上圖是一個多主體仿真模型的快照。其中，白宮附近的一枚核彈熄滅幾小時之後，一股放射性塵埃（黃色）向東延伸到華盛頓特區。圖中柱狀體的高度表示一個地點的人數，顏色表示人們的健康狀態，藍色表示健康，紅色代表疾病或者死亡。
編譯：集智翻譯組
5月的一個星期一上午11時15分，一輛普通的貨車開進了位於華盛頓市中心的16街和k街的交叉口，就在白宮以北幾個街區。
突然，貨車中的自殺式襲擊者按下了一個開關。
瞬間，大部分城市街區在一個核火球中消失了，核火球的面積有席捲日本廣島的火球的三分之二。 這次爆炸是由恐怖分子幾周前劫持的5公斤高度濃縮鈾提供動力，爆炸的衝擊波毀掉了至少1公里之內的建築物，造成了成千上萬的傷亡。強大的電磁脈衝還炸燬了5公里以內的手機。隨著電路被毀，城市也陷入了大面積黑暗。 風把爆炸之後的蘑菇雲切成了放射性塵降物（radioactive fallout），向東漂移到馬里蘭郊區。 道路上很快就擠滿了慌張的人，有些人試圖逃離這個地區，但更多的人在尋找失蹤的家庭成員或尋求醫療救助。
當然，這完全是虛構的，但卻有著很嚴肅的意義。
這個被稱為國家規劃情形1(NPS1)的核襲擊故事線作為一種戰爭遊戲起源於20世紀50年代，是用來測試國家安全官員和應急管理人員在必須應對的真實情況發生之前，如何採取應對計劃的一種安全方法。
六十年後，官員們仍然在定期的 NPS1演習中考慮核災難的後果。只是現在，他們沒有按照固定的故事線和提前對核襲擊下人類行為進行預判來進行演習，而是使用計算機來模擬整個人工社會的情景: 這是一種叫做多主體仿真模型（agent based model）的先進的計算機仿真方法。
1.何為多主體模型
這樣的模型的目的是為了避免像傳統經濟學和流行病學等領域所做的那樣用從上到下的固定的方程式來描述人類的行為。其實正相反，諸如金融崩潰或疾病蔓延等結果是自下而上的，通過許多個體的相互作用，讓真實世界產生了大量的豐富性和自發性，這些是傳統的方法難以模擬的。
計算機科學家Christopher Barrett表示，這類細節正是應急管理人員所需要的。Christopher Barrett是一位計算機科學家，他在弗吉尼亞理工學院和布萊克斯堡州立大學（弗吉尼亞理工大學）創立了生物複雜性研究所，這個研究所為政府開發了 NPS1模型。 NPS1模型可以警告管理人員，例如，x 點的停電很可能會導致 y 點的交通堵塞。 再比如，如果他們決定在危機初期部署移動電話塔以恢復通訊，NPS1也可以告訴他們是更多的還是更少的人們會往電話塔那條路上走。 Barrett說：“多主體仿真模型是看你如何把所有碎片進行整理，然後觀察它們的相互作用”。
多主體仿真模型也存在缺點。像 NPS1這樣的模型往往很大，模型的每次初始運行都需要500微處理器組成的計算集群進行一天半的運算——這也迫使這些主體必須相對簡單。Jonathan Pfautz 表示：“在個體的複雜性和模擬的規模之間必須作出權衡”，Jonathan Pfautz是弗吉尼亞州阿靈頓國防高級研究計劃局(Defense Advanced Research Projects Agency)的項目經理，為社會行為的多主體建模研究提供資金。
但是，隨著用來填充和校準模型的數據集越來越大，計算機也越來越強大。 在經濟、交通、公共衛生和城市規劃等多種領域，越來越多的決策者正在認真對待多主體仿真模型。 蓋恩斯維爾佛羅里達大學(University of Florida)的Ira Longini表示：“它們是最靈活、最詳細的模型，這也使得它們在理解和指導政策方面最為有效。”
2.多主體建模的發展
多主體建模的根源其實至少可以追溯到20世紀40年代，當時，像阿蘭•圖靈(Alan Turing)這樣的計算機先驅利用單機的交互式軟件建模物理學和生物學中的複雜行為。 但目前我們所見的發展浪潮是從20世紀90年代中期才開始的。
社會學領域
有一個早期的成功案例是"尋找糖"（Sugarscape），是由弗吉尼亞州費爾法克斯的經濟學家Robert Axtell和紐約大學(NYU)的Joshua Epstein共同開發的。因為他們的目標是在普通的臺式電腦上模擬社會現象，所以他們將基於多主體的模型簡化成了最基本的形式: 一組簡單的主體圍繞一個網格移動，尋找"糖"——一種在某些地方很豐富、在另一些地方很稀缺的食品類資源。 儘管這個模型很簡單，但是卻產生了令人驚訝的
複雜的群體行為，例如遷移、戰鬥和鄰居隔離。
城市規劃領域
20世紀90年代的多主體模擬發展的另一個里程碑是交通分析和模擬系統(Transims) ，這是一種基於多主體的交通模型，由Barrett等在新墨西哥州的洛斯阿拉莫斯國家實驗室（Los Alamos National Laboratory in New Mexico）開發。與傳統的交通模型不同，傳統的交通模型使用方程組將大量移動的車輛作為一種流體來描述，而Transims模型將每輛車和每個司機作為單獨的穿過一個城市公路網的主體。這個模擬還包含了現實中的汽車、卡車和公交車，由不同的年齡、能力和目的地的人作為主體驅動。當應用道現實城市中的道路網絡時，Transims比傳統模型在預測交通堵塞和當地汙染程度上做得更好。這就是為什麼受Transims啟發的多主體仿真模型在現今交通規劃中成為一個標準工具的原因。
公共衛生領域
類似的轉變也正在傳染病學家中發生。 在上個世紀的大部分時間裡，傳染病學家都在用相對簡單的方程組來估計傳染病的爆發，他們將人們分成幾類——比如易感染的，感染性的和免疫的——同時假設這幾種類別的人完美混合，也就是說，在受影響的地區每個人都與其他人保持聯繫。 這些基於方程組的模型首先在紙上運算，然後在電腦上運行。這樣的估計方式仍在廣泛使用。
然而，傳染病學家越來越多轉向採用多主體仿真模型，這樣能夠將方程組為基礎的模型所忽略的因素考慮在內，比如地理、交通網絡、家庭結構和行為改變——所有這些都可以強烈影響疾病傳播的方式。
再舉一個例子，Epstein在紐約大學的實驗室正在與城市公共衛生部門合作，對可能爆發的寨卡(Zika)病毒進行建模，該病毒依靠蚊子傳播並且可能會導致災難性的出生缺陷。
該研究小組設計了一個模型，其中的主體包括代表全部850萬紐約人，以及一小部分蚊子用來代表整個蚊子群體中，蚊子數量從捕捉陷阱中估計出來。該模型還包含了人們通常如何在家庭、工作、學校和購物場所流動的數據，性行為的數據（Zika病毒可以通過無保護的性行為傳播）以及影響蚊子數量的因素，比如季節性溫度波動情況、降雨量和繁殖地點，比如人們儲存起來的廢舊輪胎等等。 最終得到一個模型，該模型不僅能預測這種病毒爆發可能會有多糟糕（這是流行病學家從方程組為基礎的模型中就可以確定的），還能夠建議出病毒爆發最糟糕的地點可能是哪裡。
經濟學領域
在經濟學中，多主體仿真模型可以成為理解全球貧困的有力工具，在華盛頓特區的世界銀行的經濟學家Stéphane Hallegatte說，如果你看到的只是標準的經濟指標，比如說國內生產總值（GDP）和總收入，那麼在大多數國家你只看的到富人，因為窮人的錢太少，他們幾乎沒有算在國內生產總值這樣的指標裡。
為了更好地理解全球貧困，Hallegatte和他的同事們正在考慮考察單個家庭。他的研究小組建立了多主體仿真模型，其中的主體代表全球140萬個家庭——大約每個國家10,000個——然後他們考察氣候變化和災害將會如何影響健康、食物安全和勞動生產力。該模型估計了風暴或乾旱會如何影響農民的作物產量和市場價格，或者地震如何通過摧毀工人的汽車、道路甚至工廠，來降低他們的收入。
該模型表明了一些顯而易見的事情：窮人比富人在災害和氣候變化面前更加脆弱。但是Hallegatte的團隊還發現了非常可觀的差異性。例如，如果在一個特定的國家，窮人大多數是農民，當全球食品價格上漲時，他們可能實際上會受益於氣候變化。但是如果這個國家的窮人大多數都集聚在城市，食品價格上漲可能會導致嚴重損害。
這種模型的精細程度使得世界銀行更容易根據每個國家的需求調整方案，Hallegatte說，而且更容易用人們通俗易懂的語言來解釋模型的結果，而不是使用經濟學術語。“不要告訴一個國家，氣候變化會使國內生產總值下降X％，” 他說，“你可以說1000萬人將陷入貧困，這是一個更容易理解的數字。”
3.如何使用和解釋模型
鑑於這些模擬的結果事關重大，Barrett說，用戶們總是想知道為什麼他們應該相信模擬的結果，他們怎麼能確信模型輸出的結果與真實世界有任何關係——尤其是在例如核災難等並沒有經驗數據可以依靠的情況？
Barrett說這個問題有幾個答案。首先，用戶們不應該期望這些模型能夠做出具體的預測，比如說，下週二股市將崩盤。實際上，大多數建模者通過對每一種場景進行多次模擬，然後進行平均化處理來應對不可避免的不確定性，以及，模型其實會顯示一系列可能的結果，比如颶風的登陸預測。但是這仍然允許規劃人員使用該模型作為測試平臺，以便提前知道採取行動A，B或C的相應後果。
其次，Barrett說，建模者應該不只是把模型組合起來，然後看看最終的結果是否有意義。相反，他們應該像建立模型那樣，校驗他們的模型。當他們在模型中加入每一個元素時——比如說人們如何上班下班——他們應該觀察模型的每一部分，並且將其與運輸機構，人口普查等其他來源的真實數據相匹配。 “在建模的每一步，你都有你用來校準的數據，”他說。
計算機仿真模擬人群運動
建模者也應該嘗試用心理學的研究來校準模型中主體的行為。這樣做可能是棘手（tricky）的，因為人類很複雜，但是在危機情況下，這可以使建模行為變得更容易，因為它往往可能更加趨向本能反應。例如，NPS1模型通過引入的內置規則，讓模型中的主體在以下幾種行為狀態中來回切換，包括 “尋求醫療照顧”、“尋求避難所”以及“撤離”。
即使如此，實地研究（field research）也指出了重要的細微差別。法國Grenoble大學的人工智能研究員Julie Dugdale研究壓力下的人類行為。她說，
“在地震中，我們發現人們會更害怕沒有家人或朋友在身邊，而不是害怕危機本身。”人們第一件事就是會去尋找他們所愛的人，並且願意在這個過程中將自身陷入危險。在火災當中，也是同樣的情況，Dugdale說。工程師傾向於假設當警報響起時，人們會立即有序的向出口行進。但是看看下次你所在的建築進行防火演習時，她說：“如果人們不先與他人交談，他們不會先選擇撤離”——以及如果需要的話，他們會先將朋友和家人找齊。“我們發現人們會更害怕沒有家人或朋友在身邊，而不是害怕危機本身。”
證據還表明，盲目的、不經思考的恐慌是罕見的。在2011年發表的多主體仿真模型中，社會學家Ben Aguirre和他在Delaware大學的同事試圖重現在2003年的Rhode Island俱樂部大火中到底發生了什麼事。人群如此密集地擠在一起以至於沒有人能夠移動，最後導致100人死亡。通過警察，當地報紙和倖存者的敘述，Aguirre的團隊得到了關於受害者的較為完整的數據，包括他們的行為以及他們與他人的關係。當研究人員將這些關係納入模型中後，他說，在與實際火災情況最相符的模型中，基本上沒有恐慌。 “我們發現人們試圖和朋友、同事以及親人出去玩，”Aguirre說。“他們並沒有想要傷害對方。那是個意外。”
NPS1模型中也試圖納入這樣的情況，讓模型中主體進入“家庭重組”模式（尋找朋友和家庭）的數量遠多過進入“恐慌”模型（沒有連貫性的目標地四處奔走）的數量。有時候結果可能是違反直覺的。 例如，模型表示在剛遭到襲擊後，應急管理人員應該會看到一些人衝向一樓，瘋狂地擠在道路上試圖從學校接孩子放學或是找到失蹤的配偶。
該模型也指出了一個好的減少混沌的方法：快速恢復部分通訊服務，讓人們可以確認他們的親人是安全的。
4.模型優勢:使決策更科學
如果多主體仿真模型有一個最高優先級任務，那就是使模擬更容易構建、運行和使用——因為這可以讓現實世界的決策者更容易使用模型。
舉個例子，Epstein設想在一個國家中心，在那裡決策者可以訪問他稱之為一百萬GB(petabyte)的書：一個包含了每個大型城市的數字版本的圖書館，同時還有一個預先計算好的將每個潛在的危險納入其中的模型。 “那麼，如果真的有事情發生的話，比如有毒的汙染源”，他說，“那麼我們可以挑選出最匹配的模型，並做近乎實時的計算，從而得到像避難所和疏散撤離等的最佳組合。”
弗吉尼亞理工大學計算機科學家Madhav Marathe也在考慮這個問題。當五級颶風發生時，他說，像San Juan市長這樣的人不能等待一週左右才得到關於風暴對於波多黎各(Puerto Rico)電網影響的可能性分析。她需要可操作的信息——“而那意味著具有簡單操作界面的模型，在雲中運行，並且能夠在很短的時間內完成非常複雜的分析。”
儘管專門針對流行病，Marathe說，但是該工具的所涉及的地理模型和合成人口是通用的，他們可以應用於其他各種災難，如化學品洩漏，颶風和電力能源的連鎖網絡故障。最終，他說，“我們希望的是建立這樣的模型以提供個性化的服務 ——為你，你的家人或你所在的城市”。或者，正如Barrett所說：”如果我送吉米今天上學，他染上寨卡病毒的可能性是多少？”
所以不僅僅是官員們可以使用這些系統，Barrett補充說到。它也可以為你所用。“它會像谷歌地圖一樣成為生活的日常。”
翻譯：張章、張洪
審校：辛茹月
原文地址：http://science.sciencemag.org/content/360/6385/144/tab-e-letters
閱讀更多 集智俱樂部 的文章
