来自复杂系统的出行指南-集智俱乐部的财新博客-财新网

导语

交通出行几乎困扰着每一个生活在大城市中的居民，这一点在全球范围内几乎没有例外。墨西哥国立自治大学的计算机科学家 Carlos Gershenson。通过他的研究经验告诉我们，不要试图通过一两个简单的变量来模拟真实的交通出行场景。预期去精准的预测未来的交通变化，不如让系统能够自己适应变化。Carlos Gershenson 在 Quanta Magazine 的采访中指出：如果想治理城市交通，让交通系统能够做到自适应和自组织比试图控制交通要好很多。

没事，大家都堵在路上呢

墨西哥的首府墨西哥城因其独特出色的博物馆、美食与文化资源而闻名于世。不过，墨西哥城拥堵的交通也同样出名。这座城市拥有 2200 万人口和 600 万辆汽车。很多人的上下班通勤时间是2小时。迟到也是家常便饭，上学、开会迟到个十分钟、一刻钟也没什么大不了的。

在墨西哥城，人们的出行方式是一个复杂的问题。这个问题也是墨西哥国立自治大学的计算机科学家 Carlos Gershenson 在过去的二十年间最喜欢研究的问题。Carlos Gershenson 供职于墨西哥国立自治大学应用数学与系统研究所和复杂性科学中心。他给出的最基本的一条建议就是：我们无法简单地用一两个变量就对交通问题加以概括，生活在墨西哥城的居民代表了全世界半数人口所面临的交通出行问题。

墨西哥国立自治大学的计算机科学家 Carlos Gershenson | 图片来源：www.quantamagazine.org

Gershenson 认为，如果想解决一个复杂的问题，科学家就需要放弃传统的研究方法，转而去寻找新的研究方法来应对不断变化的挑战。2016年，他在 MIT 和东北大学担任客座教授时曾写道：“科学和工程都假定世界是可预测的，我们只要能找到适当的自然法则就可以预见未来……但从对复杂系统的研究来看，这种假设是错误的。”

如果想解决交通问题，就要学会用新的观点来看待复杂系统。

城市交通：复杂科学的练兵场

研究城市交通是一个实现、实验理论的完美方式。对于有工程学和哲学背景的 Gershenson 来说，他也乐于开发新的概念，也乐于利用这些概念来解决问题或者构建系统。

在 20 世纪 90 年代末期，Gershenson 在 Arturo Rosenblueth 基金会读计算机工程专业时，对人工智能产生了兴趣，从那时开始，他就着迷于复杂性问题。后来，他在萨塞克斯大学攻读进化和适应系统的硕士学位。但他在 Free University in Brussels 读博士时，他的兴趣点又重新回到了自组织系统。

Design and Control of Self-organizing Systems（自组织系统的设计与控制）该书试图提提供一种能处理复杂性问题的通用方法

只要构建了一个系统，开发出来的新概念中就会出现一些漏洞。也会面临着一些你没有预见到的问题，这需要去完善对概念的理解，并加以修正。答案总是会带来新的挑战，只要解决了这些挑战，就可以回过头来，让概念更加完备。

应当从理论走到实践，再回头去完善理论。

在 20 世纪 90 年代，加州伯克利大学也开发了一个研究汽车车队的项目。墨西哥著名工程师 Luis Agustín álvarez-icaza 参与了该项目。他曾致力于自动化车队的开发。在这一项目中，汽车可以以88km/h的速度一辆紧挨一辆车的前进，并以此来提高高速公路的通行能力。Luis Agustín álvarez-icaza 做得很成功，但是因为保险公司的缘故，这个项目无法推广。有趣的是，过了20年，现在的自动驾驶公司也面临同样的问题——保险公司也给了他们约束限制。

加州伯克利的 California PATH 项目 | 图片来源：path.berkeley.edu

Gershenson 读博士时期的第一个项目就是关于自组织系统的，他当时的设想是“试图让汽车车队像鸟群一样”。鸟群是自组织系统的一个典型例子。在模拟系统中实施了不同的策略，其中一个策略就是自组织：比如说，一个车队，每一辆车都试图和他们的邻居的速度保持一致。

鸟群算法 Boids | 集智百科小贴士

鸟群算法 Boids 是模拟鸟类群集行为的人工生命项目，由克雷格·雷诺兹（Craig Reynolds）于1986年开发。

在最简单的Bolds 世界中适用的规则如下，其描述了鸟群中的个体如何根据周边同伴的位置和速度移动：分离 Separation：移动以避开群体拥挤处；对齐 Alignment：转向群体的平均航向；靠近 Cohesion：朝群体的平均位置（质心）移动。

但结果非常失败，因为一些汽车会试图先加速再减速。这样就会得到一些讨厌的震荡，研究失败了。Gershenson从没把它作为能接受同行审评的论文发表。

最有效的策略是自私，每一个人都试图尽可能的快。

其实，Gershenson 的第一个博士生 Luis Enrique Cortés Berrueco 做了更加深入的研究。他通过博弈论和交通模拟来研究“自私”与“合作”这两种驾驶员之间的影响。事实证明，如果道路上的车辆密度很低，自私的司机会提高交通的效率，但这只是在低密度的情况下如此，而且也只评估了效率。毕竟，这种司机更危险。

利用博弈论来研究交通出行 | 图片来源：Traffic Games: Modeling Freeway Traffic with Game Theory

如果在车辆密度中等的道路上，当一个驾驶员超车、别车时就会减慢后面所有人的速度，效果并不好。不过，要是道路上挤满了车，自私不自私也无所谓了，因为谁也动不了窝。

博弈论 | 集智百科小贴士

博弈论 Game Theory（亦称对策论或赛局理论）是研究理性决策者之间战略互动的数学模型 Mathematical models ，[1]是研究具有斗争或竞争性质现象的理论和方法。博弈论既是现代数学的一个新分支，也是运筹学的一个重要学科，在社会科学 Social science 、逻辑学 Logic、系统科学 Systems science和计算机科学 Computer science 中也有应用。

囚徒困境是一个极为经典的博弈模型，它告诉我们如果系统中每一个个体都作出对自己最有利的选择其结果可能是最坏的。

无尽的变量：复杂模型面临的取舍

城市交通是一个复杂系统。模拟一辆汽车的运动轨迹很容易，因为它具有均匀的速度和加速度，这基本上就是高中数学。当然，还有些其他细节，比如摩擦力，比如风阻等等，但这些我们可以忽略不计。

问题在于，在现实世界中，一辆车在未来的某一时刻会落在什么位置上，不仅取决于它的速度、加速度，还取决于路上是否有其他汽车、行人与自行车。如果其他车辆开得更慢或者更快，并以此判断其危险性与跟车距离。这些问题之间都有很强的依赖性。人们无法预测一辆汽车两分钟后会到达哪里，因为这取决于前方的车辆有没有及时对信号灯做出反应；有没有分心走神；路的前方有没有公交车；有没有违章停车；甚至是有没有人在擦挡风玻璃。

事物间的相互作用定义了复杂性。在城市的流动性问题中，相互作用非常重要。这还没有包含机动车驾驶员的人为因素，比如，分心走神、疲劳驾驶、服用药物、路怒等等。

如果试图去简化一个问题，而不考虑相互作用。那得到的解决方案将是非常有限的。在城市流动性领域中，技术历史学家 Lewis Mumford 提出了这样一个说法：“增加高速公路来解决交通拥堵问题，就像用放开裤腰带治疗肥胖一样。”这个方案并没有解决运输需求，也没有解决如何满足运输需求。

复杂系统建模 | 集智百科小贴士

复杂系统建模是指采用复杂系统的基本方法，比如神经网络建模、基于主体的建模方法、遗传算法、粒子群优化算法、蚁群优化算法应用在社会科学网络中，为社会科学中的非均衡系统的动态分析提供了理论支持。

开发一个复杂系统，需要考虑哪些因素取决于你想要做什么样的模型，如果你希望你的模型可以预测未来，那么你确实需要包括很多细节。假设，如果为墨西哥城的交通建模，那么就需要知道一天里每个小时有多少量车；沿哪条路线行驶；平均加速度是多少；是否在下雨等等。很多因素都会影响交通流量，就要尽可能多的添加细节。

但如果希望模型能用于理解一个系统就足够了，而不是要做预测。那么在很多情况下，一个高度抽象的模型是管用的。Gershenson 曾把模拟程序做得很复杂，因为他希望能尽可能的真实。但后来 Gershenson 开始做更简单、更加抽象的模拟程序，比如，汽车可以无限加速，车辆之间的空间是对称的，这些情况在现实中是不存在的。但即使做了这样的简化，通过模拟实验，人们仍然在城市交通中发现了 6-10 个相变。当车辆密度增加时，速度、车流时如何发生剧烈变化的。如果模型过于复杂，就看不到这一点。

即便做过模拟实验，墨西哥城也有一些独特之处。根据不同的评价指标，墨西哥城的流动性都是最差的。我们和政府当局的联系更加密切。因此，Gershenson 等人可以试图左右正在制定的决定和改进方案。

自组织的信号灯系统：高效环保还省心

Gershenson 在墨西哥城用交通信号灯做了一个可以加速通勤效率和减少尾气排放的项目。交通信号灯系统通常按照被认为高效的方式定时、编程的。

Self-Organizing Traffic Lights 论文页面截图（https://arxiv.org/abs/nlin/0411066）

为了保持车辆行驶去协调所有的信号灯是一个问题。因为要协调的影响因素越多，需要的计算量也就越大。这一问题是在持续变化的，因为车辆的增减是无法预测的。每个交通信号灯能拦下的汽车准确数字在不断地变化。即便你测得的是平均每分钟能拦截下13辆车。但实际可能是，一分钟20辆车，另一分钟6辆车。研究者本来想优化交通流量，但是优化算法的计算要求非常高，所以要用适应性算法。

自组织的交通信号灯有传感器。通过修改信号灯的时间来应对流入的交通流量。这种算法不是在作预测，而是在不断地适应交通流量的变化。如果算法能适应精细化的需求，就不会出现汽车等红灯时发动机空转的现象，车辆等红灯的唯一原因就是有其他车辆在过马路。

交通信号灯告诉我们该做什么。现在有了传感器，汽车也可以告诉交通信号灯做什么。

自组织 | 集智百科小贴士

自组织（Self-organization），在社会科学中也被称为自发秩序，是指一种起源于初始无序系统的部分元素之间的局部相互作用、所产生出某种形式的整体秩序的过程。最终形成的自组织是完全分散的，分布在系统的所有组件中。因此，自组织通常是健壮的，能够生存下来或者自我修复严重的干扰。

如果一排排的车辆能不停地穿过一个又一个十字路口，Gershenson 等人认为路口出现绿色波浪（green waves）。这样的系统就可以促进绿色波浪的出现。研究者并不是在编程时，在系统中写下“将会出现一个绿色波浪，速度会这样慢下来”。而是交通系统本身就发生了绿色波浪，这都是自组织系统，因为在十字路口，信号灯之间不会交流。

这是一种隐式的控制系统的方法。因为在控制论中，人们想要能确定地知道未来会发生什么，但是在这种清况下，人不需要告诉系统解决方案是什么。但是由人设计的交互系统会不断地寻找合适的解决方案。

在模拟实验中，通过让信号灯组成自组织系统，通行时间减少了25%。汽车等候红灯时的空转现象也减少了，因此尾气排放也大幅减少。

当然，这只是一个模拟。如果道路上有公交车辆和不同性格的司机，就不知道该系统是否还会起作用。交通效率提高了其结果可能也会适得其反，因为交通流量变好，就意味着能促使更多的人开车。但如果街上的车辆更多，也意味着，汽车的排放量也就越多了。

从预测到适应：放弃控制系统会自己变好

复杂系统的潜在问题在于大多数工程师所学的传统方法都是基于预测可控问题的，他们会试图改进这些方法。但对于复杂系统，预测几乎是没有希望的。当你找到最优解时，问题就变了，解决方案也就过时了。

通过自组织系统，人们可以有一个完全不同的方案：从预测算法到适应算法的转变。研究者利用自组织技术模拟了火车、地铁、公共汽车等公共交通系统的运行情况。它比大多数那种试图做出预测的控制机制更有效。

通过运用适应能力强而不是预测能力强的计算机模拟方法，Gershenson 把自组织系统当作了提高城市流动性的工具。尽管他提出的交通出行解决方案在大多数城市中都受到了层层阻力，但他的理念还是在 2016 年的墨西哥城的地铁系统中得以实施。在这项工作中，乘客会被明确地告知候车区域，以便于让其他乘客顺利出站。在这个试点项目中，上车过程中的推搡冲撞几乎得以完全消除，上车时间减少了15%。

Improving public transportation systems with self-organization: A headway-based model and regulation of passenger alighting and boardin 论文页面截图（https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0190100）

墨西哥城的地铁项目也得到了一些令人吃惊的结果。研究者并没有想到人们会开始排队上车，因为最初只是希望他们留出空间让人们下车，并不是要求他们排队。所以这个结果是出乎意料的，但是它确实有效。Gershenson 实现了既定目标。但是直到系统完全运行起来，Gershenson 等人才搞明白为什么这个方法能起作用。

站台上的上下车标识符 | 图片来源：Improving public transportation systems with self-organization: A headway-based model and regulation of passenger alighting and boardin

以前，游戏的规则是：如果你想进入火车，你必须推人。如果你不推人，你就上不了火车，所以即使你不想推人，如果你想上车，你也必须推人。这是一个每个人都在推动的反馈。

通过改变平台上的信号，Gershenson 等人改变了游戏规则的目的。现在，如果人们排队登上车，就得到了一个机制，在这个机制中，何时上车是模糊的。只要知道“站在队伍第一个的人将第一个上车”。后面的人就没有在推人的必要了。

当人们开始有意识或者无意地意识到这一点时，那些推推搡搡的人就会受到集体的惩罚。人们会说：“干嘛，你干嘛推我，别推了！”

在2007-2008年间，Carlos Gershenson 从事博士后研究工作。其博士后导师 Yaneer Bar-Yam 现在是 MIT 物理学教授、新英格兰复杂系统研究所所长。Yaneer Bar-Yam 表示：“Carlos 的研究提大地提高了我们对交通流自组织系统的理解水平以及自组织系统对真实世界控制和优化的能力。” Gershenson说道：“重新提出了问题，这是一个人所能产生的最重要的影响。”

MIT 物理学教授、新英格兰复杂系统研究所所长 Yaneer Bar-Yam | 图片来源：necsi.edu

从社会态度到人工智能：复杂系统的难题在系统之外

通过研究不同情景下的复杂性问题，Gershenson 认为提高城市流动性的最大挑战不是来自科学，而是来自政治和社会。

如果说要“改善城市交通”，每个人都会同意的。没有人愿意继续我们现在的生活方式——环境污染、经济损失、时间浪费、压力加大等等。喊口号，每个人都会同意。但是具体到做什么的时候，每个人又都不同意了。

所以，Gershenson 认为最大的挑战是如何发展出协调机制，来协调政府、公司、学术界与社会其他部门提出的解决方案。有识之士正在努力让不同的部门参与进来，政府部门的人也正在尽可能快地给出方案。但是这些事情仍然需要几年的时间。而且，社会情况恶化得更快。

Gershenson 认识的大多数研究交通的人都是骑自行车的，因为这是在城市里最好的出行方式。对于中等出行距离，骑车可能是一个不错的解决方案，但并非适合每个人。不过，你会发现在那些已经投资修建自行车道路的城市。骑车出行是一种非常不同的生活方式，我认为每个人都能从中受益。因为汽车的减少，那些不骑车的人也能受益。

面对人工智能带来的挑战，Gershenson 认为机器正变得逐渐与我们融为一体，但我不认为机器会取代人类。机器能帮助我们扩展认知和协调能力。有可能在未来，决策将更加分散。但最终，我们还会遇到责任问题，这又回到了保险难题上：如果一辆自动驾驶汽车出了交通事故，那是谁的责任，店主？制造商？还是，程序开发者？

这样的系统能使人们做那些做不到的事情，这就是为什么人们会相信机器。但是，机器也会失灵，所以不应该完全信任机器。这也是我们需要适应性的原因，自组织系统给了我们这样的机会：在维护现有功能的同时，也提供适应能力，这样我们就可以为意料之外的事情做好准备，我们对未来应当抱有期待。

本文编译自QuantaMagazine对Carlos Gershenson的采访。

参考资料：

Complexity Scientist Beats Traffic Jams Through Adaptation

https://www.quantamagazine.org/complexity-scientist-beats-traffic-jams-through-adaptation-20200928/

编译：Leo

编辑：邓一雪

导语

在蔓延2020一整年的新冠疫情中，各国政府和公众不仅在对抗一场大流行，还在对抗各种虚假、低质量信息的大流行。近日Nature Human Behaviour 期刊在线发表一篇论文，研究者基于全世界162个国家在新冠大流行的早期（1月22日-3月10日）的1亿条推特信息，研究了与流行病流行相伴而生的“信息流行病”现象。

论文题目：

Assessing the risks of ‘infodemics’ in response to COVID-19 epidemics

论文地址：

https://www.nature.com/articles/s41562-020-00994-6

面对跌倒起伏的美国大选，想必太多人见识到了假新闻的危害。信息流行病（infodemics）是描述这一现象的新词。它由信息information和流行病pandemic两个词合成而来，是指伴随疾病的流行，各种信息特别是虚假信息大范围传播，进而造成巨大负面社会影响。如今关于新冠病毒的信息流行病正在世界范围内蔓延。

信息流行病的传播过程，与传统的流行病传播有相似性。为了描述与新冠疫情相关的社交媒体中的信息传递，研究者首先对信息和传播者进行了分类。

图1：信息传播示意图

如图所示，社交媒体上的信息传播方，不仅有真实人类，还有一些机器人账号。根据账户发布的信息真伪，将其分为红色、蓝色和绿色三种，分别代表虚假信息传递者、一般用户和可信信息源。

针对不同类型的信息，给予不同的打分，例如阴谋论的危害最大，得分是9，而虚假信息的危害为8分。之后针对各地区某段时间用户的新冠信息总和，得出代表该地区的信息流行病的总分，称其为“信息流行病风险指数（Infodemic Risk Index ）”。

图2：各国不同时间段新增病例和社交网络中传播信息的信息关系

上图中部，展示了世界各国受到“信息流行病”影响的程度，四角分别是加拿大、俄罗斯、危地马拉和韩国日均病例和传播信息的有多少是经过验证的（浅蓝色），有多少是未验证的（深蓝色），图中的圆圈代表该国单日新增病例数。

图3：各国的信息流行病严重程度随时间变化

对比国与国、地区与地区，可以发现在不同地域，信息流行病严重程度的变化是独立的。上图所示的各国信息流行病风险指数，先后顺序上并不存在相互之间的影响。

总病例数和信息流行病严重程度的关系

而对比在研究期间，总确诊病例数和各国信息流行病风险程度得分的记录，可以看出两者之间并没有显著的相关性，其中红线为线性回归的结果，黑线为多项式回归拟合。

从该研究中，可得出几个出人意料的结论：

社交网络中关于疫情的信息大多是未经验证的、错误的；

谣言的传播和单日新增病例这一代表疫情严重程度的指标，并没有明显的关系；

不同国家可信与不可信新闻来源的占比，和社会经济发展程度没有关联。

考虑到应对新冠，最有效的手段是预防，而这需要真实信息的广泛传递。故而这项研究有着深远的意义。但由于教育背景、常用语言的原因，缺少对各国社交网络的无偏采样，同时由于实时收集海量数据面临的困难，该研究还有诸多局限性。

作为一篇量化研究”信息流行病“的论文，这项研究提出在重大社会事件背后，社交网络中必然存在着与正确信息伴随的虚假信息，而虚假信息的传播规律，比想象中的更为复杂多样。

信息流行病作为新兴课题，在全球疫情持续发酵、人类信息环境愈发恶劣的背景下，未来研究值得期待。未来还会继续拓展，比如可以考察社交网络中机器人账户在虚假信息传播中起到的作用；可以针对可靠来源的数据，建立多语言的文本库；以及对跨社交平台进行文本挖掘，建立对各国人群的有代表性的抽样。

作者：郭瑞东

编辑：邓一雪

话题：