【开发日志#02】对于一篇论文的解读

昨天那篇日志，主要讲了团队怎么把“涌现”这个主题拆开，又怎么从几个方向里选定现在的玩法。今天这篇换个角度，回到我们查资料时看到的一篇论文。

论文标题是《Emergence Parameter κ≈1: An Empirical Signature of Criticality in Physical and Biological Systems》，作者是 Oleksii Onasenko，2025年12月发布在 Zenodo。这篇论文属于作者公开的研究预印本，暂时没有看到正式同行评议记录，所以下面的内容按论文自述整理，不能算作最终结论。

论文想做的事情可以概括成一句话：

给“涌现”找一个可以计算的刻度。

它提出了一个叫 κ 的指标，中文可以读作“卡帕”。论文认为，当这个指标接近1的时候，系统可能处在临界点，也就是比较容易出现整体新行为的位置。

最后，论文把多个系统放在一起统计，得到一个加权平均数：

κ = 0.997 ± 0.004

这个数字离1非常近。论文的作者据此认为，这个结果支持“κ接近1代表临界状态”的假设。

但这个结果只能说明当前数据与假设相容，无法单独证明所有物理系统、生物系统和人类社会都遵循同一个规律。论文自己也写了这一点，后面我会专门讲它的局限。

什么是“涌现”

普通人听到“涌现”，第一反应通常是“很多东西突然出现了”。

灵感涌现，是小想法一下子变多；人才涌现，是某个时期出现了很多厉害的人；问题涌现，是短时间内冒出了许多麻烦。

这层意思更接近“大量出现”。

科学语境里的“涌现”还有另一层意思：

单个部分没有的能力，在大量部分互相影响以后，整体层面出现了。

一只鸟不会形成队形，一群鸟可以一起转向。

一个神经元不会产生记忆，许多神经元组成网络以后，可能产生和记忆有关的活动。

一个水分子没有“湿润”这种性质，大量水分子聚在一起以后，宏观上才有了流动和表面张力。

这些例子里，个体只做很简单的事情，整体却出现了新的行为。

这也是我们做游戏时最感兴趣的地方。玩家操作单个小规则，场景、角色、音乐和剧情互相影响，最后产生一段原本没有直接写死的体验。

论文里的 Kappa 公式

论文提出的公式是：

κ = (A / Ac) × τ × (Λ / Λc)

看起来有点复杂，其实可以拆成三个问题。

第一个问题：参与的东西够不够多

A 可以理解成参与活动的个体数量。

Ac 可以理解成出现集体行为所需要的最低数量。

A / Ac 就是实际数量和最低门槛的比值。

比如一支篮球队需要五个人才能比赛。场上只有两个人，很多配合无法完成；场上有五个人，比赛才可以开始。这个例子里，最低门槛是五个人，实际人数是场上能参与配合的人。

在鸟群里，A 可以是鸟的数量，Ac 可以是形成稳定群体所需要的最低鸟数。

在机器人实验里，A 是机器人数量，Ac 是机器人开始出现协同行为的最低数量。

数量太少，系统很难出现整体行为，这个条件比较好理解。

第二个问题：大家有没有形成秩序

τ 是论文里的秩序指标，取值范围在0到1之间。

• τ = 0：大家各做各的，没有统一方向。

• τ = 1：大家高度一致，行动非常整齐。

• 中间数值：一部分有秩序，一部分比较混乱。

鸟群里的 τ 可以表示飞行方向是否一致。

磁铁里的 τ 可以表示小磁针是否朝同一个方向排列。

人群里的 τ 可以表示大家有没有形成统一行动。

数量够多，并不代表整体一定有序。体育场里有一万人，每个人都在做自己的事情，整体仍然可能是一盘散沙。只有一部分人开始一起鼓掌、一起唱歌，秩序才会慢慢出现。

第三个问题：影响能传多远

Λ 是相关长度，可以理解成一个变化能够影响到多远。

Λc 是临界相关长度，也就是系统进入整体行为所需要的影响范围。

Λ / Λc 表示实际影响范围与临界影响范围的比值。

一个人只碰了碰旁边的人，旁边的人动了一下，远处的人没有反应，这种影响范围很小。

一个人的动作能够带动一排人，再带动整个广场，影响范围就会变大。

鸟群里，一只鸟转向可能只影响身边几只鸟。影响一层一层传下去，最后整群鸟才可能一起改变方向。

黏菌里的化学信号也是如此。一个信号可能只影响附近细胞，当信号扩散到更大范围，整个群体才可能一起改变运动方向。

三个条件为什么要相乘

论文把三个部分乘在一起：

数量条件 × 秩序条件 × 影响范围条件

用乘法有一个很直观的好处。只要其中一个部分接近0，整个结果就会接近0。

一个系统人数很多，内部却完全没有秩序，整体行为很难稳定出现。

一个系统很整齐，参与数量却太少，整体行为也很难持续。

一个系统有数量也有秩序，影响传不出去，整体仍然可能停留在局部。

三个条件都达到合适水平时，κ 才可能接近1。

论文还写了一个对数形式：

ln(κ) = ln(A/Ac) + ln(τ) + ln(Λ/Λc)

这里的 ln 可以理解成一个把乘法变成加法的工具。原来的“三个条件相乘”变成“三个条件的影响相加”，方便观察它们之间能不能互相补偿。

一个系统数量少一点，可能靠更高的秩序补回来；秩序不够强，可能靠更大的影响范围补回来；影响范围小一点，可能靠足够多的个体补回来。

这种补偿关系在数学上成立，现实里的系统会不会真的采用这种方式，还需要继续研究。

论文研究了哪些系统

论文一共讨论了八类系统，其中七类进入正式统计。海马伽马波使用的是合成数据，只用来演示方法。

论文统计的结果如下：

这里面有几个地方值得多解释一下。

1. 玻色-爱因斯坦凝聚

把一团原子冷却到非常低的温度，原子会进入一种集体状态，很多原子像一个整体那样行动。

这个例子可以用来理解数量和秩序的关系。原子太少，整体现象不容易出现；数量达到条件，秩序才会变得明显。

论文给出的 κ 值是0.793，离1还有一点距离，误差也比较大。

2. 机器人群体

实验中用了30个机器人。每个机器人只执行简单规则，比如靠近邻居、避开障碍、保持距离；机器人数量达到一定程度以后，整体却会出现移动、聚集和队形变化。

这个系统比较接近我们常说的“Boids”群体模拟。论文给出的 κ 值是0.976，误差比较小。

3. 氦-4超流

氦-4在极低温度下会进入超流状态。超流体的表现很特别，可以无摩擦流动，许多原子在宏观上表现出一致性。

论文给出的 κ 值是0.999，是全部数据里精度最高的一个。

论文还发现，氦的 κ 在一个比较大的温度范围内都接近1，作者称之为“κ平台”。这说明某些系统的涌现状态可能比较稳定，离开临界点以后也不会立刻消失。

4. 伊辛模型

伊辛模型可以想成很多小磁针排成网格。每个小磁针只观察附近的邻居，按照简单规则决定自己朝上还是朝下。

温度高的时候，小磁针方向混乱；温度降低以后，越来越多的小磁针开始朝同一方向排列；接近临界温度时，小范围的变化可能影响整个系统。

二维伊辛模型有精确解，三维伊辛模型没有同样简单的精确解，所以论文把它们分开统计。二维和三维的结果都接近1，只是因为误差和方法不同，数值有差别。

5. 二维渗流

想象一个网格，每个点都有一定概率被占用。

占用比例低的时候，网格里只有一些零散的小团。占用比例增加到某个临界值，会出现一个从一边贯穿到另一边的大连通区域。

这个过程很像地图上的道路逐渐连通，也像地下城里的房间慢慢连成一个整体。论文用算法做模拟，得到的 κ 值是1.012。

6. 盘基网柄菌

盘基网柄菌是一种会聚集的细胞。它们在环境压力下通过 cAMP 信号互相吸引，慢慢聚成更大的群体。

单个细胞只能感知附近的化学信号，大量细胞互相传递信号后，整个群体却能形成复杂的聚集行为。论文给出的 κ 值是0.943，但部分参数来自模型估算。

7. 椋鸟群

椋鸟群是研究群体行为的经典对象。大量鸟在飞行中快速转向，队形没有固定模板，却能保持大范围一致。

论文给出 κ=1.023，误差范围很大，大约是0.51到1.53。这个结果对平均值有贡献，但因为误差大，权重并不高。

8. 海马伽马波

这一项使用的是合成数据，论文明确写了它不能当作神经科学的实证结论，只展示方法如何套用。

作者提出的设想是，不同神经机制可能对应不同的 κ 区间。这个方向可以留作后续研究的预测，现在还不能拿来诊断疾病。

最后的统计结果怎么理解

论文把多组数据合并以后，得到：

• 加权平均 κ：0.997

• 标准误差：0.004

• 95%置信区间：0.988到1.006

• p值：0.518

• 异质性 I²：0%

这些词听起来专业，换成人话就是：

加权平均 κ=0.997

说明不同系统算出来的平均值非常接近1。误差越小的数据，在平均值里的权重越大，氦-4和机器人群体对结果影响比较大。

95%置信区间包含1

根据当前数据，真实平均值落在0.988到1.006之间的可能性较高。1在这个范围里，因此当前数据没有把“κ等于1”这个假设排除掉。

p值等于0.518

假设 κ 真的等于1，那么出现当前这批数据的概率大约有一半。这个概率不低，所以统计上找不到足够理由否定“κ等于1”。

p值高只能说明当前数据和假设没有明显冲突，不能证明 κ=1 一定成立。

I²等于0%

这个数字表示不同系统之间的差异没有明显超过随机误差。实际理解时还要看误差大小。论文自己也提到，很多系统的误差比较大，差异可能被误差盖住了。

论文还发现了什么

氦的 κ 平台

其他系统的 κ 往往只在临界点附近接近1，离开临界点就会偏离。

氦-4超流不同。进入超流状态以后，κ 在一个比较大的范围内保持接近1。论文把这种现象称为“κ平台”。

用简单的话说，氦的涌现状态比较稳定，离开临界点以后也没有马上消失。

渗流里的峰值偏移

在二维渗流模拟里，论文发现 κ 的峰值和传统指标 χ 的峰值出现在不同位置。

对于 L=256 的系统：

• χ 的峰值在 p=0.549

• κ 的峰值在 p=0.572

• 理论临界值是 p=0.5927

在这个模拟里，κ 的峰值比 χ 的峰值更接近理论临界值。

作者认为，原因在于 κ 同时组合了数量、秩序和影响范围三类信息，而 χ 只反映序参量的波动。这个现象值得继续研究，不能直接推广到所有渗流系统。

负面对照

论文还计算了没有相互作用的理想玻色气体，结果得到：

κ = 0.06

这个结果远离1，说明 κ 至少在这套例子里能够区分“有明显集体行为的系统”和“缺乏相互作用的系统”。

这篇论文有哪些限制

论文最有价值的地方，是作者把很多限制也写了出来。

1. 数据来自回顾性分析

论文使用的数据来自已经发表的研究。那些研究最初的目标通常是研究相变、群体行为或者其他问题，并没有专门为了测量 κ 而设计。

这种情况容易产生选择偏差。研究者在挑选系统时，可能更倾向于选择结果有名、数据充足、看起来和临界现象有关的对象。

作者认为，下一步需要设计专门测量 κ 的前瞻性实验，不能只靠翻旧数据。

2. 不同系统的计算方法不一样

Ac 和 Λc 的计算方法在不同系统里并不统一。

有些参数来自实验，有些来自数值模拟，有些来自模型估算。方法不一致，最后的 κ 值就可能受到方法差异影响。

3. 样本数量不够

正式统计只有七类系统、八个数据点。

这个样本量适合做初步探索，想要说明“所有系统都遵循同一个规律”，数量明显不足。

4. 一部分误差来自保守估计

伊辛模型和渗流模型属于数值模拟，部分误差来自有限尺寸效应。作者采用了保守估算方法，结果还会受到模拟规模影响。

5. 一些参数来自模型

盘基网柄菌的临界长度来自 cAMP 扩散模型，并非直接测量。模型假设变化以后，κ 也会变化。

6. 神经系统使用合成数据

海马伽马波部分使用合成数据，只能说明方法可以这样用，不能说明神经系统真的符合这个结果。

7. 预印本需要继续检验

论文公开了代码和仓库，方便其他研究者复现。正式结论仍然需要更多实验、更多系统和更统一的方法来验证。

我对“涌现”的延伸思考

看完这篇论文，我对“涌现”的理解更清楚了一些，也更容易分辨几种容易混淆的说法。

涌现不等于“数量多”

人多、鸟多、数据多，都可能带来新现象，数量本身只是一个条件。

涌现不等于“看起来很复杂”

画面复杂、规则很多、数值很多，可能只是内容量很大。真正的涌现需要规则之间互相影响，整体出现新的行为。

涌现不等于“随机”

随机事件会带来变化，变化本身不一定形成稳定整体。涌现通常需要重复的互动和反馈，系统才能长出相对稳定的模式。

涌现不等于“剧情分支”

剧情里有很多选择，属于内容分支。涌现更关注底层规则组合以后，整体行为有没有超出设计者的预设。

对游戏设计来说，可以问三个问题：

1. 底层有哪些简单个体或规则？

2. 这些个体之间怎么互相影响？

3. 整体层面出现了什么没有直接写进规则的新结果？

三个问题都能回答清楚，系统才有资格叫“涌现式设计”。如果只是把很多玩法堆在一起，玩家玩起来仍然会觉得自己在完成一长串任务。

论文里的三个条件可以作为设计参考。

第一，参与的东西要足够多。

现实场景里的声音、物件、人物、情绪和时间变化，都可以成为互相影响的元素。

第二，元素之间要形成秩序。

地铁里的声音、画面节奏和玩家操作需要互相对应。如果玩家按自己的，画面演自己的，音乐播自己的，整体体验就会散掉。

第三，影响要能传下去。

玩家的一次按键需要影响画面，画面再影响音乐，音乐再影响下一段演出，多个反馈连起来，玩家才会感觉自己在一个活着的场景里，而不是在点一个个独立按钮。

如果把“涌现”压缩成最简单的一句话，我会这样写：

许多普通的东西按照简单规则互相影响，影响不断传递和叠加，最后在整体层面长出了新的行为。

#TapTap聚光灯独立游戏  #聚光灯gamejam开发者日志 #聚光灯游戏创作挑战  #独立游戏 #他曾执意如此