人工免疫隐喻诠释及建构模式

脊椎动物的免疫系统能够阻隔一部分对其自身有害的物质进入身体（如皮肤、毛发、外分泌等对有害物质的阻隔）。而对于那些已经进入身体的有害物质，免疫系统又可以进行识别并摧毁，并借由这个过程形成对同类有害物质的快速识别消除的免疫。人工免疫系统（artificial immune system）恰是基于免疫系统建立的计算机仿生隐喻。其被广泛运用于计算机安全领域（如对计算机病毒的识别和杀灭等），但同样可以被运用于传播应用实践当中，阻隔、识别、摧毁在传播场域中的有害的传播讯息和传播者，并对再次出现的、类似的有害传播讯息和有害传播者进行快速识别处理，形成对其的传播免疫。

人工免疫计算机仿生隐喻是一个复合隐喻[39]。其由基于B细胞的体液免疫反应（humoral immune response）、基于T细胞的细胞中介免疫（cell-mediated immunity）和危险理论（danger theory）三个计算机仿生隐喻所组成。

在体液免疫反应中，B细胞通过对生命体有害的病原体（pathogens）产生的抗原（antigen）进行识别，以摧毁相关病原体，并分泌抗体（antibodies）。抗体将在生命体的体内停留相对较长的时间。当有类似的病原体（产生相同的抗原）入侵生命体的身体时，抗体即能够立即产生反应并将其消灭。体液免疫反应计算机仿生隐喻具有长期记忆和自学习的特点。

对于经典传播学研究而言，个体对传播讯息的体液免疫反应曾经被仿生传播学详细探究过。威廉·麦奎尔（William McGuire）[40]就提出了接种理论（inoculation theory），认为与疫苗接种类似，传播受众如果在一开始先接收较弱的传播讯息的说服尝试，并对其进行反驳，产生更加支持其原先立场（包括态度、观念、信仰等）的论证，那么在之后面对更加猛烈的说服尝试的传播讯息时，就能够形成防护，坚守住自己的立场而不被说服。这正如在疫苗接种时，先向被接种者注入具有一定致病性但又不过强的疫苗，这样使得被接种者既不会因为疫苗的致病性过强而生病，也不会因为疫苗过弱而不能产生抗体。对于传播受众而言，其一开始接收的说服传播讯息不能过弱，这样不能令其保持防御状态；但传播讯息又不能过强，这样可能真正改变了受众的原先立场。可以说麦奎尔并不是通过仿生哺乳动物的免疫系统来建构说服免疫的培育方案的，而是仿生人类预防接种这一人工系统来进行的。在后续的研究中，大量的传播学实验被用来衡量不同传播讯息的接种效力，这与人类医学衡量疫苗的有效性的方法模式是一致的。

在细胞中介免疫中，T细胞不分彼此地消灭已经被感染的、或具有潜在危害的细胞。T细胞会随机生成细胞表面的特征（surface features），这些表面特征将绑定目标细胞并进行摧毁。正是因为细胞表面特征的随机生成，T细胞的无差别攻击有可能毁坏健康细胞。因此，在将随机生成表面特征的T细胞释放进入血液循环系统之前，要进行反向筛选（negative selection）的过程，那些表面特征会绑定到健康细胞的T细胞将被摧毁。细胞中介免疫计算机仿生隐喻具有随机生成和反向筛选的特点。

危险理论认为，当正常细胞被病原体摧毁后，将会发出一系列的信号。正是基于这些信号，免疫系统能够了解到病原体的存在，并掌握病原体的特征。上述T细胞的随机生成很难将有害病原体的各种特征穷尽，并且病原体又在随着时间不断变化。因此，仅仅依靠随机生成，病原体的识别常常会出现统计学当中的假阳性（false positives）情况。危险理论恰恰是根据病原体造成的后果来进行识别，能够做到有的放矢。(www.xing528.com)

上述三大人工免疫计算机仿生隐喻都可以建构相应的传播应用实践解决方案，用于有害传播讯息（如谣言传播讯息等）和有害传播者（如滥用的社交机器人等）的识别。但三者又有性能上的不同：体液免疫反应（即B细胞免疫反应）对再次出现的同类有害传播讯息和有害传播者能够做到快速识别反应，但这建立在耗费计算机储存资源的基础之上。当有害传播讯息和传播者的种类增加，该解决方案的可扩展性（scalability）就会出现问题，而且，该解决方案对于第一次出现的有害传播讯息和有害传播者的识别速度并不高。

相反地，细胞中介免疫（即，T细胞免疫反应）则对所有的有害传播讯息及有害传播者（无论其是否是第一次出现）都能够进行快速识别反应。但是，该解决方案同样存在着需要耗费计算机储存资源的问题。因为其必须对所有健康的传播讯息或传播者的特征进行识别。这一随机生成和反向筛选的数量级是当前所有正常传播讯息或传播者的指数级。

而对于危险理论而言，其对有害传播讯息和有害传播者的识别完全根据其造成的影响。基于危险理论计算机仿生隐喻建构的解决方案能够提供比体液免疫反应（即B细胞免疫反应）更快的识别反应速度。此外，其也并不需要像上述两大隐喻一样耗费过多的计算机储存资源。而其对有害传播者和有害传播讯息的识别完全基于其所造成的影响，故能够破除细胞中介免疫（T细胞免疫反应）的假阳性问题。

从本质上说，B细胞免疫反应提供的是“黑名单”式的解决方案，而T细胞免疫反应提供的是“白名单”式的解决方案，危险理论提供的则是“应急救援”式的解决方案。但无论是哪一种解决方案，都需要将有害传播讯息或有害传播者的特征进行提取，对其模式进行识别。而若要建立超越简单仿生传播的计算机仿生塑造传播解决方案，特征的提取和模式的识别都需要进行相应的数字化编码。

事实上，基于B细胞的体液免疫反应、基于T细胞的细胞中介免疫和危险理论（danger theory）三大计算机仿生隐喻所组成的人工免疫计算机仿生复合隐喻提供的功能，恰恰是监督式机器学习建构的自变量与因变量相互关系所亟需的。换而言之，在这里自变量是传播讯息或传播者的特征，因变量是对该传播讯息或传播者是否有害的判别结论。而本书4.1节中阐述的监督式机器学习的新塑传实践新模式解决方案，皆可以基于人工免疫计算机仿生隐喻被建构出来。