1701067491
▲图13.11
1701067492
1701067493
图13.12：事实上，没运行多久就发生了这种情况：c—j对应被打破，c—J对应重新建立起来。另外，abc与mrrjjj整个字符串之间的对应也建立起来了；上面标着整体⇒整体（whole⇒whole），后继组合⇒后继组合（sgroup⇒sgroup），右⇒右（right⇒right，组合中连接的方向），后继⇒后继（successor⇒successor，组合中连接的类型），字母⇒长度（letcat⇒length），以及3⇒3（组合的长度）。
1701067494
1701067495
现在程序建立的认知结构已经非常一致了，使得温度降得很低（11），由于温度低，一个码片已经成功根据工作区中给出的移位（字母⇒组合，字母⇒长度，其他对应都是不变对应）得出了规则。得出的规则就是“将最右边的组合的长度用其后继进行替换”，从而得出答案mrrjjjj。
1701067496
1701067497
1701067498
1701067499
1701067500
▲图13.12
1701067501
1701067502
从上面的叙述可以清楚地看到，由于模仿者每次运行都充满了随机决定，因此运行得出的结果也可能会不一样。图13.13显示了模仿者1000次运行中给出的不同答案，每次运行都有不同的随机数种子。各种答案的立方条高度表示答案的出现频率，上面标了具体的次数。立方条下面则给出了各种答案最后的平均温度。
1701067503
1701067504
答案的频率大致上对应于答案相对于程序的显见程度。例如，对于程序来说，出现了705次的mrrkkk就比只出现了42次的mrrjjjj要显见得多。但是得出mrrjjjj后的平均温度还是比得出mrrkkk后的平均温度要低得多（分别是21和43），这表明虽然后者更显见，程序还是认为，根据答案结构的一致性，前者要好于后者。
1701067505
1701067506
1701067507
1701067508
1701067509
▲图13.13让模仿者运行1000次，每次的随机数种子都不相同，得出的最后答案的样条图
1701067510
1701067511
复杂 [:1701064801]
1701067512
总结
1701067513
1701067514
通过程序运行中表现出来的机制，模仿者避开了认知的第22条军规：你无法探索所有可能，但如果你不探索它们，你就无法知道哪种可能值得探索。你必须毫无偏见，但需要探索的领域又太大；你需要利用概率来让探索公平。在模仿者受生物启发的策略中，最初是信息很少，使得温度很高，也很随机，许多探索并行进行。随着获得的信息越来越多，适当的概念被发现，温度降低，探索也变得越来越具有确定性，一系列特定概念开始占据主导。整体上使得系统从极为随机、并行和自底向上的处理模式逐渐转变成确定、连贯而且集中的模式，逐步发现对情形的一致性认知并渐渐让其“凝结”。就像我在第12章阐释的，处理模式的逐步转变似乎是一些复杂适应系统的共性。
1701067515
1701067516
模仿者与生物系统的相似性迫使我们从更广泛的角度来思考和理解我们所建立的系统。例如，人们可能会注意到，细胞因子在免疫系统中传递信号的作用就类似于码片在类比问题中唤起对特定位置的注意，这实际上就是在广义的信息处理层面上认识生物学单位的功能。类似的，如果注意到了免疫系统中的温度现象——发热、炎症——来自于许多自主体的联合行动，人们也许就会受到启发，从而更好地对模仿者这样的系统中的温度机制进行建模。
1701067517
1701067518
最后还有棘手的意义问题。在第12章我曾说过，就传统计算机来说，信息对于计算机本身是没有意义的，只对人类创造者和“最终使用者”才有意义。然而，我还是认为模仿者代表了一种相当不传统的计算模型，对于它所具有的概念和它所做的类比，它能理解一种非常初级的意义。例如，后继组合的概念在网络中与其他类似的概念相联，模仿者能够认识这些概念，并在各种情形中合理地利用这些概念。在我看来，这就是意义的开端。但是就像我在第12章说的，意义与生存和自然选择密不可分，而模仿者还没有涉及这一些，只是在降低温度这一点上与“生存”本能有一点点关联。从这方面来说，模仿者（以及后来由侯世达的研究团队研发的一系列让人印象更加深刻的程序 [187] ）与生物系统还有着很大的区别。
1701067519
1701067520
AI的终极目标是让人摆脱意义的怪圈，并且让计算机本身能理解意义。这是AI中最难的问题。数学家罗塔（Gian-Carlo Rota）称这个问题为“意义屏障”， [188] 不知道AI是否或何时能“破解”它。我个人认为这不是短时间能做到的，但如果能够破解，我怀疑类比将是关键。
1701067521
1701067522
复杂 [:1701064802]
1701067523
第14章 计算机模型
1701067524
1701067525
复杂系统顾名思义就是很复杂的系统，而物理、化学、数学、生物学这些以数学为导向的学科关注的往往是易于用数学处理的简单而理想化的系统。复杂系统很难单独用数学进行处理，不过现在的计算机速度越来越快，价格也越来越便宜，已经有可能构造复杂系统的计算机模型并进行实验。图灵、冯·诺依曼、维纳（Norbert Wiener）等计算机科学先驱都希望用计算机模拟能发育、思维、学习和进化的系统。一门新的实践科学由此诞生。在理论科学和实验科学之外又产生了一个新的门类：计算机仿真（图14.1）。在这一章，我们来看一看复杂系统的计算机模型能告诉我们什么，用这样的模型来进行研究又会有哪些陷阱。
1701067526
1701067527
复杂 [:1701064803]
1701067528
模型是什么
1701067529
1701067530
在科学中，模型是对某种“实在”现象的简化表示。科学家们说是在研究自然，但实际上他们做的大部分事情都是在对自然进行建模，并对所建立的模型进行研究。
1701067531
1701067532
以牛顿的引力定律为例：两个物体之间的引力正比于它们质量的乘积。这是对一种特定现象的数学描述——也就是数学模型。还有一种模型是用较为简单的概念来描述现象实际是如何运作的，也就是所谓的原理。在牛顿的时代，他的引力定律受到质疑，就是因为他没有解释引力的原理。也就是说，他没有用“大小、形状和运动”等物理对象的属性对其进行解释——根据笛卡儿的思想，这些基本要素是所有物理模型必要而且充分的组成部分 [189] 牛顿自己推测过引力的可能原理，例如，他“猜想地球就像海绵一样， [190] 不断吸收天空降落下来的轻质流体，这种流体作用到地球上的物体上，导致它们下降”。这种概念框架可以称为原理模型。200年后，爱因斯坦提出了一种不同的引力原理模型——广义相对论，在其中引力被概念化为四维时空的几何特性。现在，一些物理学家又在鼓吹弦论，提出引力是由细小、振动的弦导致的。
1701067533
1701067534
1701067535
1701067536
1701067537
▲图14.1 在理论科学和实验科学的传统划分之外又产生了一个新的门类：计算机仿真（David Moser绘制）
1701067538
1701067539
模型是我们思维的方式，是用我们熟悉的概念解释观察到的现象，所用到的概念是我们的头脑能够理解的（就弦论来说，则是少数非常聪明的人能够理解的）。模型也是预测未来的途径：比如说，牛顿的引力定律仍然被用来预测行星轨道，而爱因斯坦的广义相对论则成功预测了那些所预测的轨道的偏差。
1701067540