财新传媒 财新传媒

阅读:0
听报道

 

导语
我们必须要承认,世界在发生巨大的变化,过往的经验与规律在这个新世界中已经发生了太多变化,“拥抱变化”可能不再是公司的口号、“价值观”,而是我们必须面临的未来处境。面对这个充满不确定性的未来世界,我们能否找到新的解决之道?而我们人类自身的行为又将如何影响未来?来自圣塔菲研究所的 Jessica Flack 教授和 Melanie Mitchell 教授在不确定的未来中,为我们画出了一道黎明前的曙光。
 
 
原文题目:
 
Uncertain times
 
原文地址:
 
https://aeon.co/essays/complex-systems-science-allows-us-to-see-new-paths-forward
 
Jessica Flack(左图)圣塔菲研究所教授、集体计算小组组长,Melanie Mitchell(右图)圣塔菲研究所复杂性教授、 波特兰州立大学的计算机科学教授、著有《复杂》一书
 
 
智人已经在地球上行走了约20万年,而现在我们走到了一个特殊的时间点。在历史上,这是人类第一次能在全球范围内利用精细的个人行为数据,来设计稳健性高、适应性强的社会系统。2020年的新冠大流行让人们意识到了这一方面的潜在能力。面对迅猛的新冠疫情,我们已经给出成体系有经验的应对措施,在此之前,这从未发生过。当然,我们的应对措施中充满了矛盾、不均甚至是混乱——我们确实是在昏暗的光线中摸索,但这道光是黎明前的曙光。
 
我们生活在一个复杂系统(complex system)中,在这种系统中有许多互相作用的主体(agent)。在这样一个历史的关键时刻,我们应当承认这一点并且要学会对其加以利用。了解复杂系统的关键性特征有助于我们厘清并应对新出现的全球性挑战——从流行病到贫穷以及生态崩溃都包含在内。
 
在复杂系统中,我们几乎无法从之前的事情中预知接下来会发生什么。世界总是在变化的。究其背后的原因,一是因为存在我们无法控制的因素,二是因为我们自身就会带来干预。在加西亚·马尔克斯的著作《百年孤独》的最后几页中,他刻画了一个翻译手稿的奥雷里亚诺·巴比伦,并由此提出了一个悖论,人类如何能做到在预测未来的同时对其加以干扰。
 
但没等看到最后一行便已明白自己不会再走出这房间,因为可以预料这座镜子之城——或蜃景之城——将在奥雷里亚诺·巴比伦全部译出羊皮卷之时被飓风抹去,从世人记忆中根除,羊皮卷上所载一切自永远至永远不会再重复。
 
——加西亚·马尔克斯 《百年孤独》范晔译 
 
加西亚·马尔克斯 《百年孤独》范晔译 南海出版公司
 
我们的现实世界其实与马尔克斯的魔幻现实主义没什么区别。人类默认的思维方式——简单的线性思维方式、简单的因果推理并不是好的策略工具。相反,生活在复杂系统中的我们要学会拥抱和驾驭不确定性。我们与其做出狭隘的预测并试图控制后果,不如设计出稳健性高、适应性强的系统以应对多变的未来。
 
 
复杂系统:个体与系统间的相互影响
 
想一想在夏日的夜晚,成百上千的萤火虫在一起闪烁着荧光。这种现象是如何出现的呢?单个萤火虫会根据它邻近的萤火虫的光来决定自己的闪光。依据他们所使用的这种复制规则,这会使得萤火虫能以爆发(busty)和快速同步(snappy syncs)这两种方式来进行彼此同步。人类学家鲁思·本尼迪克特(Ruth Benedict)在《文化模式》一书中写道:社会的每一部分都以间接的方式依赖于其他部分。而且,这样的系统是非线性的,整体会大于个体的加和(非线性可加)。甚至其中个体的行为会受整体行为的影响。
人类学家鲁思·本尼迪克特(Ruth Benedict)
 
就像成群的萤火虫一样,所有人类社会都是聚成集体(collective)且耦合(coupled)的。集体,这概念就意味着我们的共同行为对全社会产生了影响。耦合则意味着我们的观念与行为取决于他人的观念与行为,并且构建于我们共建的社会和经济结构之上。作为消费者,我们发现超市的卫生纸短缺,会抓紧囤货;发现牛奶短缺,接着囤货;鸡蛋、面粉短缺,还是囤货。我们看到邻里街坊戴上了口罩,于是乎自己也拿口罩捂上了脸。市场上的交易者一旦察觉到了下跌的趋势,就会跟风恐惧——这印证了马尔克斯的悖论——他们的行为最终却招来了他们担心的暴跌。
 
这些例子表明,我们的行为是如何在正、负反馈循环中影响整个系统的。这种影响通常以不明显的方式强化或改变我们最初感知到的模式。例如,一些新冠病毒密切接触追踪程序可以告知使用者被感染病患的位置。这种局部行为和全社会信息的耦合结果非常有趣,因为它能简化“大忙人”的决策制定。要知道,很多年前我们就从昆虫群体(比如萤火虫)和同步性的研究中了认识到了耦合系统的动力学的惊人之处。
 
在近期发表的 Nature Physics 上的一项研究发现,类似于鱼群的游动(所有鱼会集体转向)这种向有序态的转变可能是由随机性或者说“噪音”带来的自反馈造成的。也就是说,鱼群中的一点变差会带来新的偏差,最终这一偏差传播到了整个鱼群。我们大多人都猜不到噪音也会产生可以预测的行为。这一发现,让我们开始思考这一问题,新冠患者接触跟踪程序之类的技术,虽然局部区域上为我们提供了有利的信息,但会在全局范围内带来负面的影响。如果我们不是所有人都试图避开感染者,但最终可能带来我们本来想避免的情况:易感人群与被感染者或密切接触者的密集接触。
 
 
论文题目:
Noise-induced schooling of fish
论文地址:
https://www.nature.com/articles/s41567-020-0787-y
 
 
重尾分布:小概率背后的大风险
 
对于那些不遵循正态分布或者说“钟型曲线”的事件,也会给系统带来特殊的脆弱性。当事件服从正态分布时,通常会产生我们常见的结果,我们往往不用太在意。人的身高就是一个很好的例子,一名男性的身高超过7英尺是很少见的,大多数男性的身高都在5-6英尺之间,我们现在还没有发现身高超过9英尺的人。但是,受流行病疫情出现的集体行为(如银行挤兑、哄抢卫生纸等)的概率分布位于重尾(heavy-tailed)部分。在这种概率模型中,极端事件发生的概率要高得多,比如说股市崩盘、疫情大规模扩散。虽然这些事情仍然不太可能发生但是他们的出现概率仍然很高——比正态分布下的小概率事件要高很多。
 
更要命的是,一旦那些位于尾部的小概率事件发生了,就会加小概率事件发生的可能性,这被称之为二阶尾部事件(second-order tail event)。举例来说,股市大跌后的波动、地震后对的余震都可以囊括在内。因为二阶尾部事件的初始概率非常小,几乎无法计算。但是一旦首次的一阶尾部事件发生,规则就会被改变,二阶尾部事件发生的概率就会变大。
 
重尾事件动力学是复杂的,因为他们是由其他的小概率事件级联而成的。当新冠疫情首次出现的时候,股市市值大跌,但随后由能强力反弹。一部分原因可能是因为,疫情期间体育类赌徒无赛事可赌,因此他们以非投资者的投机姿态的身份进入了股票交易市场。这些新手的到来降低了市场效率,使得那些长期的投资者获得了比较优势。另一个问题就是我们可以将今年爆发的BLM事件看作是一个三阶重尾事件。非洲裔美国人乔治 · 弗洛伊德(George Floyd)的死亡促成了一个黑天鹅(black swan)事件。但这一事件确实由美国黑人社区受疫情重创、经济衰退、区域封锁以及对政治上领导人缺位的广泛不满造成这一系列的连锁反应造成的。统计学家和前金融家塔勒布(Nassim Nicholas Taleb)认为:黑天鹅事件造成的影响和其发生的次数相比是不对等的。也许是因为这种事件规模庞大,也许是因为我们没做好相应的准备。
 
 
不平衡的系统与不可预测的未来
 
 
一个一阶尾部事件能够诱发更多的尾部事件一个原因就是,他改变了我们行动的认知成本也就改变了我们所遵循的规则。这种博弈改变(game-change)也是复杂系统的另一个代表性概念:非稳定性(nonstationarity)。另一个经典的非平稳性例子就是适应性(adaptation)。比如说,宿主与寄生生物协同演化(coevolution)时的军备竞赛。宿主和寄生虫都必须演化得够快才能抗衡得了对手所做出的表现。这就像《爱丽丝梦游仙境》中的红桃皇后对爱丽丝所说的一样:“你必须尽力地不停地跑,才能使你保持在原地。”因此,1973年演化生物学家Leigh Van Valen 把这一协同演化现象称为红皇后假说 (Red Queen hypothesis)。
 
从系统中学习,改变了其中主体的行为,而反过来主体也改变了系统的行为。比如一家虚报季度财报的公司、比如为升学应试而备考却没有提升实际所需能力的高中生。在这些例子中,实际的能力被一种衡量标准所替代。系统中的个体会把这些指标与股东的满意程度、成功进入大学联系在一起。这时候,评价指标就变成了博弈的目的,而不再是本身要测量的客观量。这一现象被称为古德哈特定律(Goodhart's Law)。用一句商谚来说:达到目标就是最坏的事。
 
另一个与非稳定性相关的概念叫做信息流(information flux)。系统本身可能没有变化,但我们所掌握的信息却在变化。我们学习的结果与我们利用信息的方式有关,信息流则与我们学习的质量相关。比如说,在疫情流行的初期,无症状患者传播的比例很大。学习如何建立一个良好的流行病模型是一部分原因,但是实际上的病毒传播也带来了信息流动。而且在早期也只有少数患者。这使得有关无症状、有症状的感染者数量的数据都较少,也就更别提暴露人群的数据了。在事态发展的早起,数据中的噪音会掩盖信号,这使得学习变得极为困难。
 
就像物理学和复杂系统的文章中所提到的那样,这些非稳定性的形态就意味着生物、社会系统将会“失去平衡”。活在一个不平衡的系统中,要面临的一个最大的风险就是,即便数据和模型提供了干预措施,也会出现意想不到的后果。就想一想各国政府为了压平感染曲线所做出的隔离社交的努力吧。尽管扩大社交距离有效地降低了感染率和医院的压力,但是在生物、社会经济系统中已经产生了大量的二阶、三阶效应。其中就包括了大量员工事业、经济利益受损、市场不再稳定、心理健康问题、家庭暴力增加以及社交羞辱等。可能还有类似气候变化这样的问题被我们忽略了。其实,我们可能忽略了最重要的事情,就是采取二级干预措施,这就包括储备银行向市场注入流动性,各国政府通过大规模经济刺激法案,修改隐私法以符合现阶段社交隔离和密接接触者追踪的需要。
 
那么,复杂系统的这些特性是否意味着对未来的预测和控制是徒劳的?确实,预测会变得更难,并且要对多种可能性给出规划,而不再是预测最可能发生的事情。不过,无法预测的未来并不会妨碍我们安全和有品质的生活。毕竟,自然界充满了非线性、 非稳定性的耦合系统。因此,我们应当关注生物系统应对、适应甚至于在这种系统下能生生不息的自然之道。
 
在谈论自然之前,我们还是先聊聊人类的规划设计。从人类文明诞生开始,我们就一直在试图规划社会和生态。当这种规划是长时间、“自下而上”地迭代完成时,它往往能起到不错的效果。但正如人类学家、复杂性学家 Steve Lansing 在其著作 Priests and Programmers: Technologies of Power in the Engineered Landscape of Bali 中所述的一样:许多规划举措都是无效的,甚至会招来灾祸。书中提到,Lansing 将巴厘岛当地已有上千年历史的排水系统和20世纪绿色革命以后中央政府工程师实施的供水系统进行了比较。这种自上而下的规划设计破环了岛屿及其海岸线脆弱的生态系统,也瓦解了集体统治。
 
 
人类学家、复杂性学家 J. Stephen Lansing
 
当我们使用原始资料去做定量决定的时候就会出大“糗”。其实原因也包括了对因果关系的简单理解,以及假设过去包含着有助于预测未来的最佳信息。这种“回头看”的预测方式只是狭隘的关注在最坏的事情上,我们会因脆弱的感性而遮蔽了自己的眼睛。以 911 恐怖袭击为例,在 911 过后美国在反恐问题上投入了大量经费,却忽视了医疗、教育和全球贫困等其它问题。同样地,在新冠疫情期间大量的评论家强调医疗投资的重要性——当然,这次疫情暴发也确实告诉我们医疗投资的重要性——但是,把这件事放在首位则说明我们又一次被过往经历所左右了。
 
熟悉《指环王》的读者应该知道,阿拉贡通过他的宝剑,曾砍下索隆手指的安督利尔,吸引索隆的注意力,并主动前去宣战。使得索隆忽略了霍比特人佛罗多和山姆组成的“特遣队”。这样这只特遣队就可以直接把魔戒送进末日山的火山口,从而彻底击败了索隆。这一计划得以成功实施,就是得益于索隆对被砍掉手指丢失魔戒这件事的恐惧。问题的关键就是,目光狭隘、情绪化地看待问题的方式妨碍了我们去感知其他问题。即便这些问题正在我们眼皮子底下变得日益严重。在复杂系统中,重要的就是建立一种防范这种狭隘倾向的措施 —— 我们姑且把这一问题称作索隆偏见吧。
 
确实有更好的办法做出适用于全社会的应对之策,正如数学家约翰·艾伦·保罗斯(John Allen Paulos)在谈论复杂系统时所说的:“不确定性是唯一确定的东西,学会在不安全的环境中生活也是唯一的安全。”我们会过分地关注反恐、不公平,在医疗上投入不计成本的资源。其实我们与其根据最近发生的坏事来考虑后果,还不如从自然的复杂系统中寻求灵感,设计出可以增强适应性和稳健性的应对流程。
 
涌现工程:发掘不确定性背后的可用资源
 
这被称为是与传统的工程有根本不同的涌现工程(emergent engineering)。传统的工程以预测为主,并试图控制系统的行为,通过设计应对流程来实现特定的结果,但涌现工程将不确定性视为生活中潜在的可用资源。
 
在面对全社会的挑战时,涌现工程提供了一种不同的解决问题的方法,例如,在利用不确定性资源的政策中,个人可能会得到较高的最低生活标准保证,但不会得到任何社会结构或制度性的保证。而经济、社会与其他系统将被设计成能根据情景自然地切换状态。这就要在对与好之间(比如,要公平?要平均?还是要机会平等?)、稳健性与适应性之间做出巧妙的平衡。这是一个充满挑战性的建议,即便是在医疗或者金融市场这种相对规模较小的领域进行实验,也需要穿过哲学、伦理和技术的泥潭。然而,大自然的成功案例表明这是可行的。
 
试想一下,人体大约有30万亿个细胞(这还没算人体内微生物组中的38万亿个细菌细胞)可能导致的那些问题,人体的应对这些问题的能力非常强大。自然会运用两类方法保证事物运转。一种方法确保系统在面临干扰(或者说“扰动”)时能继续运行;另一种方法是为了较少不确定性允许系统在不同的时间尺度内进行改变。
 
变与不变 不确定环境下的稳健性机制
 
第一种策略依赖于稳健性机制(robustness mechanisms)。这种机制是系统的关键部位,被干扰破坏后仍然可以稳定地运行。比如说,基因在面对环境或遗传变异 (如突变) 时,其表现并没有发生变化,就可以说这种基因表达是稳定的。现在有许多的机制使得这种不变性成为可能,当然关于运作机制的争论也不少,不过我们可以进行简化并讲出基本思想。影子增强子(shadow enhancer)就是一个例子:当突变发生时,部分冗余的DNA序列就可以调节基因,并且一同作用以保持基因表达的稳定。另一个例子是基因复制,基因的部分功能有所重叠。如果原始基因受损,这种冗余机制可以用备份基因加以补充。
 
然而,无论是在自然系统还是工程系统中,稳健性机制都很难构建,因为在问题出现前,这种机制的作用并不明显。这种机制要能够预测罕见且具有破坏性的扰动。尽管如此艰难,在自然界,我们还是发现了大量的稳健性机制。例如,和解。在争执发生过后,我们会将关系恢复到冲突发生前的水平。这种能力不仅仅是人类文明独有的,实际上在整个动物界都很常见,并且在许多不同的物种中都已经观察到了。在别的场合里,人类心脏的复杂结构被认为是做到了应对大范围扰动的稳健性,心脏的跳动节奏既不是混沌也没有周期性,而是具有分形结构。与工程中的标准规范相比,稳健设计侧重于发现在变化或不确定的环境下能维护系统功能的机制。
心脏分形研究示意图,研究出处:Genetic and functional insights into the fractal structure of the heart
 
快与慢:时间尺度上的分离
 
大自然还自有另一套妙计。系统运行的时间尺度能深刻地影响其预测和适应未来的能力。当事态的发展缓慢时,预测更加容易。但是,如果事情发展得太慢,做出创新和应对变化就要困难得多。为了解决这一矛盾,大自然构建了在多个时间尺度上运行的不同的系统。基因变化相对很慢,但基因表达就很快。一群猴子打架的胜败可能每天都在变化,但猴群的权力更迭可能要数月数年才会发生变化。像猴子打架这种较为快速的时间尺度,具有更多的不确定性,因此也为社会的流动提供了一种机制。同时,权力结构调整这种比较慢的时间尺度,也提供了一致性和可预测性,这就允许个体找出规律并制定适当的策略。
 
快系统动力学与慢系统动力学之间的时间尺度上的分离程度也很重要。如果时间尺度上的分离很大,并且权力结构的转变非常的慢,那就意味着一只年轻的猴子无论它打赢了多少架,无论它有什么样的战斗经验和天赋都无法使他达到权利的顶端。这种巨大的分离意味着,个体层面的真实信息(年轻的猴子成为了一名出色的战士)要经过很长的时间才能反应到权力结构上。因此,当权力结构转变得太慢时,尽管这可能会防止个人层面上无意义的变化,但是也就无法提供有规律的信息——比如说,当像年轻猴子的能力发生变化这种事发生时,谁可以使用武力。
 
此外,有时环境会要求系统作为一个整体进行创新,但有时则要求系统静止。这意味着能够在快系统与慢系统之间调整时间尺度上的分离是有好处的,这取决于底部发生的变化能否在顶部被感受到。这些观点让我们又说回到了之前关于非平稳性的讨论,时间尺度上的分离是一个系统不同类型的非稳定性平衡折中的方式。
 
自然界实现时间尺度分离的具体机制仍然是未知的,这也是科学研究的一个活跃领域。然而,人类仍然可以从时间尺度分离这一思想中获得灵感。当我们设计未来的系统时,我们可以建立一种机制,使得用户(例如市场工程师或政策制定者)可以调整个体行为、与组织机构的关系以及一些集合变量(比如股票收益与时间点)的时间尺度间隔和耦合程度。这种机制我们已经有了雏形。金融市场容易崩溃,就是因为在金融市场中,每一笔交易和股指之间缺乏时间尺度上的分离,因此在恐慌性抛售期间,有可能在数小时内损失大量的股指。因为意识到了这一问题,市场工程师就引入了熔断机制,如果监测到了股指大幅下跌的迹象就暂停交易。不过,熔断机制并没有真正地让交易和股指分离。这其实只是简单地在崩盘出现前暂停了交易,一个更加清晰的调整方案是:在崩盘危险期,在一定的交易窗口内限制交易的频率和规模。当环境更可预测的时候,允许交易随意进行。其实有许多备选的调节机制,至于说哪个最适合市场就是经验问题了。
 
临界点:小动作带来大改变
 
股市崩盘能让我们看到大自然另一个迷人的特性:存在转折点(tipping point)或物理学中所说的临界点(critical point)。当一个系统“坐在”临界点附近时,一个小小的冲击就能带来巨大的改变。有时,这意味着一种新的状态,比如说,一群随意游动的鱼群发现了前来攻击的鲨鱼会变化成排列整齐的鱼群。这种状态有利于快速游动,混淆捕食者。各种热门的文章总说要远离临界点。例如,要避免气候变化。但其实,正如鱼群躲避鲨鱼这个例子所揭示的,如果系统位于临界点附近,当环境发生变化时,就可以做出适当的调整。
 
捕食者对鱼群的影响
 
与时间尺度分离一样,如果我们可以调整与临界点的距离,这就可以成为一个有用的设计。举例来说,在近期对一个大型圈养猴子社会的研究中,我们发现社会系统已经接近临界点,炎热的午后带来的小小的骚动就会引发一连串的攻击。这会让猴群从平静的状态转变为全民皆兵的状态。在这个群体中,刚好有一些手握权力的个体控制了冲突,公平地制止了攻击。通过增加或减少干预频率,这些个体可以调整群体对骚动的敏感度,也就减小了攻击性级联传播的距离,从而调整了与临界点的距离。
 
目前我们还不清楚这种调节机制在生物系统中的普遍程度,但就像时间尺度的分离一样,我们可以把它插入人类的系统中。使人类系统的变化更加流畅,适应性也更强,从而能更好地去应对波动与冲击。就医疗保健问题而言,这意味着我们拥有的财力和技术能力可以在接到命令后建造、拆除临时的医疗平台;可以使用3D打印设备和生物可降解材料。在经济中,在泡沫破裂之前修复市场就起到了这一作用,虽然消耗了系统内部积累的能量,但级联范围被限制,市场不至于崩溃。
 
气候变化活动家对临界点的警告是正确的。当无法调整与临界点的距离时,当个体犯错(例如错误地认为鲨鱼来了)时,当系统缺乏弹性受干扰无法自动恢复时,问题就会出现。不可逆的扰动会导致系统完全重构或者失效。如果环境发生了变化,重构系统可能是必要的,但是新旧系统过渡的代价可能也是高昂的,因为系统需要时间和资源去找到适应新环境的解决方案。如果环境非常均匀或者说充满噪音,一切都是随机的而不能提供有效信息时,对干扰敏感是危险的。但如果战略转型是必要的(捕食者出现了),或者说环境发生了根本的转变,而旧的策略无济于事时,对干扰敏感就是有用的。
 
集体智慧:从信息积累到信息聚合
 
在不确定的环境中设计一个可以蓬勃发展的系统,所面临的挑战之一就是如何提高系统的信息质量。我们并不是完美的信息处理者,会犯错误,对世界的看法是片面、不完整的。正如基金管理人比尔·米勒(Bill Miller)所指:市场也是如此。我们做不到全知全能,这一点利弊相伴。从系统的角度来看,许多观察窗口对环境提供了的多重独立 (或半独立) 评估,这就提供了“集体智慧”。然而,每个人却都希望能具备完整的视角,因此他们有动机去复制、共享和窃取他人的信息。复制和观察可以促进个人学习,但是为整个群体提供信息的价值的独立性和多样性就会降低。从众心理就是一个例子,交易员看到别人抛售股票,就会惊慌失措地抛售自己的股票。
 
为了能让涌现工程取得成功,我们要能够更深刻地理解是什么使群体变得更加智能,我们知道这一过程分为两个阶段,在积累阶段,个体要收集有关世界运作方式的信息;在聚合阶段,收集到的信息会在这一阶段整合在一起。此外,我们也明白,如果个体不善于收集优质信息,因为自己的偏见而误解了数据,或者对自己的判断力过于自信,那信息聚合也可以弥补这一问题。
 
信息聚合机制的一个例子就是 Google 在搜索中所使用的 PageRank 算法。这一算法的基本原理就是为那些被大量链接的网页提供更高的权重。另一种聚合机制可以削弱大量的相同观点。因为这些观点是根据同样的推理过程得出的,破坏了多样性。以美国总统选举团制度为例,设计的初衷是“修正”民众投票,使得人口稠密地区的意见不能完全控制选举结果。另一方面,如果很难实践或者找出良好的聚合机制(选举团制度就有反对的意见),则可以通过提升个人信息素养来解决这一问题。这样一来,常见的认知偏差,如过度自信、锚定效应(anchoring)和回避损失(loss-aversion),从一开始就不太可能出现。也就是说,在设计能优化集体智慧的聚合算法的时候,隐私和公平这些伦理问题也凸显出来了。
 
我们并没有试图精准地预测未来,而是试图设计出能增强稳健性和适应性的系统。在面对新的情景时,这样的系统具有创造能力和响应能力。新冠流行提供了一个前所未有的机会,让我们开始思考如何利用集体行为和不确定性来为人类创造一个更美好的未来。在本文中,最重要的专业术语不是“混沌”、“复杂”、“黑天鹅”、“非平衡”、“二阶效应”,而是:“黎明”
 
 
作者:Jessica Flack、Melanie Mitchell
译者:Leo
编辑:邓一雪
 
 
话题:



0

推荐

集智俱乐部

集智俱乐部

504篇文章 2年前更新

集智俱乐部,英文名Swarma Club,成立于2003年,是一个从事学术研究、享受科学乐趣的探索者的团体。它倡导以平等开放的态度、科学实证的精神,进行跨学科的研究与交流,力图搭建一个中国的“没有围墙的研究所”。公众号:集智俱乐部,官网:swarma.org。

文章