认正确的向量。从这个意义上说，模仿过程不仅涉及社会行为，还包含一种校准主体自身世界模型的机制。

涌现现象并非仅通过机械调节、模仿和正反馈产生，它也可能在个体层面出现。也就是说，每只蚂蚁都能独立找到正确的算法，最终共同形成统一的行为算法。换言之，每只蚂蚁都会独立计算出正确的响应，然后所有个体的解决方案会同步。这并非单纯的集体随机性过滤，而是每个主体独立适应的过程，属于一种个体生物物理学习。

当每只蚂蚁都独立学会之后，它们的个体算法就会开始趋同。这是因为所有蚂蚁都在相同的局部信号环境中活动。尤其是在蚂蚁与甲虫系统中，各主体不可避免地会相互互动，从而强化这种效应。最终的算法会在集体概率分布中固定下来，被解读为一种统计总和——即集体解决方案。因此，整个算法并非自上而下形成的，而是自下而上生成的。个体主体因为共享同一个“解空间”，所以能独立发现相同的解决方案。环境本身则充当了“隐形教师”的角色，以相同的方式教育所有个体。这就是信息压缩这一基本效应显现的地方。

因此，随机行为并非只是被过滤，它还会在每个主体内部独立演化。但由于所有主体的“解空间”相同，所以每个主体都会得出相同的“正确”涌现策略。这不仅仅是反馈，更是个体学习的集体成果。每只蚂蚁都是独立“计算”出正确的算法，而非简单模仿他人。看似“集体智能”的现象，实际上可以理解为在共享环境中大量独立学习的结果。在这种情况下，集体智能在缺乏中央控制的情况下运作最为高效。在蚂蚁与甲虫系统中，不存在领导者或下属。

总体而言，这是一种混合过程，个体行为与过滤、行为模仿以及各种环境因素相结合，从而产生了涌现现象。非理性的（非最优的）随机向量会被压缩掉，留下以“有意义”行为模式形式存在的理性行为结构。我们将这种将所有可能的随机行为向量压缩成单一、稳定的涌现动态的现象，定义为“随机性矢量耗散”。

随机性矢量耗散被理解为这样一种过程：在复杂系统中，各个个体主体所具有的众多随机行为向量，通过个体学习、基于共振的模仿以及在“无意识”层面过滤弱信号等机制，逐渐汇聚成一种稳定且有意义的结构。随机性矢量耗散能够解释为何由许多独立的、无意识的主体构成的系统，能够在没有中央控制的情况下生成全局性的、“有意识”的行为算法。

因此，本研究要解决的研究空白并非已经得到充分证实的自我组织的普遍存在性，而是那些局部随机行为如何在保持无意识且分散化的同时，转变为稳定的集体向量这一具体机制。现有的群体智能模型、蚁群优化算法、粒子群优化算法、渗透效应模型以及集体运动模型虽然描述了这一问题的一些重要方面，但并未将个体随机学习、基于共振的模仿、弱信号过滤以及环境信息积累明确地结合为一个可解释的涌现机制。

本研究的目的是将随机性矢量耗散形式化，作为一种机制，说明在分散式的生物系统中，局部随机行为如何在没有中央控制或反射性意识的情况下，汇聚成稳定的集体方向性。蚂蚁与甲虫系统在这里被当作一种受生物学启发的、用于模拟集体运动的简化计算模型，而非对某种特定蚂蚁物种的直接实证再现。

本研究旨在回答三个研究问题：
RQ1：如何通过局部学习、基于共振的模仿以及弱信号过滤，将个体的随机行为转化为协调的集体向量？
RQ2：如何将这些机制体现在一个标准化的内涌现函数中，使其在不同的自我组织系统中都具有可解释性？
RQ3：在何种参数条件下，蚂蚁与甲虫系统会从混沌运动转变为稳定的方向性协调？

章节节选
文献综述
本研究的一个核心出发点，是区分社会昆虫中的个体认知与集体认知。社会昆虫群体往往通过个体之间的分布式互动来解决具有生态意义的问题，从而使群体整体的表现能力超越单个个体的认知能力（Feinerman & Korman, 2017）。在此背景下，我们提出的“准智能”概念，并非要取代已有的集体认知概念，而是……

随机性矢量耗散的概念与操作定义
在本研究中，基于主体的建模被用作主要的模拟框架。此处，基于主体的建模被理解为一种自下而上的计算方法，其中每只蚂蚁都被视为一个具有位置、一组允许的移动向量、这些向量的概率分布以及局部更新规则的独立主体。ABM的目的并非重现某一特定蚂蚁物种的全部行为特征，而是提供一个简化的计算环境，在其中通过局部随机决策来实现从混沌状态到有序行为的转变。通过方法论中定义的VDR机制和NEF，新兴行为函数E(t)可被理解为蚂蚁-甲虫系统通过智能体适应、局部学习、信息积累以及对随机策略的筛选，从而从混乱的游荡状态转变为甲虫的协调运动。由于ABM和NEF的方法论框架已明确界定，本节不再重新定义这些概念，而是着重解读模拟结果。

从蚂蚁的混沌游荡到协同行动的相变是逐渐发生的。在这一过程中存在多种不同的涌现现象。起初，甲虫的运动由众多蚂蚁共同驱动，呈现出混乱的多方向性，但随着时间推移，蚂蚁的行为逐渐变得更有序，甲虫的运动也更加有方向性。最终，除了少数例外，蚂蚁们会聚集在某一侧，共同将甲虫沿着一条路径朝某个特定方向推动。

本研究探讨了随机性向量消散机制（VDR），该机制通过动态筛选随机策略以及环境中的信息积累，解释了复杂的蚂蚁-甲虫系统如何从混沌行为转变为有序的集体行动。在该系统中，各个智能体的随机策略会经历筛选：无效的运动方向会被剔除，而有效的策略则会得到强化。

参考文献：Assareh等人，2010年；Dorigo和Blum，2005年；Lawrence等人，1997年。

利益冲突声明：作者声明不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。