智能生成的传播学研究新范式：劳力分配隐喻及模式建构

在昆虫种群中（如工蜂集群、工蚁集群），不同的任务被各自最为适合的个体来承担和执行，而任务的承担与否由每个个体自行决定。做出这一决定既要确保自身非常适合承担当前任务，又要兼顾整个集群在整体上能够产生所有劳动力之于所有任务的最优分配（优化分布），任务由能者为之。而承担相同任务的个体之间，亦能够形成共识协作，搭配聚力地完成当前任务。

博纳博（Bonabeau）等[56]对上述劳力分配（division of labor）现象和机制进行了建模，形成了相应的计算机仿生隐喻。其中包含已被定量验证并广泛运用的反应阈值算法（respond-threshold algorithm）。具体而言，每个个体将独自决定是否要承担某一个任务。每个任务都会定义一个属于自己的激励值，用来吸引合适的个体承担。任务要求的专业化细分水平越高，激励值越小。任务要求越多的个体协作，激励值越大。每个个体自身对于各个任务都有一个对应的阈值（threshold）。当任务的激励值大于阈值，此个体便承担此任务。某个个体承担某个任务越游刃有余、越轻车熟路、越举重若轻，其定义的针对此任务的阈值越小。

在上述公式中，任务j将其激励值定为Sj。个体i将其对任务j的承担阈值定为θij。通过对等号右方的计算，个体i即可单独决定承担任务j的概率Tij。n是大于1的常数，用来定义阈值的陡度（steepness）。通过分析上述公式可知，当Sj≫θij时，Tij趋近于1。这意味着当任务定义的激励值远大于个体定义的对应阈值时，个体i将承担此任务j。反之，当Sj≪θij时，Tij趋近于0，个体i将忽略此任务j。当整个集群都遵循这一行为准则承接各种任务时，在整体上可形成所期望的分工协作模式。

当某个任务j已被一定数量的合适的个体承担后，其吸引更多个体的需求就会降低，与此对应的激励值Sj也应降低。当没有足够专业化的细分个体能够承担此任务时，激励值Sj应被提升，以使更多阈值高的个体（即对此任务不是特别擅长的个体）也加入承担执行该任务的工作中来。

Sj（t+1）=Sj（t）-α·numresp+β

上述公式定义了任务j的激励值Sj随时间调整的准则。numresp是当前任务j的传播者数量。常数α是该数值占激励值调整总量的比例（scale factor）。常数β则是激励值在单位时间内用于吸引更多个体的增长量。

劳力分配计算机仿生隐喻具有如下的三大优势：(www.xing528.com)

（1）激励值的设定是由当前任务的目标和此任务完成的状态所共同决定的。阈值的设定也是由个体的目标和该个体当前承担任务的状态所共同决定的。因此，任何任务和个体的变化都能够迅速地被劳力分配解决方案加入考虑之中。

（2）只要特定个体相对于特定任务的阈值以及阈值的陡度能够被精巧地设定，整个劳力分配解决方案将能够迅速地收敛（converge）。这非常适用于应对任务的变化频率较高和个体频率较高的变化场景。

（3）从个体的角度来看，若其与其他个体承担了在同一时间承担了同样的任务，那么其在本质上形成了与这些个体的共识（consensus）。而这一共识的达成既没有依赖任何的外力掌控，也没有个体之间的交互，而是纯粹基于每个个体的独立判断。这大大降低了个体之间的传播、交流、沟通的成本。事实上，正因为这一优势的存在，劳力分配计算机仿生隐喻也常常被用于在个体间形成共识的解决方案的建构之中。

当然，博纳博等建构的反应阈值算法的可扩展性（scalability）并不高。这意味着，当任务个数增多时，要形成集群整体劳动力至于全部任务的最优分配，需要耗费过多的资源。因为，每个个体在承担和执行某一任务之前，都需要在考虑所有任务的激励值，这毫无疑问增加了个体的决策成本。

劳力分配计算机仿生隐喻在传播应用实践中的运用主要在两大领域：一是建立整个集群全部任务的劳动力优化配置。在本书的前期研究中[57]，笔者基于劳力分配计算机仿生隐喻，建构了国家形象传播的分工协作模式。二是形成传播集群中个体之间的共识。例如，基于劳动力分配计算机仿生隐喻，建立传播者之间或传播受众之间的共识等。