arXiv：复杂自适应系统的自组织原则——通过服务来生存

导语

真实的生物代谢网络、神经网络乃至社会经济系统，能在没有集中控制的情况下发展出有组织的结构，这是如何实现的？近日axrXiv的一篇研究，通过构建最小多智能体模型，让其中智能体交互共享资源，并在其输出被系统其他智能体利用时仅接收局部反馈。在这样一个仅仅用是否有用当成信号的最简交互环境下，系统在没有全局目标时自发组织为功能交互网络。研究者据此提出“通过服务来生存”（Surviving by Serving，SBS）这一候选自组织原则：一个组件的输出如果持续被系统中的其他组件利用，其功能便更容易稳定；长期未被利用的组件则继续调整和探索。模型结果表明，这条局部规则足以在特定条件下产生转化链、核心—边缘结构和新状态。

关键词：复杂适应系统、自组织、涌现、集体智慧、人工生命

郭瑞东丨作者

赵思怡丨审校

论文题目：Surviving by Serving: Functional Relevance Drives Self-Organization in Complex Adaptive Systems 论文链接：https://arxiv.org/abs/2606.26733 发表时间：2026年6月25日 论文来源：arXiv

“是否被使用”决定智能体能否稳定下来

为了检验局部互动能否产生有组织的整体结构，研究者没有模拟真实的代谢网络或社会系统，而是构建了一个尽可能简单的多智能体模型。模型中的智能体没有全局视野，也不知道系统最终要实现什么目标。它们只能根据自身的输入要求，在一个共享交互空间（Interaction Space）中寻找可以利用的状态。

具体而言，每个智能体都预设了两种“输入需求”。当共享交互空间中出现与这些需求足够相似的状态时，智能体就会将其作为原料消耗，并生成一个新的输出状态。这里的状态都被表示为向量，状态之间是否匹配，则由向量的相似程度决定。只有相似度超过设定阈值，一次转化才会发生。

围绕这一基本过程，模型设置了四类相互作用的要素：

1. 原材料 (Raw Materials)：由系统外部持续投入的两种基础状态，为整个转化过程提供起点。

2. 转化智能体 (Transformation Agents)：寻找符合自身输入要求的两个状态，将其消耗并生成新的状态。

3. 评估器(Evaluators)：从共享空间中选出符合特定目标条件的状态，用来记录系统是否产生了满足外部需求的结果。

4. 老化机制 (Aging）：以一定概率清除没有被及时利用的状态，防止它们在共享空间中无限积累。

这套互动机制，被称为“通过服务来生存”（Surviving by Serving）， 简称SBS。

图1：自适应智能体组成的互动网络

在这样的互动过程中，一个智能体本身并不知道自己的输出是否“正确”。它只能通过后续发生的事情判断自己的输出有没有用：如果输出被另一个智能体继续用作输入，或者被评估器选中，生成该输出的智能体就会获得一次局部反馈。这意味着它的产物已经进入后续转化链，因而在当前网络中获得了“功能相关性”。正是在这一意义上，研究者将模型的核心规则称为SBS：一个组件不是因为符合某个预先规定的全局方案而稳定下来，而是因为它的输出持续被系统中的其他组件利用。

如果输出长期无人使用，智能体进行适应性调整的概率便会升高，通过改变转化参数和加入微小扰动来尝试生成新状态。由此，已经发挥作用的智能体趋于稳定，尚未找到功能位置的智能体则继续探索，为系统形成转化链和功能网络创造条件。

系统如何生成输入中没有的新特征

接下来，研究者设置了一个“缺失维度”障碍：所有原材料在第0维上的取值都为0，而两个评估器寻找的目标状态，却分别需要在这一维度上呈现明显的正值或负值（+1 或 -1）。由于原材料完全不包含这一特征，仅靠对它们进行线性组合，系统永远无法满足评估条件。

不过，智能体在转化状态时还会加入微小的随机扰动，使输出能够稍微偏离原始输入所在的范围。这些变化起初很微弱，但经过多个智能体的连续转化和重新组合，其中一些扰动会被逐步放大。一旦带有新特征的状态被下游智能体利用，相应的转化方式便会获得反馈并稳定下来。最终，系统进入了原材料无法直接到达的区域，生成了满足评估条件的状态（图2a、b）。这模拟了创新过程中的 “相邻可能”（Adjacent Possible） 的拓展。

图2：尽管初始输入对应维度为空，系统依然生成了丰富的状态类型

如图2c所示，随着时间推移（不同颜色的点代表不同时间点），交互空间中的状态（灰色/彩色点）逐渐“从维度0为0的初始值，向评估器目标（红色和蓝色星号）所在的区域扩散。这一过程类似于创新研究中的“相邻可能”：系统从已有状态出发，通过微小变化和连续重组，逐步打开此前无法到达的状态空间。

这证明基于SBS支持真正的创新（Novelty Generation），而不仅仅是“优化”（Optimization）。需要注意的是，新特征并非凭空产生，而是来自模型预设的随机扰动。系统通过预适应（pre-adaptive）的随机游走，偶然跨越了维度障碍，一旦某个智能体偶然生成了带有非零维度0特征的状态并被下游利用，这条全新的功能链就会被SBS机制迅速固化。

智能体互动形成核心—边缘结构

当模型扩展到24个智能体，并连续运行1000个回合后，智能体之间逐渐形成了明显的分工。实验的前500个回合关闭评估器，让系统只依靠内部互动演化；后500个回合再开启评估器，引入外部目标。研究者根据智能体彼此传递状态的频率，将互动活跃的智能体划为核心，其余划为边缘。

图3a左上角的核心区域，出现了极其密集的深色方块，表明这些核心智能体之间形成了高度互惠、高频的内部状态交换循环。它们构成了一个自给自足的“功能闭包”子系统。这个核心网络在评估器开启前（前500回合）就已经形成，说明SBS能够自发产生预适应（Pre-adaptation）的基础设施，随时准备被外部需求“征用”。在评估开启后，核心智能体的适应性探索率急剧下降并维持在极低水平，而边缘智能体则保持较高水平。

这一现象与生物演化中的前适应（Exaptation）存在一定相似性，即原本并非为当前用途形成的结构，后来被用于新的功能。不过，这里只是计算模型层面的类比，并不等同于对生物前适应过程的完整模拟。

图3：强连接下核心-边缘 (Core-Periphery) 结构的自发形成

之所以这样，是因为核心智能体的输出被彼此稳定消耗，功能相关性极高，无需适应性探索。相反，边缘智能体由于难以融入核心循环，经常处于“未获局部强化信号”状态，从而被系统持续驱动去探索新的转换规则。这为系统同时保持稳定性和探索能力提供了一种可能机制。现实世界中，经济网络中的“核心企业”通过稳定的供应链相互锁定，而“边缘初创公司”则被迫不断试错创新；生态系统中，成熟的“顶极群落”物种关系稳定，而“先锋物种”在不断尝试开拓新环境。不过，不同随机种子下核心—边缘分化的清晰程度并不一致，因此这种结构能否在更广泛的参数条件下稳定出现，仍需进一步检验。

而上述核心-边缘结构，对应了“探索与利用”的权衡（Exploration-Exploitation Trade-off）。该结构的出现无需要经过全局算法设定，SBS规则下可自然涌现。这解释了复杂系统如何同时保持鲁棒性（核心稳定）和可进化性（边缘活跃）。

接受标准对自适应系统并非越宽松越好

模型中还有一个关键参数——接受阈值。它决定一个状态与智能体的输入要求有多相似，才能被接收和继续转化。阈值较低时，匹配条件宽松，状态很容易在智能体之间流动；阈值较高时，只有高度相似的状态才能被接收，互动因而变得困难。

为了考察这一参数的影响，研究者将接受阈值从0逐步提高到1，并在每个取值下用不同随机种子独立运行模型50次。结果显示，阈值对不同系统指标产生了两类影响：目标达成率、状态转移和评估器选择次数随阈值升高而下降；交互空间中的状态数量和来源多样性则呈现先升后降的非单调变化。

图4描述的几个指标与阈值的关系，可分为连通性和特异性两类，连通性，诸如全目标达成率呈单调递减，而独特状态数呈倒U型，对应低阈值下的无效循环与高阈值下的随机探索。

图4：接受阈值对自适应网络的非单调影响

研究者将阈值从 0.1 逐步增加到 0.8，在每一个阈值点上，独立运行模型 50 次以消除随机种子带来的偶然性。图4的六个面板分别绘制了这50次运行的平均值（实线） 与 标准差（阴影误差带） 随阈值变化的曲线。

图4a对应的是达成全目标的比例，该比例单调急剧下降。阈值越低，匹配越容易，系统极易在100回合内“碰巧”组装出满足两个评估器的状态链。一旦阈值升高，匹配难度呈指数级增加，功能链迅速断裂，成功率直接归零。

阈值越低，智能体的输出越容易被接受，从而获得局部强化信号（输入状态），转移次数爆炸式增长（图4b）。随着阈值升高，匹配难度呈指数级增加，网络内部的物质/信息流动迅速枯竭。

在高阈值区，图4c的平均突变次数曲线陡峭上升。由于智能体极难获得匹配，长期无法获得局部强化信号，导致其疯狂地进行突变。但这是一种“绝望的探索”，因为即使突变，也很难在苛刻的条件下碰巧满足下游需求。在中等阈值区，突变率维持在一个健康、中等的水平。系统既有足够的稳定性来维持已建立的功能，又有适度的压力驱使边缘智能体进行有效探索。

图4d的平均生成状态总数随阈值升高而单调下降。生成的状态总数与转移数直接相关。转移次数越多，生成的新状态就越多。在低阈值下，系统像一个失控的打印机，吐出海量状态；在高阈值下，系统的产出几乎停止。

图4e衡量的是系统状态库的有效多样性，即平均独特状态数。低阈值情况下，虽然生成的状态总数巨大，但独特类型却很少。为什么？因为宽松的匹配导致智能体反复利用相同的、容易获取的低质量状态进行无意义的循环转换，产生了大量冗余的无功能相关性的随机组合。而高阈值下，独特类型极少，因为系统根本无法启动转换，状态库贫乏。

中等阈值（0.35 左右），独特状态类型数达到顶峰。适度的匹配难度充当了“过滤器”，淘汰了无意义的随机组合，只允许那些具有特定结构、能够被下游再次利用的“高质量”状态留存并作为新探索的基石。这直接促成了克服“缺失维度障碍”所需的创新。

图4d和e的倒U型曲线，可类比组织管理中的容错率与创新。企业对员工创新的考核标准。标准过低，产生大量无效PPT和伪创新；标准过高（如要求100%成功率），则无人敢尝试新事物。优秀的创新生态（如早期的Google或3M）总是设定一个“中等且清晰”的门槛，允许失败，但要求产出具有真实的内部或外部“利用价值”。

图4f衡量评估器成功“购买”或选择到满足其特定需求的状态的次数。评估器就像市场上的“买家”，拥有特定的“需求向量”（目标状态），交互空间就像“市场”，充满了智能体生成的各种状态。Purchase（购买） 指的是评估器在交互空间中找到了与其目标向量余弦相似度超过阈值的状态，并将其“消耗”。

低阈值时，购买数最高，评估器几乎可以“购买”到任何状态，匹配条件极度宽松，系统表现为“买方市场”，评估器需求极易满足。阈值增高后，评估器几乎无法找到满足苛刻匹配条件的状态，购买行为趋近于零。

参数敏感性结果显示，集体动力学本质上取决于接受阈值的设定。提高该阈值会降低状态之间的兼容性，减少转移活动及成功的评估次数，同时增加适应的压力。与此同时，交互空间的大小以及状态的多样性也表现出非单调的依赖性，这表明中等程度的选择性可能会促进状态与交互行为的丰富性。

讨论：从局部利用到功能组织

这项研究采用规则简单、过程可追踪的智能体，目的是检验一条局部规则能否产生有组织的集体行为。结果显示，即使智能体不知道全局目标，只根据自己的输出是否被使用进行调整，系统也能形成状态转化链和一定程度的核心—边缘结构：持续为下游提供可用输出的智能体趋于稳定，长期未被利用的智能体则继续探索。

SBS与自催化网络和组织闭合理论存在相似之处。这些理论关注系统中的组件如何相互支持并维持整体运行，SBS则进一步强调“持续利用”的作用：组件不仅需要相互连接，其输出还必须被其他组件反复使用，相关转化方式才能稳定下来。

这一思路还可以延伸到经济、认知和人工生命等领域。例如，产品只有持续被生产者或消费者采用，才可能长期存在；在人工系统中，也可以让内部模块根据其输出是否被下游使用，决定保持稳定还是继续调整。由此，系统可能在没有中央控制的情况下逐渐形成分工，并在维持现有功能的同时探索新的结构。

不过，目前的证据仅来自一个抽象模型。模型中的新特征依赖预设的随机扰动，核心—边缘结构也并非在所有模拟中都同样明显。因此，SBS现阶段更适合被视为一种有待验证的自组织假说，而非已经适用于生物、经济和认知系统的普遍规律。

复杂系统管理学读书会第四季

集智俱乐部「」邀请清华大学教授、西南财经大学社会发展研究院客座教授罗家德，电子科技大学计算机科学与工程学院教授周涛，复旦大学计算与智能创新学院教授陈阳，暨南大学新闻与传播学院副教授赵甜芳，以及产业复杂科学推动者、北大纵横合伙人陈雁鸿共同发起。

第四季复杂系统管理学读书会立足于“AI驱动的复杂组织系统管理”这一主题，旨在突破单一视角的局限，从管理哲学与前沿技术的双重视角，探寻人工智能时代组织进化的未来路径。从 2026 年 6 月 13 日开始，每周六下午 14:30-16:30，预计持续 8～10 周。期待与各位同仁共同学习复杂系统管理领域的前沿理论、共同探讨复杂科学理论在 AI 组织管理场景的实践与展望，一起应对百年未有之大变局下的组织发展未来。

详情请见：

1.

2.

3.

4.

5.

6.

7.