🧬 biology

Evolutionary Systems Thinking -- From Equilibrium Models to Open-Ended Adaptive Dynamics

本文提出稳定性驱动组装（SDA）框架，论证了将进化视为系统思维核心问题而非生物隐喻的必要性，表明仅凭稳定性差异即可在无预设适应度函数的情况下涌现自然选择机制，从而揭示传统均衡模型无法实现开放进化的局限，并为经济、政策及 AI 领域的动态建模提供了新范式。

原作者： Dan Adler

发布于 2026-02-19

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Dan Adler

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

这篇文章的核心观点非常有趣，它挑战了我们通常对“进化”和“系统”的理解。简单来说，作者丹·阿德勒（Dan Adler）认为：我们在经济学、政策和技术领域谈论的“进化”，往往只是披着进化外衣的“静态调整”，而不是真正的进化。

为了让你轻松理解，我们可以把这篇论文的内容想象成**“一场没有剧本的即兴戏剧”与“一场排练好的交响乐”**之间的区别。

1. 传统模型的局限：排练好的交响乐

传统的系统模型（比如经济学模型或政策模拟）就像是一场交响乐。

固定的乐谱：所有的乐器（参与者）、音符（策略）和演奏规则在开始前就已经定好了。
追求和谐（平衡）：乐队的目标是演奏得完美，最终达到一个和谐的“平衡点”。
问题：如果观众突然想听爵士乐，或者想加一把电吉他，交响乐模型就无能为力了。因为它只能调整音量（数量），不能创造新的乐器或新的曲风（结构）。
现状：很多经济学家和政策制定者用这种模型，他们能看到系统如何“适应”变化（比如价格波动），但无法解释为什么会出现全新的商业模式、全新的社会制度或全新的技术类别。

2. 真正的进化：即兴戏剧与“生存游戏”

作者提出，真正的进化应该像一场即兴戏剧，或者更准确地说，像是一个**“生存游戏”**。
在这个游戏里，没有乐谱，没有固定的角色，只有不断的尝试和淘汰。

核心机制：稳定性驱动组装 (SDA)

作者发明了一个叫**“稳定性驱动组装” (Stability-Driven Assembly, 简称 SDA)** 的框架。我们可以用**“乐高积木”**来打比方：

场景：想象一个巨大的房间，里面有很多乐高积木（基础元素）。
随机碰撞：风（随机性）不停地吹，把积木撞在一起，拼成各种奇怪的形状（新的结构、策略或公司）。
关键规则——“谁活得久，谁就说了算”：
- 有些拼出来的形状很脆弱，风一吹就散架了（瞬间消失）。
- 有些形状拼得很结实，能坚持很久（高稳定性）。
- 这就是“选择”的来源：那些活得久的形状，因为一直待在房间里，下次风再吹时，它们更容易被撞到，从而参与拼出新的形状。
- 那些散架的形状，因为消失了，就再也没有机会参与游戏了。

这就是进化的秘密： 不需要“基因”，不需要“繁殖”，甚至不需要“优胜劣汰”的刻意设计。仅仅是因为“活得久”，它们就在未来的游戏中占据了更大的比例，从而改变了整个游戏的走向。

3. 为什么这很重要？（三个生动的比喻）

比喻一：河流与河床

传统模型：认为河床是固定的，水（系统状态）只能在河床里流动，最终流向大海（平衡点）。
SDA 进化模型：水流本身会冲刷河床。如果某种水流模式（比如湍流）能持续存在，它会把河床冲刷成新的形状。新的河床形状反过来又引导水流变成新的模式。水和河床是共同进化的。
应用：在商业中，不是市场规则决定了谁能活下来，而是那些活得久的商业模式（如亚马逊的物流体系）改变了市场规则本身，让后来者不得不适应它。

比喻二：社交圈里的“八卦”

传统观点：大家根据固定的规则交流。
SDA 观点：想象一个派对。
- 如果你讲了一个笑话，大家笑了一下就散了（不稳定，消失）。
- 如果你讲了一个笑话，大家觉得太有趣了，开始反复传颂，甚至把它写下来（高稳定性）。
- 因为大家反复传颂，这个笑话在派对上出现的频率越来越高，甚至影响了大家接下来的聊天话题。
- 结果：不是有人指定了这个笑话是“最好的”，仅仅是因为它存活时间长，它最终主导了派对的氛围。

比喻三：政策制定的误区

旧思路：政策制定者像工程师，试图设计一个完美的“平衡状态”（比如把失业率控制在 5%）。他们假设社会结构是固定的。
新思路：政策制定者应该像园丁。你无法控制每一朵花开什么颜色，但你可以改变土壤的酸碱度（改变“稳定性”的环境）。
- 如果你让某种有害的杂草（比如某种投机行为）很难存活（降低其稳定性），它们自然就会消失。
- 如果你让某种良性的行为（比如创新）更容易存活和传播（提高其稳定性），它们就会自然壮大。
- 结论：好的政策不是“设计结果”，而是“设计谁能活下来”。

4. 总结：我们要改变什么？

这篇文章告诉我们，要理解复杂的世界（经济、技术、社会），我们不能只盯着“平衡”看。

不要只看“谁赢了”：要看“谁活下来了，并且活得更久”。
不要只看“规则”：要看“规则是如何被那些活下来的东西改变的”。
拥抱不确定性：真正的进化来自于随机的尝试，加上“时间”这个过滤器。

一句话总结：
进化不是关于“谁最强”，而是关于**“谁最持久”。那些能坚持下来的东西，会不知不觉地重塑世界，让未来变得和过去完全不同。这就是“稳定性驱动组装”**告诉我们的智慧。

以下是基于 Dan Adler 论文《Evolutionary Systems Thinking: From Equilibrium Models to Open-Ended Adaptive Dynamics》的详细技术总结：

1. 研究问题 (Problem)

当前在经济学、政策制定和技术研究中，尽管“进化”一词被广泛用于描述长期变化，但大多数系统动力学（System Dynamics, SD）模型在机制上仍受限于固定状态空间和**寻求均衡（equilibrium-seeking）**的行为。

核心矛盾：现有的模型通常假设状态空间、转换规则和选择压力是预先定义且固定的。这导致模型只能捕捉既定结构内的适应性调整，却无法解释新结构、新策略或新类别的内生涌现（endogenous emergence）。
理论局限：传统的系统动力学和基于均衡的模型（包括许多代理模型 ABM）将种群结构视为输出结果而非因果状态。它们缺乏一种机制，使得种群的组成能够反过来重塑未来的交互规则和动态景观。
术语误用：在非生物学领域，“进化”常被用作描述性术语（如“市场进化”），但缺乏明确的动力学机制（如基因、复制、变异或显式的适应度函数），导致无法解释选择是如何在动态过程中产生的。

2. 方法论 (Methodology)

作者提出了**稳定性驱动组装（Stability-Driven Assembly, SDA）**框架，作为一种最小化的、非均衡的系统动力学模型，旨在通过纯动力学机制实现进化，而无需生物学意义上的基因或复制。

核心机制：
- 随机交互与差异持久性：系统由基础元素通过随机交互生成模式（Patterns）。这些模式具有不同的持久时间（persistence time），取决于其稳定性。
- 非均衡流：系统处于开放流状态，基础元素不断补充，不稳定的模式会衰减消失。
- 内生选择：持久性更长的模式会在种群中积累，从而在后续的随机交互中被采样的概率更高。这种**持久性加权采样（persistence-weighted sampling）**自然产生了类似“适应度比例选择”的机制。
数学形式化：
- 将种群分布的演化描述为**福克 - 普朗克方程（Fokker-Planck equation）**的变体：
  $\frac{\partial P(x, t)}{\partial t} = -\nabla \cdot [A[P](x, t) P(x, t)] + D\nabla^2 P(x, t)$
- 其中， $D\nabla^2 P$ 代表随机生成带来的扩散（Create）， $-\nabla \cdot [A[P] P]$ 代表由持久性驱动的漂移（Persist）。
- 关键创新：漂移项 $A[P]$ 是一个泛函（Functional），意味着漂移场不是预先设定的，而是依赖于当前的种群分布 $P$ 。这导致系统动力学是非线性的、历史依赖的，且本质上是非均衡的。
模拟实现：
- 构建了最小化的符号 SDA 系统，包含初始化、去除过期模式、补充基础元素、随机采样交互、生成新模式并分配寿命的循环。
- 对比了有持久性偏置的 SDA 模型与无偏置的随机搜索控制组。

3. 关键贡献 (Key Contributions)

重新定义进化机制：
- 提出进化不应仅被视为生物学的隐喻，而是一种通用的动力学行为。
- 证明了**选择（Selection）可以完全由差异持久性（Differential Persistence）**内生产生，无需基因、复制器或预设的适应度函数。
- 将 SDA 解释为一种自然遗传算法（SDA/GA），其中“适应度”由稳定性决定，“繁殖”由持久性带来的高采样率替代。
揭示均衡模型的局限性：
- 论证了任何固定状态空间和转换规则的模型（即使数值模拟）都无法实现开放式进化（Open-Ended Evolution）。
- 指出振荡（Oscillation）不等于进化：振荡系统仍受限于预定义的相空间，而进化要求结构本身随种群反馈而重塑。
提出新的系统动力学范式：
- 在传统的“存量 - 流量”（Stocks-and-Flows）框架中，引入动态存量结构：存量不再是守恒物质的数量，而是不断涌现和消失的模式种群；流量代表随机交互和衰减。
- 强调**种群组成（Population Composition）**必须是因果状态变量，能够反馈并改变系统的动态规则。

4. 研究结果 (Results)

熵减与秩序涌现：
- 在 SDA 模拟中，种群的香农熵（Shannon Entropy）随时间稳步下降。这表明概率质量逐渐积累在少数长寿命的模式上，形成了有序结构。
- 相比之下，无偏置的随机搜索控制组熵值保持高位，表现为对模式空间的广泛但无序的探索。
内生选择的确立：
- 模拟证实，仅凭持久性差异即可产生类似遗传算法的搜索行为，导致特定结构（Scaffolds）的主导地位，且无需外部优化目标。
- 系统表现出路径依赖性（Path Dependence），演化轨迹由历史积累的模式分布决定，而非收敛于固定均衡点。
经济/政策案例推演：
- 在产业生态系统模型中，展示了制造商、零售商等基础元素如何通过交互形成复合组织（如供应链网络）。更稳定的组织形式因持久时间长而积累更多资源和参与机会，从而主导未来的交互，形成无中心规划的行业结构演化。

5. 意义与启示 (Significance)

方法论转变：
- 从优化（Optimization）转向鲁棒性与生存（Robustness & Survivability）。政策和分析不应仅关注寻找最优均衡点，而应关注如何塑造“持久性景观”，使期望的结构能够生存和演化。
- 强调历史与路径依赖的重要性，反对为了数学可解性而剥离历史效应的理想化模型。
对经济学与政策制定的影响：
- 解释了为何传统的均衡政策分析往往失效：政策干预不仅改变状态，还改变了可行策略和制度的空间（即改变了“持久性景观”）。
- 小规模的改变（影响生存率或周转率）可能通过种群反馈产生巨大的长期演化后果。
未来建模方向：
- 建议结合基于代理的建模（ABM）与AI 增强系统。利用智能体修改内部表征的能力，结合种群层面的持久性选择，构建能够支持持续新颖性和结构涌现的开放式进化模型。
- 呼吁系统动力学领域超越静态的存量 - 流量图，发展能够处理动态结构演化的新框架。

总结：
这篇论文通过引入“稳定性驱动组装（SDA）”框架，从根本上挑战了传统系统动力学中隐含的均衡假设。它证明了在开放、非均衡系统中，仅凭差异持久性即可内生地产生选择压力和进化动力，从而实现了无需预设基因或适应度函数的开放式进化。这一发现为理解经济、政策和技术系统中的复杂适应性行为提供了新的动力学基础，要求建模者从关注“固定结构内的适应”转向关注“结构本身的演化”。