← 细胞自动机第一原理

微小规则如何建造复杂世界?

细胞自动机几乎从空无一物开始。

你需要:

  • 一组细胞,
  • 每个细胞的状态,
  • 一个邻域,
  • 以及一条让细胞知道自己应变成什么的规则。

这就足够了。

没有中心控制器。

没有任何对象知道最终的图案应该是什么样子。

只有局部状态随时间在变化。

然而,一些局部规则却能生成条纹、前沿、振荡器、移动结构、交通波、洞穴系统、自我修复的图案,以及足以执行计算的复杂系统。

但上一句话需要一个限定——整本书都将尊重这个限定:并非每条简单规则都会产生有趣的行为。大多数只生成平淡无奇的东西——一片空白、一个冻结的图案、一个短循环。更窄却更令人惊讶的主张是:某些非常简单的局部规则会产生仅从规则本身难以预测的行为,而其中有几条还能支撑信号、碰撞与计算。

这正是细胞自动机对程序员如此有用的原因:它们以格外干净的形式,迫使我们研究一个深层的工程问题。

重复的局部决策,能涌现出多少全局行为?

这本书将通过我们自己构建系统来回答这个问题。


最小可用的模型

设想一排细胞。

每个细胞要么关要么开:

0 0 0 1 0 0 0

在下一步,每个细胞都检查自己和紧邻的邻居:

左 | 中 | 右

三比特构成八个可能的邻域之一:

111
110
101
100
011
010
001
000

一条规则为每个邻域分配一个新的比特。

以上就是初级细胞自动机的全部机制。

我们可以把全局更新表示为:

state_t
   |
局部邻域
   |
共享更新规则
   |
state_t+1

关键短语是 共享更新规则。

每个细胞都遵循同一条规律:

    flowchart LR
    R[一条共享规则] --> A[状态为0的细胞]
    R --> B[状态为1的细胞]
    R --> C[状态为0的细胞]
    R --> D[……]
    A --> A2[下一状态]
    B --> B2[下一状态]
    C --> C2[下一状态]
  

复杂性不是因为给每个细胞都写了不同的代码;它来自相同的局部规则与不同的局部状态之间的交互。

从一开始就有一个约定:除非某一章另有说明,所有细胞都同时更新,使用的是上一步的状态。这种同步更新是经典假设,也正是它让演化可复现。后续章节会故意打破它——使用随机更新和异步更新——来观察会发生什么变化。


细胞自动机的四个部分

我们将贯穿全书反复回到四个概念。它们与文献中使用的标准定义相匹配:按离散格点分布的细胞、有限的状态集合、严格局部的交互,以及并行施加的离散更新。

1. 空间

细胞需要一个栖身之处:一个格(lattice)。

空间可能是:

1D 线
2D 方格
六边形格
3D 晶格
图
连续场

经典的细胞自动机通常使用规则的离散网格,但之后我们几乎会放宽所有这些假设。

2. 状态

一个细胞可以只存放一比特:

0 或 1

也可以存放若干离散状态:

empty
burning
burned

或者一个连续值向量:

[r, g, b, alive, hidden_1, hidden_2, ...]

后一种形式在我们到达神经细胞自动机时会变得重要。

3. 邻域

一个细胞通常无法检视整个世界。

它只能看到附近的细胞。

在一个二维网格上,两种常见的邻域是:

Von Neumann

  x
x o x
  x

和:

Moore

x x x
x o x
x x x

局部性正是让这个主题有趣的约束。不存在超距作用:一个细胞了解到的关于世界的全部信息,都通过它的邻居、每次一步地到达。

4. 更新规则

规则把局部信息映射到新状态:

new_state = rule(neighborhood)

对一维二元规则、每边各取一个邻居来说,细胞 i 的更新通常写作:

sigma_i(t+1) = phi(sigma_{i-1}(t), sigma_i(t), sigma_{i+1}(t))

其中 sigma_i(t) 是时间 t 时细胞 i 的状态,phi 是转移函数——那张把八个邻域分别映射到一个输出比特的查找表。我们将在接下来的两章把它具体化。

经典的规则是手写的。

之后我们会让它们变成随机的、连续的,最终是学会的。

runnable model 的两个进一步选择是:调度(细胞什么时候更新)与边界(晶格边缘发生什么)。第 2 章会明确两者。

四个部分一目了然——这本书会反复回到的参考点:

部分 指定的内容 本书中的例子
空间 细胞居住在哪里 1D 行、2D 网格、连续场
状态 每个细胞持有什么 一比特、empty/burning/burned、隐藏向量
邻域 每个细胞能看到什么 3 细胞行、Moore 8 细胞、径向卷积核
更新规则 局部状态如何变成下一状态 Rule 22 表、B3/S23、学会的网络

这个想法从何而来

上面的四部分结构并不是一开始就显而易见的;它是在几十年间浮现出来的。

20 世纪 40 年代末,John von Neumann 在 Stanislaw Ulam 的建议下,采用了一格点分布的细胞来研究自我复制:嵌入在这样一个网格中的机器,能否构造出自身的一份副本?他的构造使用了 29 个状态和复杂的动态;这也是一并行离散模型被形式化地证明具备通用计算能力的首次证明。细节归于历史,但这个举动至关重要:生物看起来是连续的,而 von Neumann 选择了离散且局部地建模其逻辑。

1970 年,John Conway 的生命游戏表明,要产生引人注目的二维行为需要多么少:两个状态,以及在八细胞 Moore 邻域上的一个极小的生成/存活规则。到了 1980 年代,Stephen Wolfram 系统地研究了所有 256 条一维规则,并给该领域以第一个定性的行为分类,从均匀到周期、混沌再到局部复杂。

每一步都收窄了问题。von Neumann 问道,一个简单部件的网格能构造什么。Conway 展示了它能生长什么。Wolfram 问道,整个微小规则空间典型上会做什么。本书遵循的是同样的收窄过程:构建规则、看它如何运行、度量发生的事、只有到那时才一般化。


为什么程序员应该关心

细胞自动机位于若干有用想法的交汇处。

模拟

局部规则可以模拟诸如此类的过程:

  • 火势蔓延,
  • 交通流,
  • 扩散,
  • 感染,
  • 侵蚀,
  • 类人群移动。

目标并不总是物理准确性。价值常常来自理解一个简单的交互模型能生成什么行为。

程序化生成

游戏和生成系统使用细胞风格的规则来产生:

  • 洞穴,
  • 岛屿,
  • 地形掩膜,
  • 纹理,
  • 房间与走廊,
  • 有机-looking 的边界。

几条平滑规则就能把随机噪声变成看起来格外可塑的结构。

涌现

细胞自动机让涌现变得可见。

与其说一个系统"复杂",我们不如一代一代地看着结构出现——并检查我们较低层的规则是否真的解释了较高层的模式,又或者我们只是给尚未理解的东西起了一个暗示性的名字。本书把涌现当作一种待论证的观察,而不是自我解释的原理。

计算

某些自动机能支撑持久信号以及这些信号之间的交互。

这意味着网格本身能成为一个计算基底——对少数特定规则、在我们将定义的精确意义上。计算的能力、图灵完备性与实用可编程性是不同的主张,我们会把它们分离开。

人工生命

后续系统,例如连续细胞自动机和神经细胞自动机,能让我们探索生长、持久、复原与自组织。

这给了我们一条从下列历程延伸出去的道路:

bit rule
  -> pattern
  -> moving structure
  -> computation
  -> self-organization
  -> learned local behavior

先构建,再谈理论

我们要用 Python,因为它让我们能在想法与实验之间快速移动。

我们的第一个实现将故意地做小。

import numpy as np

state = np.zeros(41, dtype=np.uint8)
state[len(state) // 2] = 1

print(state)

那创建了一个带有一个活细胞的一维世界。

下一章将给那个世界一条规则。

我们不会从构建框架开始。

我们不会从继承层级或插件系统开始。

我们从最小可能的转移函数出发,把抽象层层赚来。

这之所以重要,是因为细胞自动机从根本上在于转移:

current local state -> next local state

一旦我们清楚地理解了这个操作,其余的一切都是组合。


本书的递进

本书走过若干层,从离散规则到度量、到连续与学会的系统,再到来自运行诚实实验所需的工程。

 Foundations      一维规则
                 规则编码
                 Rule 30, Rule 110
                 Conway's Life, 模式作为数据

 Richer worlds    多状态与 Life-like 规则
                 随机系统
                 森林火灾、交通、扩散
                 反应-扩散、生态系统
                 洞穴、地形、纹理

 Measurement      密度、活动度、熵
 and search       周期性、吸引子、敏感度
                 规则分类
                 穷举搜索与演化搜索
                 作为计算的自动机

 Continuous       卷积核、增长函数
 artificial life  Lenia, 鲁棒性, Flow-Lenia

 Learned rules    可微自动机
                 神经细胞自动机
                 生长、持久、复原
                 路径寻找与隐藏状态

 Engineering      性能分析、向量化、GPU、FFT
                 可复用引擎、可复现性
                 扫描、图、实验室实践

 Capstone         构建候选、度量它、
                 挑战它,以及当证据失败时
                 拒绝它

终点是尖端的。

起点却是一个比特。


一个需要记住的想法

细胞自动机有趣,并不是因为每个细胞都很聪明。

它有趣,是因为每个细胞 并不 聪明。

力量来自重复的交互。

这给了我们贯穿整本书的中心思想:

某些非常简单的局部规则会产生难以从规则本身预测的全局行为。

在下一章里,我们将通过从头实现一个初级细胞自动机来亲眼看清楚这一点。


Research

  • Berto, F. & Tagliabue, J. — Cellular Automata (Stanford Encyclopedia of Philosophy). 本章基础的最佳单一入口:四部分的定义(格点、状态、局部性、同步更新)、von Neumann–Ulam 起源、Garden-of-Eden 与 Hedlund 结果、Life、Wolfram 的分类,以及涌现的哲学使用与滥用。用它来区分什么是 established versus interpreted。 https://plato.stanford.edu/entries/cellular-automata/

  • Wolfram, S. — Statistical Mechanics of Cellular Automata (Reviews of Modern Physics 55, 1983). 关于一维规则的原始系统论文:枚举规则空间、引入定性的行为类别,并把自动机当作统计研究的对象而不仅是奇趣玩具。奠定了本书的 build-then-measure 方法。 https://doi.org/10.1103/RevModPhys.55.601

  • Weisstein, E. W. — Elementary Cellular Automaton (MathWorld). 接下来两章所依赖定义的精要参考:两个状态、最近邻依赖、用一个 8 位数字索引的 256 条规则,以 Rule 30/90/110 为 worked examples。用于在实现之前验证规则表的编码。 https://mathworld.wolfram.com/ElementaryCellularAutomaton.html