5D Library › 集群动力学、耦合振子同步与分布式共识的数学模型 · English
第四章 没有信号的领导:知情少数、未知情者与群体共识
谁在带路
迁徙的鸟群、觅食的鱼群里,往往只有少数个体知道食物或目的地在哪里,它们也不会发出「跟我走」的信号,其他个体甚至不知道谁是知情者。群体怎样被带到正确的方向?群体内部意见冲突时,又由谁说了算?康拉特与罗珀 2003 年用一个简单的模型比较了动物群体的两种决策方式:由一个「独裁」个体决定,或由多数个体「民主」决定;在他们的模型中,民主决策的平均代价通常更低,因为它较少做出极端的选择 (Conradt and Roper 2003)。本章讨论库赞等人的两项研究:2005 年的「有效领导」与 2011 年的「未知情者促进民主共识」。
证据
少数知情者可以带动鱼群。 里布斯 2000 年的鱼群实验研究了一个问题:少数知道觅食地点的个体,能否决定整个鱼群的觅食移动 (Reebs 2000)。这类实验为下面的模型提供了动物行为上的背景。
有效领导:所需比例随群体规模下降
证据
库赞等人 2005 年。 库赞、克劳泽、弗兰克斯与莱文在《自然》上用一个空间模型研究这个问题:个体彼此保持最小距离,并与一定范围内的邻居对齐、靠拢;其中比例为 的个体知道一个偏好方向 ,以权重 把它加入自己的期望方向;没有人知道谁是知情者 (Couzin et al. 2005)。主要结论有三条。第一,群体运动方向的准确度随 增大而趋于饱和,群体越大,引导群体所需的知情者比例越小;很小的比例就能得到很高的准确度。第二, 与准确度正相关,但 越大,群体越容易分裂,准确与内聚之间存在权衡。第三,两组知情者偏好不同方向时,如果两组人数相等,偏好相差较小时群体取平均方向,相差较大时群体随机选择其中一个方向;如果人数不等,即使多数只多一个人(例如 6 对 5),群体也倾向于多数的方向。文中提到蜜蜂分蜂时侦察蜂约占 5%,并推测蜂群已处于准确度的饱和区。
框架把这一结论写成「知情者比例随群体规模下降规律」,事实上原文只给出定性的趋势与模拟曲线,没有一个普适的比例;「约 5%」是对蜜蜂的引述,不是这个模型的定律。戴尔等人 2009 年在人群实验中检验了类似的问题:他们报告了三组实验,其中在 100 与 200 人的步行人群中,少数知情者同样足以引导大群未知情者 (Dyer et al. 2009)。
程序用一个只有方向、没有位置的简化模型考察第一条结论:每一步,每个个体随机看 7 个同伴(粗略代替第三章的拓扑邻居),转向它们与自己的单位方向之和;知情者再加上 ;方向误差的标准差为 0.4 弧度。模拟 400 步,以第 200 到 400 步群体方向与 夹角余弦的平均值作为准确度(1 表示正对目标,0 表示没有信息),每种组合模拟 10 次。程序最后让两组各 5 名知情者(共 50 人)偏好相差 度的方向,看群体最后是取平均方向还是选择其中一个。
推导
# Leadership without signalling, in a heading-only caricature of Couzin et al. (2005).
# Each step every individual looks at k = 7 randomly drawn others (no positions are
# modelled) and turns to the direction of the sum of their unit headings plus its own; an
# informed individual adds w * g (g = preferred direction, w = 0.5). Gaussian turning
# error SD 0.4 rad. Nobody knows who is informed. 400 steps; accuracy = mean of
# cos(group heading - g) over steps 200..400 (1 = on target, 0 = no information).
import math, random
def run(N, n_inf, rng, w=0.5, k=7, sd=0.4, steps=400, goals=None):
th = [rng.uniform(-math.pi, math.pi) for _ in range(N)]
goals = goals or [0.0] * n_inf # preferred directions of the informed
acc, heads = 0.0, []
for t in range(steps):
c = [math.cos(a) for a in th]; s = [math.sin(a) for a in th]; new = []
pick = rng.choices(range(N), k=k * N) # k random others per individual
for i in range(N):
nb = pick[k * i:k * i + k]
sx = c[i] + sum(c[j] for j in nb); sy = s[i] + sum(s[j] for j in nb)
n = math.hypot(sx, sy) or 1.0; sx, sy = sx / n, sy / n
if i < len(goals):
sx += w * math.cos(goals[i]); sy += w * math.sin(goals[i])
new.append(math.atan2(sy, sx) + rng.gauss(0, sd))
th = new
if t >= steps // 2:
psi = math.atan2(sum(map(math.sin, th)), sum(map(math.cos, th)))
acc += math.cos(psi); heads.append(psi)
return acc / (steps - steps // 2), heads[-1]
if __name__ == "__main__":
rng = random.Random(2005)
print("accuracy (mean of 10 runs) by group size N and share of informed individuals")
shares = (0.05, 0.10, 0.20, 0.40)
print(" N " + "".join(f" p = {p:4.2f}" for p in shares))
for N in (10, 30, 100, 300):
row = []
for p in shares:
n = max(1, round(p * N))
row.append(sum(run(N, n, rng)[0] for _ in range(10)) / 10)
print(f" {N:4d} " + "".join(f" {a:6.3f} " for a in row))
print("two informed subgroups of 5 (N = 50) whose targets differ by D degrees;")
print("share of 10 runs ending within 15 deg of the average / of either target")
for D in (60, 150):
g = math.radians(D / 2); mid = side = 0
for _ in range(10):
psi = run(50, 10, rng, goals=[g] * 5 + [-g] * 5)[1]
mid += abs(psi) < math.radians(15)
side += min(abs(psi - g), abs(psi + g)) < math.radians(15)
print(f" D = {D:3d}: average {mid / 10:.2f} one target {side / 10:.2f}")
# accuracy (mean of 10 runs) by group size N and share of informed individuals
# N p = 0.05 p = 0.10 p = 0.20 p = 0.40
# 10 0.896 0.883 0.920 0.962
# 30 0.944 0.943 0.976 0.987
# 100 0.968 0.985 0.991 0.996
# 300 0.994 0.995 0.998 0.999
# two informed subgroups of 5 (N = 50) whose targets differ by D degrees;
# share of 10 runs ending within 15 deg of the average / of either target
# D = 60: average 0.80 one target 0.20
# D = 150: average 0.60 one target 0.00第一部分复现了「所需比例随规模下降」:要使准确度达到 0.95 以上,10 人的群体需要 40% 的知情者(0.962),30 人需要 20%(0.976),100 人与 300 人在 5% 时就已达到(0.968 与 0.994)。仔细看,准确度大致取决于知情者的人数而不是比例:10 人中 4 名知情者为 0.962,30 人中 6 名为 0.976,100 人中 5 名为 0.968。在这个平均场式的简化模型中,群体方向的随机漂移与知情者的拉力都按 缩小,两者之比只取决于知情者的人数,所以所需比例约按 下降。库赞等人的空间模型也得到比例下降的结论,但下降的具体形式还取决于空间结构,这个简化模型不能代替它。
第二部分显示了简化模型的局限:两组目标相差 60 度时,10 次中有 8 次最后落在平均方向附近;相差 150 度时也没有一次选择其中一个目标(6 次在平均方向附近,其余在两者之间徘徊)。这个模型只会折中,不会「二选一」。伦纳德等人 2012 年的解析模型说明,群体在折中与选择之间的分岔需要非线性的耦合机制 (Leonard et al. 2012);没有这种机制的模型不能用来讨论群体如何在冲突中做出选择。
未知情者把控制交还多数
证据
库赞等人 2011 年。 库赞、约安努、德米雷尔、格罗斯、托尔尼、哈特内特、康拉特、莱文与伦纳德在《科学》上报告了理论与实验 (Couzin et al. 2011)。实验用金体美鳊:6 条鱼被训练游向蓝色目标(多数,偏好较弱),5 条鱼被训练游向黄色目标(少数;金体美鳊对黄色本有偏好,对黄色的训练也更快、更可靠,因此这一组偏好强烈)。没有未训练个体时,鱼群在八成以上的试次中游向黄色——偏好强烈的少数控制了群体;加入 5 条未训练的鱼后,游向蓝色的比例约为一半;加入 10 条后,约七成游向蓝色。模型给出了同样的趋势,而未知情个体过多时,群体的选择变得接近随机。作者的解释是:个体倾向于跟随看到的多数,偏好强烈的个体较能抵抗这种社会影响;未知情者只对数量差异作出反应,从而抑制了强硬少数的影响力,使群体回到「数量上的多数」一边(以上百分比据普林斯顿大学 2011 年 12 月的新闻稿;独立核查未能取得《科学》原文,《科学新闻》的同期报道给出一致的数字——没有未训练个体时八成以上、加入 5 条时约一半、加入 10 条时少数一方胜出低于四成——但它们都不是论文原文,引用前仍须对照原文)。
框架把这一结果写成「未决大多数如何抑制极端少数派劫持」,需要修正两点。其一,实验中加入的未训练个体是 0、5 或 10 条,它们不一定是大多数;它们的作用是把控制权交还知情者中数量较多的一方。其二,原文的「强硬少数」指的是偏好强度大,不带任何政治含义;把它用于人类政治中的「极端派」只是类比,鱼群实验不能为任何政治主张提供证据。
这一效应对模型很敏感。哈特内特等人 2016 年在一个自旋模型中发现,无偏好个体的作用方向取决于个体对邻居反应的非线性程度:反应较接近线性时,它们强化多数一方的偏好,即使面对偏好强烈的少数也促成「民主」的结果;反应高度非线性时作用相反,它们助长偏好强烈的少数、抑制多数 (Hartnett et al. 2016)。所以「未知情者把控制交还多数」不是普遍结论,而取决于交互规则的具体形式。下面的程序用本书自己的一个简单模型说明另一种情形:在逐一模仿随机他人(选民模型式)的规则下,未知情者完全不起作用。
推导
程序用本书自己的二选一模型(不是库赞等人的模型):6 个个体弱偏好 A,5 个强偏好 B,另有 个未知情者。每次随机选一个个体:以概率 (,,未知情者为 0)回到自己的偏好;否则按线性规则模仿一个随机的他人,或按多数规则采纳三个随机他人中的多数选择。200 轮后记录选择 A 的比例,每种条件模拟 60 次。
线性规则的平均场解可以直接写出:弱偏好者处于 A 的概率为 ,强偏好者为 ,未知情者为 ;对所有人求和, 两边抵消,得到 与 无关。
推导
# Does a pool of uninformed individuals stop a strongly opinionated minority from winning?
# Two-option model (this book's, after the set-up of Couzin et al. 2011): 6 individuals
# weakly prefer A, 5 strongly prefer B, n_U have no preference. At each update one random
# individual: with probability s (s_A = 0.02, s_B = 0.30; 0 for the uninformed) it returns
# to its own preference; otherwise it copies (linear rule) one random other, or (nonlinear
# rule) the majority of three random others. Outcome after 200 sweeps: share choosing A.
import random
N_A, N_B, S_A, S_B = 6, 5, 0.02, 0.30
def run(n_u, rule, rng, sweeps=200):
n = N_A + N_B + n_u
st = [1] * N_A + [0] * N_B + [int(rng.random() < 0.5) for _ in range(n_u)]
tot = sum(st)
for _ in range(sweeps * n):
i = rng.randrange(n)
if i < N_A and rng.random() < S_A: new = 1
elif N_A <= i < N_A + N_B and rng.random() < S_B: new = 0
else:
m = 1 if rule == "linear" else 3
votes = 0
for _ in range(m):
j = rng.randrange(n - 1); votes += st[j + (j >= i)]
new = int(2 * votes > m)
tot += new - st[i]; st[i] = new
return tot / n
if __name__ == "__main__":
# linear rule, stationary mean field: an A-type is in A w.p. s_A + (1 - s_A) x,
# a B-type w.p. (1 - s_B) x, an uninformed one w.p. x; summing over everyone gives
# x = n_A s_A / (n_A s_A + n_B s_B), whatever n_U is
x = N_A * S_A / (N_A * S_A + N_B * S_B)
print(f"linear rule, mean-field share choosing A = {x:.3f} for every n_U")
rng = random.Random(2011)
print("rule n_U mean share A P(>= 2/3 choose A) P(>= 2/3 choose B)")
for rule in ("linear", "majority"):
for n_u in (0, 5, 10, 20, 40):
xs = [run(n_u, rule, rng) for _ in range(60)]
pa = sum(x >= 2 / 3 for x in xs) / 60; pb = sum(x <= 1 / 3 for x in xs) / 60
print(f"{rule:9s} {n_u:3d} {sum(xs) / 60:.3f} {pa:.2f}"
f" {pb:.2f}")
# linear rule, mean-field share choosing A = 0.074 for every n_U
# rule n_U mean share A P(>= 2/3 choose A) P(>= 2/3 choose B)
# linear 0 0.083 0.03 0.90
# linear 5 0.049 0.03 0.97
# linear 10 0.087 0.05 0.92
# linear 20 0.082 0.03 0.90
# linear 40 0.057 0.00 0.98
# majority 0 0.011 0.00 1.00
# majority 5 0.025 0.02 0.98
# majority 10 0.002 0.00 1.00
# majority 20 0.244 0.27 0.73
# majority 40 0.396 0.42 0.58线性规则下,平均场预测选择 A 的比例为 0.074,与 无关;模拟中各种 下的平均比例都在 0.049 到 0.087 之间,90% 以上的模拟以 B(强硬少数)占三分之二以上结束。在这种逐一模仿的规则中,未知情者只是放大了已有的比例,完全不起作用。多数规则下情况不同: 为 0 到 10 时 B 仍然几乎总是胜出, 时 A 胜出的比例升到 0.27, 时为 0.42。未知情者削弱了强硬少数的控制,但在这个简化模型中只是把结果推向接近随机,并没有像鱼群实验那样让多数在七成试次中胜出——6 对 5 的数量优势太小,要复现实验结果需要空间结构等更多的机制。
假说 · 尚未验证 · 未决者的作用依赖于「跟随多数」的非线性
根据上面的分析,作者推测:在人类小组的二选一决策实验中,加入未被告知任何偏好的成员能否削弱「偏好强烈的少数」的影响,取决于成员是否按「跟随看到的多数」这种非线性方式更新;如果实验设计使成员只能逐一参照单个他人(线性模仿),加入未决成员不会改变结果。可以通过比较两种信息呈现方式(只显示一个随机他人的选择,或显示若干人选择的多数)来检验。如果在线性呈现条件下加入未决成员同样显著提高多数一方的胜率,这个推测就是错的。(哈特内特等人 2016 年的模型给出的方向不同:反应接近线性时未知情者强化多数,高度非线性时反而助长少数;这一实验也可以区分这两种预测。)这一推测只涉及实验室中的小组决策,不构成任何政治主张。
本章小结
少数知情者可以在没有信号的情况下引导群体,库赞等人 2005 年的结论是:群体越大,所需知情者的比例越小,但没有普适的比例;本书的简化模型显示准确度主要取决于知情者人数,同时也暴露出它只能折中、不能选择的局限。库赞等人 2011 年的鱼群实验表明,未训练个体可以削弱偏好强烈的少数的控制,把选择交还数量上的多数;在本书逐一模仿随机他人的模型中未知情者完全不起作用,改用「三人取多数」的规则后才出现这一效应,而哈特内特等人 2016 年的模型显示,反应高度非线性时效应的方向反而相反——效应的有无与方向都取决于交互规则的具体形式。下一章转向意见的平均:德格鲁特模型。
参考文献
Fan, Y. (2026). Collective Dynamics, Coupled-Oscillator Synchrony and Distributed Consensus: From the Kuramoto Phase Transition and Vicsek Flocking to DeGroot Spectral Convergence, Read Beside Classical Chinese Thought on Harmony and Conformity [集群动力学、耦合振子同步与分布式共识的数学模型] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23828063 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).