在动物世界中，个体局部互动带来社会化模式的现象很普遍。比如，鸟类、鱼类的群聚，蚂蚁、蜜蜂的社会组织等。蚂蚁个体寻找、搬运食物，向周围散播信息素，在似乎微不足道的互动中却带来社会化分工，涌现出蚂蚁王国。椋鸟是一种群栖杂食鸟类，它们有时会集聚飞行，在空中一边鸣叫，一边不断变换飞行模式，像大团乌云翻卷掠过，如万千士兵呼啸而来，场面奇幻。没有指挥中心，椋鸟怎么会实现如此复杂的飞行模式变换？科学家发现，仅观察临近的六七个伙伴，个体椋鸟便可以微调飞行的角度和速度，庞大群体的飞行模式便会在鸟群中涌现。

　　参考此类现象，行动者模型（Agent-based Modeling，ABM）假设社会由自主行动者（agent，也称智能体）构成，行动者依据具体境遇，按照简单的规则活动，与其他行动者和环境间的迭代互动，便会自下而上造成社会化模式。大体上，对涌现机制的这种理解是ABM模拟社会现象的逻辑基础。

　　ABM模拟系统或人造社会有三个基本组件：1.拥有一定认知/行为特征的行动者；2.行动者与行动者/环境的互动规则；3.活动场域。通过操纵它们的迭代互动，可以观察社会现象的演化，理解现象的出现或消失，检验已有理论，幸运的话，还可能提出新理论。ABM研究有如下几个特点和问题。

　　引入时间维度

　　以调查和实验代表的量化社会研究受制于截面（特定时间节点）证据，不易确定变量影响的时间顺序和推测前因后果。ABM允许系统不断运行（如几次到数百万次），引入了时间维度，使人更易探测变量作用的因果顺序。此外，随机性在演化中的作用甚为重要，但截面证据很难说明“黑天鹅事件”是否出现、会造成怎样的后果。在成千上万次运行中，ABM采用蒙特卡洛方法可捕捉到罕见事件，评估其发生概率和后果。

　　许多社会现象源于漫长的演化，有关经验证据会随时间消失，只能通过理论猜想推测其变化动力。ABM提供了检验猜想的机会。例如，从经济学理性人假设到道金斯（Richard Dawkins）的“自私的基因”，自利被假定为人类行为的基本动机。但在实际生活中，没有合作，社会难以为继，人类也无法生存。合作何以从自利中产生？阿克塞尔罗德（Robert Axelrod）通过举办计算机程序竞赛，探索“囚徒困境”。由参赛者撰写赢家策略，模拟行动者之间的博弈。在12万次对局中，“一报还一报”得分最高。即是说，虽然受前提条件（如重复博弈、无中心控制等）约束，“以牙还牙”（背叛）和“投桃报李”（合作）的互动构成了适应性选择。但是若不引入时间维度，则很难观察到此类长程演化涌现出的稳定模式。

　　操纵不同情境

　　实验法在科学研究中最受推崇，因为实验允许控制/操纵情境，分离不同变量的影响，便于发现变量间的因果关系。不过，在很多时候，社会情境难以控制，无法通过操纵情境来观察因果变化。ABM模拟常被称作计算实验（computational experiment），因为它允许不断操纵情境变量，析出特定变量的影响，类似于在一个逐级控制环境中连续观察因果关系变化。

　　例如，针对媒体技术和舆论极化的关系问题，戈什克（Charles M. Geschke）等人从三个层面分析了派别意见“回音室”的形成。第一是认知层面，个体更乐于接受符合自己观念、价值和身份的信息，有自我肯定的认知偏向（confirmation bias），寻找和散播自己偏好的信息。第二是社会网络层面，作为社会化动物，个体更可能受到关系密切者影响，形成同质观点回音室。第三是技术层面，算法推荐迎合个体偏好信息，商业媒体在市场争夺的同时，也促生了回音室。模拟个体只接受：1.随机出现的不同态度信息（类似人际随机交流）；2.统一发布的信息（类似主流媒体）；3.特定他人主动发送的信息（类似社交媒体的朋友圈交流）；4.算法推荐的信息（包括态度相似或差别较大的信息）等情境（如图表所示）。戈什克等人发现，在随机情境中，个体接收到多样信息，无法形成回音室（如情境1所示）。当社交媒体出现，朋友间互发信息时，回音室随之出现（如情境5、6、7、8所示）。算法推荐的影响是双向的，若发送投合用户偏好的信息，即便没有朋友发送的信息，回音室也会出现（如情境3所示）。若推送与用户观点有差别的信息且没有朋友间的信息发送，回音室消失（如情境4所示）。只允许由单一中心发布信息，也会抑制回音室出现（如情境2所示）。

　　模拟表明，自我确认偏向是信息群落产生的元动力。除非实施中心化控制（如情境2所示）或逆向算法推荐（如情境4所示），只要有技术加持，内在认知偏向便会外化为回音室。情境1、4在现实中并不存在，情境2也很难真正存在。情境操纵凸显出特定变量与回音室的关系，ABM则更好地刻画了技术与回音室之间的关系。

　　程序化动力机制

　　科学研究旨在发现因果关系，因果关系包含法则（定理）和机制。法则指事物在任何条件下都服从的因果关系；机制则指事物在特定或理想情境中服从的因果关系（如受到交易成本、信息畅通程度和主体理性等条件约束的价值规律）。在社会现象中，法则较为少见，有关研究多以发现机制为目标。ABM允许操纵变量，针对研究问题制造理想情境，故可能观察到社会现象的变化机制。而且，模拟使用程序须符合清晰的算法逻辑，研究者易于明确解释现象变化的动力机制。

　　例如，对于种族隔离的成因，批评者众说纷纭，如种族仇恨、历史路径依赖、资本主义压迫等。谢林（Thomas Schelling）用一个简单模型模拟了种族隔离的产生。模型中，两种颜色表示不同的行动者（白人和黑人），二者都服从简单行动规则：颜色不同的邻居达到一个阈值（如8个邻居中，同色异色比例可设为4：4或3：5或 2：6），行动者离开，否则原地不动。模拟显示，无论起始分布和阈值如何，都会出现稳定的社会化模式：同色聚集，异色分离。换言之，无须明显的种族歧视，只要存在易理解、可接受的简单动机，种族隔离模式便难以避免。后续研究添加了诸如房价、学区、收入水平等变量，使模拟更具现实感和解释力。

　　面对关于种族隔离动力机制的争论，谢林没有试图辨别孰是孰非、孰重孰轻。他制造出一个“理想”情境，用清晰的算法说明一个并无大害的动机也可能造成可悲的社会后果，至少在逻辑上如此。

　　联系经验证据

　　ABM制造人工社会，人文学者看到“面目可憎”的程序和数字，实证学者担心它与经验证据无涉。为什么要使用ABM，模拟和真实世界有怎样的关系是一直被关注的问题。

　　阿克斯泰尔（Robert Axtell）认为，ABM研究源自三类动机。1.在概念上已理解了某现象，需要模拟把理解操作化、数量化、可视化。这是最简单的模拟，符合多数人对模拟功能的想象。2.已经有了对某现象的解释，但准确性不详，需要模拟来证实或证伪，如戈什克等人对回音室的研究。3.对于某些现象，数学难以提供充分解释，诉诸ABM或是系统化理解该现象不多的出路之一，比如，阿克塞尔罗德的合作演化模拟。

　　班克斯（David Banks）等人把模拟分为预测型和探索型，认为前者更多依赖归纳经验证据，追求现象预测的准确性，后者更多借助演绎，旨在理解现象演化的多种可能性。计算实验特征允许ABM演绎出一系列情境，在不同情境中模拟出许多结果，像是一场“合奏”（ensembles）。这几位兰德公司的研究员认为，多数情况下，社会现象演化有许多可能性，很难找到稳定的对策。“合奏”中，不同的模拟结果提供了多种可能的演化动力和方向，那些在不同情境中反复出现（最具鲁棒性）者才可能抵抗不确定性，也因此是理解给定现象和制定对策的重心所在。

　　布拉奇（Elizabeth Bruch）和阿特维尔（Jon Atwell）相信，在整体上，ABM是一个连接个体行为与社会后果的装置，且能在严格限定的数学模型与丰富却不精确的质化描述之间建立联系。他们把模型分为：行动者/情境特征很少的低维度模型；行动者/情境特征很多的高维度模型。大量研究位于二者之间。比如，模型Artificial Anasazi试图解释Anasazi社会在公元前1800年到公元1000年间的变迁动力，因此容纳了大量考古学、人类学、生态学方面的证据。这类模型的设计使用许多经验证据，模拟结果也需要接受证据检验。在低维度一端，虽然研究者会参考经验证据，但最重要的目标是在理想情境中检验和提出理论。比如，谢林揭示了一类种族隔离现象可能的成因，或许能够在理论层面启发实证研究，而非仅是接受后者的检验。

　　学科背景似乎也会影响模型选择。自然科学研究者更可能使用低维度模型，使用很少的行动者特征，偏向数学化，但有时会过于抽象地解释社会现象。社会研究者更可能使用多维度模型，容纳更多相关知识和证据，试图充分表征“真实世界”。根据布拉奇和阿特维尔的观察，后一种不够成功，因为“人类行为的数据和知识从来不够充足”。

　　鲍科斯（Sarah Box）指出，“本质上，所有模型都是错的，但其中的一些是有用的”。换言之，实证模型和ABM都只能是“虚构之物”，充其量是对人类行为和社会现象的“近似描述”。但就回答特定问题来说，它们各有其用。

　　（作者单位：上海交通大学媒体与传播学院；上海交通大学凯原法学院）