蚂蚁能够进行非凡的协调活动。它们可以在丛林中开辟复杂的路径，建造精巧的结构，并调整觅食模式以适应其环境，所有这些都无需来自中央来源的命令。斯坦福大学的生物学家黛博拉·戈登希望揭示简单的规则，这些规则可以通过简单的个体行动产生复杂的模式。
蚂蚁尤其擅长集体搜索，自动调整其搜索策略以有效地覆盖大片区域。戈登发现了蚂蚁群用于觅食的算法与互联网底层的人工算法之间的相似之处。鉴于蚂蚁已经解决这类问题很长时间了，戈登希望她能发现新的算法，最终使大规模计算网络更便宜、更高效。
关于支持科学新闻
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道： 订阅。通过购买订阅，您正在帮助确保未来有关于塑造我们当今世界的发现和想法的具有影响力的故事。
量子在纽约冷泉港举行的社会昆虫会议上会见了戈登，当时她即将前往墨西哥研究树栖蚂蚁的路由算法。以下是经过编辑和浓缩的对话版本。
量子杂志：您最初是如何对蚂蚁产生兴趣的？
黛博拉·戈登：我最初对发育生物学感兴趣，并想了解胚胎如何在没有任何中央控制的情况下发育。我正在寻找像胚胎一样的系统，只是我可以看到一切——我更容易理解我能看到的东西。我因此选择了蚂蚁。现在，你可以在发育中的胚胎中看到很多东西。但这在我刚开始的时候不是真的。
您已经在亚利桑那州研究同一蚂蚁群 30 年了。这是您一开始就打算的吗？
不是。当我刚开始的时候，我对蚁群之间的差异感兴趣，所以我标记了蚁群，以便知道我第二年看到的是同一个蚁群。我注意到一些蚁群一年比一年大，所以我了解了蚁群是如何生长的。那时，没有人知道收割蚁群可以存活多久。我每年都回去检查蚁群——五年过去了，然后是十年。然后我别无选择，只能继续下去。
关于蚂蚁，最让您印象深刻的是什么？
令我印象深刻的是蚁群的协调反应与单个蚂蚁无效且不完整的行动之间的对比。换句话说，蚁群完成了很多工作，但没有一只蚂蚁自己就很能干。
例如，蚂蚁非常擅长集体搜索；一群蚂蚁可以在没有任何中央控制的情况下彻底覆盖搜索区域。它们通过简单的互动来做到这一点，只是触碰触角。当许多蚂蚁在一个狭小的空间里时，它们会经常相遇，并且倾向于采取曲折的路径，使它们停留在同一个地方。当很少的蚂蚁在一个大的空间里时，它们不会经常相遇。它们会延伸它们的路径并覆盖更多的地面。
对于收割蚁来说，我们已经了解到，一只蚂蚁决定是否离开巢穴去觅食取决于它遇到带着食物进来的蚂蚁的速度。这是一种积极的反馈；蚂蚁带着食物进来的速度越快，出去的蚂蚁就越多。每只蚂蚁只有当它的互动率足够高时才决定出去。总的来说，这个系统允许蚁群调节觅食活动，这样蚂蚁就不会出去，除非有足够的食物值得这样做。
您将收割蚁算法称为“蚁联网”。为什么？
我与斯坦福大学的同事巴拉吉·普拉巴卡合作，计算出收割蚁用来调节觅食的算法。他指出，该算法类似于传输控制协议，该协议调节互联网上的数据流量，以确保只有在有足够带宽的情况下数据才会流出。这两个系统都使用简单的、局部的反馈来调节活动。我认为我们可能会发现蚂蚁用来解决我们尚未想到的工程问题的其他算法。我感兴趣的是，进化可能会在不同的系统中产生不同的算法来解决相同的问题。
但是，为了让进化产生有助于蚁群的算法，进化必须在群体层面发挥作用，而不仅仅是在个体层面。
从进化的角度来看，蚁群才是真正的个体，因为它是一个繁殖的蚁群。蚂蚁不会制造更多的蚂蚁，蚁群才会制造更多的蚁群。因此，如果我们考虑蚂蚁行为是如何进化的，我们必须考虑蚁群。
单个蚂蚁的决定如何改变整个蚁群的行为？
在沙漠中，水是一个重要的制约因素。蚂蚁仅仅在外面四处游荡就会失去水分。但它们从吃的种子中获取水分，所以它们必须花费水分才能获得水分。没有哪只蚂蚁单独决定要节约用水并待在家里。但是，蚂蚁对互动的反应方式上的微小差异可能会累积成蚁群觅食方式上的巨大差异，这反过来会影响蚁群的后代数量。我们发现，自然选择偏爱节约用水的蚁群。我称之为“克制的奖励”。我认为这是第一个能够追踪自然动物群体中集体行为进化的研究。一种简单、局部的行为——当一只蚂蚁遇到另一只蚂蚁时如何反应——因为对整个蚁群的结果而被选择。
进化是否产生了其他算法？
我正在与另一位计算机科学家合作研究蚂蚁使用的路由网络。墨西哥的树栖蚂蚁物种沿着复杂的路径穿过树木、藤蔓和其他将巢穴和食物来源连接起来的植被。这些路径总是会中断，例如当树枝折断或动物穿过路径时。但是高速公路很容易修复。当有如此多的不同选择时，它们如何在几分钟之内如此迅速地找到新的路线？我们认为它们使用了一种策略，这种策略不会采取最短的路线，而是非常快速地重建路径并保持流动。在某种程度上，它们为了弹性而牺牲了我们认为的效率。我们认为我们有一个合理的模型，我们正在实地工作中测试它。
这在计算方面有何重要意义？
在计算中，可用信息量与维护和组织该信息的成本之间存在权衡。我们对蚂蚁为解决这个基本问题而进化的方式感兴趣。
在这种情况下，我们对计算机系统中路由算法的类比感兴趣，其中最直或最短的路径可能需要大量信息。假设你开车去一个不熟悉的地方，而你想走的出口被封锁了。如果你有地图，你可以找到路。但是，如果没有信息，你该如何做到这一点？没有地址？
集体搜索面临着类似的问题。在机器人技术中，现在人们非常感兴趣的是使用需要尽可能少的信息并且可以协同工作的最便宜的机器人。像这样的系统对故障更加稳健。与其发送一个非常复杂的机器人去探索火星或搜索燃烧的建筑物，不如发送一群便宜的机器人，即使其中一个出现故障，它们仍然可以作为一个整体工作，这更有意义。蚂蚁可能已经进化出许多新的算法来解决我们尚未想到的这类问题。我们需要做的就是去看看。
蚂蚁群如何随时间变化？
我发现，收割蚁群的行为会随着年龄的增长和规模的扩大而发生变化。网络行为的某些方面只取决于规模。在收割蚁中，个体工蚁（女王除外）只能存活一年，所以变老、变聪明不是蚂蚁，而是蚁群。这是一个难题，它让我开始思考互动网络，因为我正在寻找蚂蚁可以以相同方式进行但如果有更多的蚂蚁就会产生不同结果的东西。例如，我是一只蚂蚁，我遵循一条规则，即如果我以一定的速度遇到另一只蚂蚁，我就做x。在一个大型蚁群中，我可能会遇到更多的蚂蚁。如果蚁群更大，同样的规则可能会有不同的结果，因为互动率会发生变化。
我们周围环绕着巨大的网络——互联网、我们的大脑——所以这让我对其他系统产生了兴趣。一个网络的行为如何随着它规模的扩大而扩展？
它是如何扩展的？
较老的蚁群比年轻的蚁群稳定得多。如果你制造干扰，例如让它们清理一团乱麻——我放出一小堆牙签——较老的蚁群最终会忽略这些乱麻，然后回到觅食状态。我认为在这些蚁群中，由于有大量的觅食者，驱动它们觅食的过程会覆盖对乱麻的反应。
您还在探索蚂蚁与神经元的相似之处。
一只蚂蚁会累积其最近的互动来决定该怎么做。一个神经元会累积其最近来自其他神经元的刺激来决定是否放电。神经科学已经有了一个复杂的建模框架，可以理解这种系统是如何工作的。我正在与理论神经科学家合作，将这个框架应用于蚂蚁。
您发起了一项公民科学项目，鼓励公众研究不同种类的蚂蚁。研究新蚂蚁物种的好处是什么？
大约 14,000 种蚂蚁中，只有 50 种被研究过。如果我们研究新的物种，我们很可能会发现新的算法。我们为学生开发了一个小型工具包，以了解不同种类的蚂蚁是如何进行集体搜索的。如果孩子们用不同的物种尝试这个，他们可能会对以前没有人研究过的物种有所发现。
经量子杂志许可转载，量子杂志是 SimonsFoundation.org 的一个编辑独立的部门，其使命是通过报道数学、物理和生命科学的研究进展和趋势来提高公众对科学的理解。