智能生成的新范式：稳态维持的隐喻与模式建构

稳态维持（homeostasis）[41]是生命体能够通过不断地对感知到的、自身内部环境和所处外部环境当中的变化进行反应，以使其自身维持在生命体能够正常生存繁衍的稳定状态的现象。此类现象在生命体当中非常常见，诸如体温控制系统、血压维持系统等。

欧文斯（Owens）等[42]对包含人类在内的生命体的稳态维持机制进行了概括、归纳、总结、提炼、抽象，建立了相应的模型。在其建构的稳态维持计算机仿生隐喻中，包含如下的模块。

传感器（sensors）模块——传感器在生命体中大量分布，用于感知自身内部环境和所处外部环境当中的变化。

内稳态变量（homeostatic variables）及其期望值（set points）模块——二者表述的是生命体当前自身状态的指标。若各个内稳态变量的取值稳定在其相应的期望值左右，则表明该生命体处于自身机能正常运转所需的稳定状态之中。

驱动器（actuators）模块——该模块被生命体用来有效改变其自身的内部环境和所处的外部环境，以此维持自身的稳定状态。

稳态反应（hemostatic responses）模块——稳态反应模块运用驱动器模块，根据传感器模块监测到自身内部环境和所处外部环境的变化进行反应，以不断修正偏离期望值的内稳态变量。

上述稳态维持计算机仿生隐喻能够成功的关键，在于其是否能够辩证应对生命体自身内部环境和所处外部环境的变化。一方面，整个稳态维持系统需要积极实施调节以尽量适应当前生命体的内外部环境，为其机能的正常运转提供稳态条件；另一方面，过度地适应（overfitting）当前环境将导致整个稳态维持系统难以妥善应对新变化。(www.xing528.com)

基于上述考虑，欧文斯等依托乡农的传播数字化理论（即信息论）中的乡农信息熵（Shannon entropy，即所含信息量）进行把握。

如上述公式所示，等号右边的被减数，代表生命体自身内部环境与所处外部环境的香农信息熵的变化率。换而言之，它是生命体内外部环境中所含的信息总量的变化率。其数值，可以依托传感器组件进行观测衡量。等号右方的减数，则代表稳态维持系统与生命体内外部环境所共享的信息的变化率。其分子中的H（S）是稳态维持系统所含的信息总量，H（S|E）则是稳态系统中与生命体内外部环境无关的信息量。两者的差值即稳态维持系统与生命体内外部环境共享的香农信息熵（即所含的信息量），它们的值亦可以通过传感器模块进行观测衡量。

上述公式等号左方的B（t）代表在当前时刻t，生命体自身内部环境和所处外部环境的变化速率，与稳态维持系统为了适应生命体内外部环境变化而产生的变化速率之差。若B（t）的值在0左右浮动，即意味着稳态维持系统能够适时、适当、适量地应对环境的变化；若B（t）的值始终小于0，则意味着稳态维持系统对生命体内外部环境的变化过度适应了，需要降低对其的反应灵敏程度。反之，若B（t）的值始终大于0，则应加深、加强、加快适应生命体自身内部环境和所处外部环境变化的步伐。

在本书的前期研究中[43]，笔者基于稳态维持计算机仿生隐喻建构了国家形象传播稳态维持模式。从本质上说，这一计算机仿生隐喻恰恰是本书前文所述的生成（Generative module）、判别（Discriminative module）、反馈（Feedback module）、迭代（Iterative module）的循环进化GDFI极值优化模式的一种表现形式。如图5.7.1所示，在稳态维持系统中，传感器模块和内稳态变量及其期望值模块相应提供的是判别和反馈的功能。而驱动器模块和稳态反应模块则对应提供了生成和迭代的功能。

图5.7.1　稳态维持计算机仿生隐喻的GDFI循环进化模式

基于此分析可以发现，稳态维持计算机仿生隐喻可以被用于传播应用实践当中的极值优化问题的解决。只是稳态维持的解决方案进行极值优化的，是当前传播效果与理想传播效果的差的最小值。换而言之，本书4.2节中阐述的极值优化的新塑传实践新模式解决方案皆可以基于稳态维持计算机仿生隐喻被建构出来。