我们知道，在现实世界中，一个个体能发挥的力量非常有限，因此很多目标或事件往往需要通过群体协作来完成。比如说，壮观的沙丁鱼群集体洄游场面就是一场震撼的群体协作行为。此外，无人机编队系统作战、复杂场景的综合监控、颠覆性技术的更新、信息的受众推送等都是群体协作的结果。十几年过去了，“如何在竞争激烈的环境下维持稳定的群体协作”这个问题依然是当今最具挑战的科学难题之一。而随着个体行为日趋复杂化和社会经济活动日趋多元化的交互演变，网络技术、大数据技术、人工智能技术等这些技术的发展极大地改变了个体的行为决策模式和认知过程，这也对传统群体协作观念造成了很大的冲击。
近日，中国科学院西安光机所李学龙研究员与合作者研究了数据驱动下群体协作的新型演化特点。
图1：沙丁鱼群集体洄游、蚂蚁集体运输食物、无人机编队完成空中任务、导弹部队系统作战都是群体协作的表现。群体协作在生活、生产、科技和军事中都有重要作用。
我们先来了解一下传统的群体协作是什么样的。传统的混合群体是指每个个体可以等概率的方式和任何个体进行作用，因此个体的相互作用没有固定的网络拓扑。而我们是根据现实经验引入的“网络群体”，即个体相互作用的对手是固定的，呈现出特定的网络拓扑结构。简单来说，混合群体的随机性非常大，而网络群体更具有针对性（更接近真实人群的拓扑作用特征），相互之间的关系也较为明确，因此网络群体的行为决策更具有大规模数据背景下群体决策的显著意义。
那么，“网络群体”的行为决策有什么特点呢？科学家们用“协作”和“非协作”两种决策，反复进行博弈，来产生行为决策的结构化大数据，然后对这些数据进行分析。
科学家们发现，相比于混合群体，信息网络将极大地提升个体之间的相似度，也就是说，看到周围人做什么，身在网络中的个体会更多参考和趋同于周围人的做法，进而更新自己的决策。这时候，处于劣势的单个协作者就自发的聚在一起形成网络团簇，从而保持更高、更稳定的群体协作水平。可以这么说，网络化作用可以最大限度地优化群体协作的效率。这一现象被称为“网络互惠”。
此外，科学家们进一步发现，网络化作用还可以导致群体协作的效率与优化所需花费相关性发生根本性的转变：网络群体可将混合群体中二者之间的正相关性转变为负相关性（即网络群体协作效率的提高仅需更小的优化代价）。为了更好的解释这个问题，科学家还将中性的“惩罚”作为第三种策略引入到信息网络中。这种新的策略选择将会在一定程度上降低网络决策中的相似度，增加群体协作优化的花费，从而破坏此前已形成的群体协作团簇，降低网络互惠的功效。也就是说，当惩罚措施引入以后，网络中某些个体不加思索或稍微不慎地实施惩罚会在一定程度打破人们已形成的学习和认知模式，引发更多个体的顾虑，从而破坏已经形成的协作氛围。
图2：行为决策演化示意图。最上面一行是混合群体，我们可以看到，随着时间的推进，合作者小蓝人的数量越来越少，而投机对抗者小红人的数量越来越多，而且每个小人之间的关系发生了复杂混乱的变动，这表明混合种群不利于群体协作。中间一行是网络群体，因为固定作用拓扑的存在，信息可以快速在邻居个体间传递，从而促使处于劣势的小蓝人抱团形成网络团簇，以便更有效地以集体形式对抗与抵制红色投机者。但最后一行将惩罚引入网络种群，惩罚的不慎使用便破坏了已有的合作团簇，从而使对抗更有利于投机者。
该研究成果为很多社会、科技、军事、经济问题提供了一定的科学依据。人们寄希望于通过群体协作来解决可能存在的网络信息泄露、交通日益拥堵、金融系统不稳定等等这些棘手问题。
刚才我们提到，网络化作用可以极大地优化群体协作的效率。在交通问题中，在交通道路和导航信息织成的网络中，遵守文明并道、人车互相礼让、积极搭乘公共交通等群体协作模式才是解决交通拥堵问题的根本所在。而在国际贸易问题中，世界各国在贸易领域建立了固有的网络联系，有效的促进了全球贸易的发展。但是，当某些个体或某些国家为了自身利益对其他个体或国家实施惩罚时，必然会引发对方的报复和对抗，从而破坏原有的合作模式。
此外，对于网络群体行为决策的研究也为未来的人工智能和大数据分析等研究指明了新的方向，比如“群体智能”。我们可以将行为决策大数据和脑认知大数据紧密结合，运用统计学和机器学习的方法，从根本上揭示行为决策的差异，以及预测群体行为的发展趋势，并最终控制群体行为，为社会的和谐、稳定、健康、繁荣发展提供保障。
相关成果以 Punishmentdiminishes thebenefits of network reciprocity in social dilemma experiments （信息网络可有效解决群体协作问题，但惩罚降低其效率）为题，于近日在线发表在《美国科学院院刊》（PNAS）。
