种群进化隐喻的模式建构-智能生成的新传播学范式

种群进化计算机仿生隐喻来源于拉马克的进化学说、达尔文的自然选择学说和基于基因的现代生物进化理论。

“物竞天择，适者生存”的自然选择学说，是达尔文（Charles Darwin）的进化论[16]的核心。其认为，生存是一切生命活动的基础。生物为了生存，产生了过度繁殖的倾向。但是，大自然的供给生物的生存资源和生存空间皆是有限的。为了争夺有限的生存资源和生存空间，生物必须进行生存斗争（即“物竞”）。但是生物的生存斗争的胜利与否并非由生物本身决定，而是由大自然来评判（即“天择”）。适应大自然的生物将赢得生存斗争，这意味着其将获得更多的生存空间与生存资源。其在大自然中的生存与繁衍的成功机率将随之增加（即“适者生存”）。

达尔文延续了拉马克的“用进废退，获得性遗传”的进化学说。拉马克认为，在漫长的自然选择过程中，生物会被不断产生变异，孕育出各式性状（character）表现类型。产生了适应自然的性状表现类型被称为有利变异。携带了有利变异的生物因为适应生存环境，赢得了生存斗争，获得了更大的生存和繁衍的机会。其有利变异将有更大的机率被保留下来并遗传给下一代。如此循环往复，生物便朝着适应自然的方向进化了。

达尔文和拉马克没有揭示出生物通过遗传与变异进行进化的核心机理，即基因（gene）。基因是决定生物性状的遗传因子（hereditary factor）。基因与性状形成的是一种多对多的关系。即，某一性状可以由多个基因共同决定，而某一基因可以决定或影响多个性状。生物性状的遗传和变异由基因的遗传和变异决定。基因恰恰是现代进化理论的核心基础。

现代进化理论认为，种群（population）而非个体是生物进化的基本单位。所谓种群，指的是在一定区域生存和繁衍的、同种生物的全部个体。种群当中所有个体所含的全部基因被称为此种群的基因库（gene pool）。自然选择的过程在本质上是大自然对种群的基因库产生了作用，使之发生了基因频率的定向改变。即，适应当前自然环境的基因所占种群基因库的比例增加，而不适应当前自然环境的基因所占种群基因库的比例降低。

密歇根大学安娜堡分校（University of Michigan Ann Arbor）的心理学和计算机科学教授约翰·霍兰德（John Holland）对上述种群进化的现象系统进行了抽象、概括、总结、归纳、提炼，建构出相应的种群进化计算机仿生隐喻——遗传算法（genetic algorithm）。遗传算法的核心追求就是要进化出最适应目标需求的解决方案。从本质上说，遗传算法与蚂蚁种群优化模型一样，都是一种智能的极值优化的方法模式。换而言之，本书的4.2节中阐述的极值优化的新塑传实践新模式解决方案亦可以基于种群进化计算机仿生隐喻被建构出来。

遗传算法包含如下四个模块。

一是编码机制（encoding scheme）：此模块模仿基因对生物性状的决定。此模块将相关的解决方案进行数字化编码，形成二进制数字向量。在这里，解决方案对应着具有特定性状组合的生物，而对其数字化编码形成的二进制数字向量则对应着该生物的基因。生物的特定性状组合与其自身的基因组合是一一映射的关系。基因不同，生物的性状组合不同，反之亦然。例如，每个人的基因组合不同，每个人的形象亦不同。同样地，编码机制模块建立的是解决方案与二进制数字向量的一一映射关系。解决方案不同，其对应的二进制数字向量就不同，反之亦然。

二是适配函数（fitness function）：此模块模仿具有特定性状组合的生物对大自然的适应程度。适配函数以编码机制形成的二进制数字向量为自变量输入，以此数字向量代表的解决方案的效果效率为因变量输出。

三是自然选择（natural selection）：此模块模仿大自然对生物的选择（即，相应生物的生存和繁衍机会的确定）。若当下解决方案的适配度更高（即，其解决目标问题的效果和效率更高），则其解决方案将获得更多的生存繁衍机会。即，其二进制数字向量的“基因组合”将在繁殖迭代的过程中得到更大程度的保留。

四是重组（crossover）和突变（mutation）：此模块模仿生物基因的重组与突变。所谓重组，即是将两个在上述自然选择模块当中生存下来的解决方案的二进制数字向量同时在某一位置随机截断，再将两者的后部交换之后与原来的前部进行拼接，形成两个全新的二进制向量（即，生成了两个带有原先解决方案特征的全新解决方案）。所谓突变，即在二进制向量的任一位置取非（即，0变成1，1变成0），以生成全新的解决方案。无论是重组还是突变，都是在模仿生物基因的变异。其目的是为了生成既遗传先前解决方案的特点（即遗传有利变异），又具有新的变异特征（即生成新的变异）的全新解决方案，以进行新一轮的自然选择。

图5.3.1　种群进化计算机仿生隐喻的循环进化运行机制(https://www.xing528.com)

图5.3.1展示了遗传算法这一种群进化计算机仿生隐喻的四大模块的循环进化运行机制。编码机制将当前可选的各种解决方案（即当前解决方案）数字化编码“生成”为相应的二进制向量。这些二进制向量将作为输入交由适配函数进行“判别”。而判别的依据恰恰是此二进制向量所代表的解决方案的效果和效率。自然选择模块随后根据判别的结果给出相应的“反馈”。即适配度不高的解决方案的二进制向量将不进入突变与重组模块。突变与重组模块则进行这一轮的“迭代”，将通过自然选择、赢得生存斗争的解决方案的二进制向量基因进行突变与重组，以形成遗传原先解决方案的特点，又具有新的变异的全新解决方案。随着这四大模块的不断循环运行，解决方案种群将变得越来越适应自然环境（即，解决目标问题的效果效率会不断进化提升）。可以说，遗传算法的运行逻辑恰恰是新塑传极值优化的生成（Generative module）、判别（Discriminative module）、反馈（Feedback module）、迭代（Iterative module）的GDFI模式的具体体现。

对传播媒介的塑造（以及以提升传播效果为目的的传播媒介的循环进化）和对传播讯息的塑造（以及以提升传播效果为目的的传播讯息的循环进化），是智能生成塑传的两大应用实践领域。而种群进化计算机仿生隐喻恰恰可以基于新塑传的极值优化实践模式（本书的4.2节中阐述）分别建构相应的解决方案。而解决方案的不同则在于究竟是将传播媒介还是传播讯息看作种群进化的生命体。即，究竟是要优化对传播媒介的塑造，还是优化对传播讯息的塑造。

通过对相关文献进行爬梳可以发现，种群进化仿生隐喻已被充分运用于传播学研究中，特别集中在媒介环境学（media ecology）这一仿生传播学研究领域。媒介环境研究[17]经典的北美多伦多学派［包含埃里克·哈夫洛克（Eric Havelock）、哈罗德·伊尼斯（Harold Innis）、马歇尔·麦克卢汉（Marshall McLuhan）、沃尔特·翁（Walter Ong）、埃德蒙·卡彭特（Edmund Carpenter）等］、纽约学派［包含刘易斯·芒福德（Lewis Mumford）、尼尔·波兹曼（Neil Postman）等］以及融汇两派的学者［包含雅克·埃吕尔（Jacques Ellul）、苏珊·朗格（Susanne Langer）、伊丽莎白·艾森斯坦（Elizabeth Eisenstein）等］将媒介视为自然环境，将使用媒介的传播者和传播受众视为生命体。马歇尔·麦克卢汉[18]认为，正是对媒介的独特使用经历，改变了符号环境（即社会建构的感官意义世界），进而改变了使用媒介的人们的感受、认知、态度和行为模式。诸多学者[19]对媒介环境学的发展脉络做了详尽的辨析、梳理和阐释，在此不再赘述。可以说，北美经典的媒介环境学的研究是符合种群进化隐喻的本来意义的：人类在包含媒介环境在内的自然和社会环境中不断进化，而媒介环境研究恰恰在于具体探讨人类在与媒介环境的不断交互中的进化规律。

媒介生态研究[20]经典的中国学派（包含邵培仁[21]、崔保国[22]、支庭荣[23]等）则从本土原发地将媒介直接视为生命体，而将媒介生存的社会环境（政治、经济、文化、科技等）视为生态环境，从个体、种群、群落、生态系统到生态环境保护这些自微观到宏观的仿生视角，探讨媒介生存策略和媒介经营管理与媒介生态环境维护的战略，建立起了独特的学术体系。这种对种群进化隐喻创新性地运用，正与北美媒介环境学第三代的纽约学派代表学者保罗·莱文森（Paul Levinson）在其博士毕业论文中提出的媒介进化论[24]不谋而合。其认为，媒介作为生命体在人类社会这一生存环境中不断演变，进化得越来越人性化、越来越呈现出自然而非人工的特征。保罗·莱文森亦指达尔文是影响其理论建构的重要来源[25]。

从上述对媒介环境学北美学派和媒介生态学中国学派的分析当中可以发现，二者皆基于种群进化仿生隐喻，进行仿生传播学的研究。将遗传算法融入二者的研究是水到渠成的。而二者的分野恰恰是在前者将传播者和传播受众视为生命体，而后者将传播媒介视为在生命体之上。崔宝国[26]用“鱼”来代表种群进化的传播媒介，用“水”来代表传播媒介所处的人类社会这一大环境亦正是此意。

在哈罗德·拉斯威尔（Harold Lasswell）提出的经典5W传播模型中，除去传播者、传播受众和传播媒介以及客观的传播效果之外，还有传播讯息这一关键模块。而在新塑传的两大实践应用领域中，除去对传播媒介的塑造，还有对传播讯息的塑造。在本书的前期研究中[27]，基于种群进化计算机仿生隐喻，运用遗传算法，建构了传播讯息的种群进化模式。

表5.3.1　传播讯息种群进化模式的仿生建构

表5.3.1展示了传播讯息种群进化模式的仿生建构。传播讯息需要依赖传播受众的关注才能够生存。当有传播受众关注，该传播讯息才处于生存的状态。一旦没有任何传播受众的关注，该传播讯息便不能再承担传播的职责。而为了生存，传播讯息总有着过度繁殖的倾向。书籍、报纸的传播讯息倾向于印刷多次进行复制。互联网上的文字、图片、声音、影像传播讯息更是天然地具备复制的能力。如果说在工业时代传播讯息的复制繁殖还需要“开动生产线”的成本的话，依托移动互联网的信息时代的传播讯息的复制繁殖则可谓是“一本万利”。基于移动互联网平台的文字、图片、声音、影响的传播讯息，只需被塑造出来，就可以被不同的、庞大的传播受众群体下载接收。

但是，正如大自然中生物的生存空间和生存资源是有限的一样，传播讯息的生存资源与空间——传播受众的注意力窗口，亦是有限的。在当下信息过载（information overload）的时代，即便耗尽所有人类的注意力时间（每个人一天24小时不间断地看、听、触等），也不可能支撑所有的传播讯息的生存与繁衍。一些传播讯息注定会因为得不到传播受众的关注而消逝。因此，传播讯息必须进行争夺传播受众注意力窗口的生存斗争（即“物竞”）。但生物的生存斗争的胜利与否是由大自然来评判的（即“天择”），适应传播受众环境的传播讯息自然将更容易赢得生存斗争、获得更多的传播受众注意力、在传播场域中的生存与繁衍的机率也随之大大增加（即“适者生存”）。

传播讯息除了直接复制的“克隆”遗传之外，还可以进行混搭和改编的塑造变异。例如，对各种音乐作品传播讯息朝着适应传播受众的方向进行改编（如重新编曲、重新混音、重新母带、重新演奏演唱、重写歌词等）：小提琴家戴维·嘉雷特（David Garrett）在其《Rock Symphonies》（摇滚交响梦）专辑中，对《少年心气》（Smells Like Teen Spirit）、《一往无前》（Walk This Way）、《卡什米尔》（Kashmir）等经典名曲进行了基于弦乐的重新编曲演绎，获得了传播受众的持续关注；唱作人瑞安·亚当斯（Ryan Adams）将泰勒·斯威夫特（Taylor Swift）获得传播受众认可的《1989》专辑进行了基于经典摇滚（classic rock）风格的改编，重新发表了《1989》专辑，同样获得了传播受众的持续关注。又如将不同的歌曲传播讯息进行采样混搭（mashup），既融汇它们适应传播受众的特征，又产生具备全新特点的歌曲传播讯息：通过将沃伦·泽方（Warren Zevon）的名曲《伦敦狼人》（Werewolves of London）与林纳·史金纳（Lynyrd Skynyrd）的名曲《甜蜜家乡阿拉巴马》（Sweet Home Alabama）进行采样混搭，摇滚小子（Kid Rock）的持续受到传播受众关注的名曲《整个夏天》（All Summer Long）得以诞生。

在当下，依托计算机音乐的符号化流派、机器学习流派和自生成流派的传播讯息塑造的方法模式（本书4.3节中进行了阐述），可以轻易地实现上述音乐作品传播讯息的遗传和变异。再将其与遗传算法这一计算机仿生隐喻相融合，即可以令音乐作品传播讯息的智能生成塑造，朝着不断适应传播受众的方向进化。而同样的方法模式亦可以被运用于除去音乐作品这一声音传播讯息之外的文字、图像、影像的传播讯息的种群进化塑造之中。事实上，已有相关的研究实现了这一基于种群进化计算机仿生隐喻的智能生成塑传模式：麦卡勒姆等[28]基于遗传算法，建构了一个达尔文音乐引擎（Darwinian Music Engine）用于音乐传播讯息的智能生成进化塑造。在此系统当中，每一条音乐传播讯息都数字化编码为相应的二进制向量。而每个二进制向量都表征着该音乐传播讯息的音符位置、乐器编排和演奏参数。整个系统一共进行了2 513次循环进化。依托项目网站（http：//darwintunes.org/），该系统累计获得了6 931位传播受众对智能生成的音乐传播讯息进行判别（即，基于人类智能实现进化算法的适配函数模块的功能）。研究者发现，系统生成的音乐传播讯息质量（包括其内含的和弦与节奏的审美质量）能够迅速地得到提升，受到传播受众的欢迎。