🧬 biology

Emergence of collective criticality from future-anticipation maximisation

本文提出，未来预期最大化（FAM）原则——即个体通过相互预期来局部最大化未来感知状态的多样性——能够在不需要微调或显式对齐规则的情况下，自发地产生并维持动物群体中的类临界集体动力学和形态转变。

原作者： Takayuki Niizato

发布于 2026-09-01

📖 1 分钟阅读☕ 轻松阅读

原作者： Takayuki Niizato

原始论文采用 CC BY 4.0 许可（https://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

在自然界中，从鱼群闪烁的模式到鸟群移动的阵型，生命似乎常常徘徊在秩序与混沌之间的剃刀边缘。科学家称这种状态为“临界性”（criticality）。这是一种系统对微小变化极其敏感的状态，以至于单个个体的运动就能在整个群体中产生涟漪效应，从而实现快速的信息传递和惊人的适应能力。几十年来，研究人员一直想知道生物是如何维持这种微妙平衡的。主流观点认为，自然界必须不断进行自我微调，以保持在一个特定的、固定的临界点上，就像走钢丝的人通过调整平衡来留在单根钢丝上一样。然而，这种观点难以解释为什么动物群体可以在保持适应性的同时，自发地改变其整个形状——如集群、成群或旋转运动。如果群体的规则在不断变化，系统又是如何保持平衡的呢？

筑波大学的新出里隆（Takayuki Niizato）的一项新研究提出了不同的视角，认为临界性不是一个固定的目的地，而是一个保持选择权开放的持续过程。通过模拟一百到五百个虚拟智能体的行为，研究人员发现，一种基于预判未来的简单规则可以产生复杂的类临界动力学，而无需任何微调。模拟中的智能体并非按照传统意义上的对齐邻居或避免碰撞进行编程。相反，每个智能体都受单一目标的驱动：选择能够为其周围环境提供最多样化未来视野的行为。这一原则被称为“未来预期最大化”（Future Anticipation Maximisation），它依赖于智能体之间相互猜测彼此下一步可能做什么，而不是仅仅预测自己遥远的未来。

模拟结果令人瞩目。在没有明确指令形成特定形状的情况下，这些群体自发地在三种截然不同的形态之间转换：无序的集群、向单一方向移动的协调鱼群，以及像涡流一样旋转的旋涡状阵型。这些转换是在广泛的条件下自然发生的，创造了一个“宽阔的临界区域”，而非一个狭窄、脆弱的点。研究表明，当群体在这些状态之间切换时，表现出了被称为“临界减速”（critical slowing down）的现象。这是临界系统的特征，即群体从扰动中恢复所需的时间增加，且其运动的波动变得更大且更复杂。研究人员发现，这些转换并非随机，而是遵循特定的统计模式，包括类似于“莱维飞行”（Lévy walk）的运动——这是一种由许多短步与偶尔的长跳组成的搜索模式，常在现实中寻找食物的动物身上观察到。

这项发现之所以特别重要，是因为它挑战了生物临界性需要预设完美平衡的观点。在模拟中，智能体并不知道它们正在创造一个临界系统。它们仅仅是为了最大化通过邻居潜在行动所能感知的未来场景的多样性而行动。这种相互预期意味着，每个个体的未来可能性是由群体本身不断重塑的。研究表明，这种“临界”状态是从这种局部交互中自然涌现的，而非从外部强加的。研究人员观察到，在某些参数设置下，由于时间波动驱动，群体在状态间快速切换；而在另一些设置下，由于空间波动驱动，切换速度较慢，但两者都保持了临界性的特征。

研究还深入探讨了这些群体层面的变化如何与个体的行为相联系。通过分析不同群体形状中单个智能体的运动，研究发现其运动的统计特性很大程度上取决于集体的状态。在成群移动的队形中，个体运动呈现出明显的长距离直线奔跑与短距离转向相结合的模式。在旋涡状阵型中，这种模式发生了变化：沿圆周的运动与成群移动模式相似，但向中心或远离中心方向的运动则受到了限制。这表明，在动物群体中看到的著名的“类莱维”运动模式，不仅是由于群体形状的切换，更深层地植根于个体在这些特定形状中的波动。群体本身的几何结构塑造了个体运动的自由度。

至关重要的是，该研究反对认为这些复杂行为需要智能体拥有深刻的内部世界模型或进行长远规划的观点。不同于其他认为动物会计算行动在多步之后的后果的理论，该模型显示，简单的单步相互预期就足以产生整个复杂的动力学谱系。智能体不需要知道群体的规则或临界性的概念；它们只需要评估邻居下一步行动的即时组合可能性。这种方法避免了预测长期未来的计算负担，表明自然界可能依靠这些简单的局部交互来维持适应性。

这项工作的意义超越了对鱼类或鸟类的理解。它提出了一个看待生物适应性的根本转变。研究并未将临界性视为生物必须努力维持的一种静态状态，而是将其呈现为一个通过局部交互不断再生的动态过程。“临界”性质并非地图上的一个固定点，而是系统能够保持其未来可能性开放的结果。通过最大化它们下一步能感知到的多样性，个体在无意中创造了一个对变化高度敏感、能够快速重组并足以在变化环境中生存的群体。研究结论指出，生物临界性不是一种存在状态，而是一个生成过程，由那种保持选择权开放的简单、不懈的驱动力所驱动。

技术摘要：通过未来预期最大化实现集体临界性的涌现

问题陈述
生物临界性被广泛认为是生命系统（从神经网络到动物集群）实现适应性的基本原理。然而，在动态变化的系统约束下，临界类动力学是如何产生并维持的，其机制仍未得到解决。这对于动物集群（如鸟群、鱼群）尤为重要，因为它们会自发地在不同的形态（集群、成行、旋涡）之间转换，每种形态都具有不同的相互作用结构。传统的理论框架通常假设一个固定的临界点或稳定的形态，无法解释当集体自身的约束不断重塑时，临界类动力学如何持续存在。此外，现有的面向未来的模型（如因果熵力、自由能原理）通常依赖于延长的个体预测视野或显式的内部生成模型，这可能无法高效扩展，也无法解释局部决策如何在无需精细调优的情况下产生集体临界性。

方法论：未来预期最大化 (FAM)
作者引入了未来预期最大化 (FAM) 原理来解决这些差距。与以往个体独立预测长时程未来轨迹的方法不同，FAM 基于一种一步组合式相互预期框架运行。

个体动力学： 系统由 $N$ 个自驱动个体在 2D 连续域中运动。在每个时间步，个体从一组候选动作中选择一个转向角。
相互预期： 为了评估候选动作，个体并不预测单一的未来路径。相反，它考虑其 Delaunay 邻居可能采取的一步行动集合。它基于自身动作与预期邻居动作的联合可能性，构建出一个未来构型的组合空间。
感知多样性最大化： 对于每个候选动作，个体计算由于邻居动作的组合可能导致的独特未来感知状态（离散角度扇区内邻居的二进制占据模式）的数量。个体选择能使这种多样性 ( $U_{i,k}$ ) 最大化的动作。
核心区别： 未来可能性并非根据经验分布独立估计，而是通过相互预期共同构建的。“上下文”是相互作用结构的涌现属性，而非外部指定的条件。
参数： 研究探讨了在不同群体规模（ $N=100$ 至 $500 $）下，由感知异质性 ($ \kappa_{per} $) 和选项变异性 ($ \kappa_{op}$) 定义的参数空间。

关键结果

自发形态转换：
无需显式的对齐规则或对预定义临界点的调优，FAM 能够产生在集群（swarming）、成行（schooling）和旋涡（milling）状态之间的自发转换。相图揭示了不同的区域：
- 旋涡主导型： 高旋转有序度。
- 成行主导型： 高对齐度。
- 共存区域 (SMS/MS)： 系统在此处在不同状态间进行随机切换。
- 切换动力学： 转换通过“翻转”事件发生，即一个稳定结构（如旋涡）变得不稳定，经过成行状态，并以反向取向重新构建。这些切换间隔表现出重尾分布，缺乏特征时间尺度。
临界类减速现象的涌现：
系统在状态转换附近表现出临界类减速现象，其特征是弛豫时间 ( $\tau$ ) 与易感性 ( $\chi$ ) 之间的标度关系： $\tau \propto \chi^\alpha$ 。
- 两个截然不同的机制： 研究识别了时间波动与空间波动之间性质不同的平衡：
  - SMS 相（集群-旋涡-成行）： 由时间波动（频繁转换）主导。临界指数随群体规模收敛，表明存在有限尺寸效应。
  - MS/旋涡主导相： 由空间波动（稳定的旋涡被成行中断）主导。临界指数在不同群体规模下保持不变 ( $\alpha \approx 0.5-0.6$ )。
- 宽阔的临界区域： 与局限于狭窄临界点的经典临界性不同，FAM 产生了一个宽阔的临界类区域，在此区域内涌现出这些动力学。
列维 (Lévy) 型集体与个体动力学：
- 群体层面： 质心轨迹在所有相位中均表现出列维类统计行为（重尾步长分布），尽管底层机制各异。在 SMS 相中，这种行为仅在大规模群体中出现；在 MS 和旋涡相中，它在不同规模下保持稳定。
- 个体层面： 研究将个体运动相对于质心进行了分解。
  - 成行： 在飞行长度分布中表现出明显的列维类统计特性。
  - 旋涡： 表现出各向异性波动。切向运动保持列维类特征，而径向运动受环形几何结构的限制（具有更高的指数），但仍保留重尾特性。
- 联系： 形态切换（停-走动力学）将状态依赖的个体波动与群体层面的列维动力学联系起来。

意义与主张
本文声称，生物临界性并不一定源于对固定临界点的精细调优或固定无序（如 Griffiths 相）。相反，它可以通过在动态变化的集体约束下，通过局部相互作用进行持续再生。

机制： 临界性通过最大化未来感知多样性的局部原则，通过相互预期得以涌现。该原则维持了“未来的可能性”，而无需个体优化特定状态或拥有复杂的内部生成模型。
可扩展性： 通过依赖一步组合式预期而非长时程规划，FAM 避免了在大规模种群中预测未来状态时产生的计算爆炸问题。
理论转向： 研究结果表明，生物临界性更好地被理解为一个动态过程——即响应变化上下文而重新组织相互作用结构的过程，而非一个静态状态。“保持选择开放”的哲学是通过集体的未来可能性构建来实现的，而非通过独立的预测。

研究结论指出，FAM 原理为动物集群如何自然地实现临界类动力学、形态转换和列维运动的共存与涌现，提供了一种机械论解释。

技术摘要：通过未来预期最大化实现集体临界性的涌现

类似论文