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 pp 的个体知道一个偏好方向 gg,以权重 ω\omega 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 pp 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,ω\omega 与准确度正相关,但 ω\omega 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 0.5g0.5 g;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 gg 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 DD 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 1/N1/N 缩小,两者之比只取决于知情者的人数,所以所需比例约按 1/N1/N 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 nUn_U 个未知情者。每次随机选一个个体:以概率 ss(sA=0.02s_A = 0.02,sB=0.30s_B = 0.30,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 sA+(1−sA)xs_A + (1-s_A)x,强偏好者为 (1−sB)x(1-s_B)x,未知情者为 xx;对所有人求和,nUxn_U x 两边抵消,得到 x=nAsAnAsA+nBsB,x = \frac{n_A s_A}{n_A s_A + n_B s_B}, 与 nUn_U 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 nUn_U 无关;模拟中各种 nUn_U 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:nUn_U 为 0 到 10 时 B 仍然几乎总是胜出,nU=20n_U = 20 时 A 胜出的比例升到 0.27,nU=40n_U = 40 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

Conradt, Larissa, and Timothy J. Roper. 2003. “Group Decision-Making in Animals.” Nature 421 (6919): 155–58. https://doi.org/10.1038/nature01294.
Couzin, Iain D., Christos C. Ioannou, Güven Demirel, et al. 2011. “Uninformed Individuals Promote Democratic Consensus in Animal Groups.” Science 334 (6062): 1578–80. https://doi.org/10.1126/science.1210280.
Couzin, Iain D., Jens Krause, Nigel R. Franks, and Simon A. Levin. 2005. “Effective Leadership and Decision-Making in Animal Groups on the Move.” Nature 433 (7025): 513–16. https://doi.org/10.1038/nature03236.
Dyer, John R. G., Anders Johansson, Dirk Helbing, Iain D. Couzin, and Jens Krause. 2009. “Leadership, Consensus Decision Making and Collective Behaviour in Humans.” Philosophical Transactions of the Royal Society B 364 (1518): 781–89. https://doi.org/10.1098/rstb.2008.0233.
Hartnett, Andrew T., Emmanuel Schertzer, Simon A. Levin, and Iain D. Couzin. 2016. “Heterogeneous Preference and Local Nonlinearity in Consensus Decision Making.” Physical Review Letters 116 (3): 038701. https://doi.org/10.1103/PhysRevLett.116.038701.
Leonard, Naomi E., Tian Shen, Benjamin Nabet, Luca Scardovi, Iain D. Couzin, and Simon A. Levin. 2012. “Decision Versus Compromise for Animal Groups in Motion.” Proceedings of the National Academy of Sciences 109 (1): 227–32. https://doi.org/10.1073/pnas.1118318108.
Reebs, Stephan G. 2000. “Can a Minority of Informed Leaders Determine the Foraging Movements of a Fish Shoal?” Animal Behaviour 59 (2): 403–9.

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).