一群蚂蚁离开巢穴寻找食物，前面出现一个岔路口。左边远，右边近。没有地图，也没有哪只蚂蚁先把两条路量一遍。大约半小时后，大部分蚂蚁却走上了右边那条较短的路。

1989年，布鲁塞尔自由大学的研究团队用阿根廷蚁做过一个实验。他们在蚁巢和食物之间搭了一座分叉桥。桥上有两条路，长路的长度是较短那条的2倍。单只蚂蚁只能接触眼前的路面和气味，看不到整座桥。

实验一共做了14次。其中11次，超过80%的过桥蚂蚁选择了较短的分支。

蚂蚁靠什么认路？

蚂蚁走过时会在地面留下信息素，也就是一种化学气味。后面的蚂蚁更愿意走气味浓的方向，经过以后又会添上一层新的气味。

较短的路往返一次用时更少。第一批走上这条路的蚂蚁会更早回到分叉口，在路线两端补上信息素。接下来，气味浓的路吸引更多蚂蚁，更多蚂蚁又留下更浓的气味。最初那一点时间优势，就这样被一轮轮放大。

实验并没有保证每次都出现同样的结果。其余3次，走较短路线的蚂蚁没有达到80%。蚁群能提高找到较短路线的概率，却不能保证每次都选对，也不能保证每次都集中得那么明显。

整群蚂蚁没有开过一次会，也没有哪只蚂蚁发过命令。路线偏好随着每一次经过慢慢形成。这个过程就是自组织。

自组织不等于没有管理者。总部可以把每个岗位每天做什么都排好，大家照表执行——这不叫自组织。总部只定了安全线和基本规则，具体怎么配合是运行中自己长出来的——这里有自组织。判断标准就一条：整体模式是被提前逐项写死的，还是在互动中形成的。

整体模式也有好坏。蚁群集中走上较短的路，是自组织形成的模式。蚁群死死锁在旧路上不肯换，也是自组织形成的模式。早高峰同一个路口每周堵成一模一样的形状，同样是自组织在维持的模式。好结果可能是自组织长出来的，坏结果也可能是。

蚂蚁通过信息素间接配合。白蚁筑巢也会利用留在环境里的痕迹。一只白蚁放下一小块泥土，后来者更可能继续往那里堆。泥土逐渐聚成小堆，随后长成柱子，有些柱子还会连成拱形结构。

法国昆虫学家格拉塞在1959年把这类协作称为间接协同（stigmergy）。前一个个体改变了环境，环境又给后一个个体提示。白蚁究竟主要感知泥土形状、湿度还是化学信号，研究仍在继续。间接协同只是自组织的一种方式，很多自组织过程并不依赖环境痕迹。

蚂蚁毕竟是活物。换成一层没有生命的液体，整体模式还能自己形成吗？

把一层液体放在容器里，从下面加热，上面保持低温。温差不大时，液体很安静，热量靠传导一点点往上走。温差继续增加，过了某个临界值，原本微弱的流动不再消失，反而越来越明显。最后，液体里出现一格一格的对流图案。有时是卷状，有时接近六角形，具体形状取决于液体性质和容器边界。

这个现象叫瑞利-贝纳尔对流。英国物理学家瑞利在1916年分析了它出现的条件。

停止加热，温差慢慢消失，对流图案也会散去。这类结构需要持续的能量供应。物理化学家普里戈金把它们称为耗散结构。系统一边消耗能量，一边维持自身的有序状态。

蚂蚁依靠信息素，液体受温差、浮力和黏性影响。两套机制差别很大，它们仍然共享一种组织方式。系统里的组成部分只对附近的变化作出反应，经过反复作用，整体上出现了清楚可见的模式。

自组织能帮蚁群找到较短的路，也会把偶然选择放大。

研究者换用黑蚁做了另一组实验。这次两条路完全等长。按理说，蚁群没有理由长期偏向任何一边。25次实验里却有18次，大部分蚂蚁最终集中到了同一条分支。

开头只要多出几只蚂蚁走向一边，那里的信息素就会稍浓一点。这个差别继续吸引后来者，后来者再把差别扩大。最后形成的集体选择未必更好，它可能只是一连串偶然留下的结果。

这也是自组织需要警惕的地方。系统能够形成一致行动，一致行动本身并不代表正确。

前面的阿根廷蚁实验还做了另一项测试。研究者先让蚂蚁沿着长路建立稳定的信息素路线，30分钟后再加入一条较短的新路。18次实验里，蚁群只有2次成功改道。

旧路线已经积累了浓重的信息素。新路线虽然更短，刚出现时却没有气味，经过的蚂蚁也少。原先帮助蚁群形成路线的正反馈，此时继续维护旧路线。后来出现的更好选择很难得到尝试。

这就是路径依赖。一个系统早期形成的选择会改变后续选择的条件，走得越久，换路的成本越高。

想让这样的系统保留适应能力，规则里要容得下新尝试。设计者可以定期降低旧信号的权重，也可以留出少量探索机会。眼前效率会损失一点，新路线却有机会被发现。

很多自组织过程都同时存在放大和抑制。正反馈让微小差异迅速扩大，资源耗尽或信号消退会限制这种增长。信息素经过较长时间会挥发，旧路线的吸引力随之下降。道路上的人能够看见拥堵并改道时，拥堵也会抑制一条路线继续吸引车辆。缺少抑制的正反馈很容易把系统推向锁定，甚至失控。

无人机灯光秀也能排出整齐图案，是自组织吗？它的秩序来自一套事先写好的中央程序。哪架无人机什么时候飞到哪里，程序已经算好。无人机只要照着轨迹执行，空中的图案就会出现。

公司总部把任务切好，再交给不同地区照表完成，也属于同一种情况。执行地点分散了，安排任务的方式仍然集中。

街上的人同时撑伞又是另一回事。他们都在回应同一场雨，彼此没有交换信息，也没有根据别人的动作调整自己。同步行动来自共同外因。

还有一种情况更常见。一群人没有负责人，在群里说了很久，既没有形成稳定分工，也没有出现反复可见的协作方式。这叫无人管理，算不上自组织。

自组织关注整体模式怎样产生。中央可以规定安全边界，也可以设定每个参与者都要遵守的基本规则。只要实际形成的整体模式主要来自局部互动，它仍然带有自组织特征。现实里的交通系统、企业和互联网社区，往往都混合了集中控制与自组织。

这个模型容易和涌现、反馈回路混在一起。还是用蚁群来举例。信息素越浓，走来的蚂蚁越多；蚂蚁越多，留下的信息素也越浓——这个越转越快的循环，是反馈回路在干活。蚁群没有谁发命令，路线却在一次次的走过中慢慢选出来了——这个从乱到齐的过程，是自组织。最后蚁群集中走在一条路上，这条群体路线不属于任何一只蚂蚁，只在整体层面才看得见——这个整体层面冒出来的结果，叫涌现。同一群蚂蚁，同一件事，反馈回路解释它为什么越转越快，自组织解释秩序怎样从无到有，涌现解释最后多出了什么。

自组织不只出现在蚂蚁和液体里，也可以变成一种工程设计思路。

城市路口的信号灯大多按照预设周期运行。管理部门为早高峰、平峰和晚高峰各准备一套方案，路口仍然很难跟上每分钟都在变化的车流。一边已经没有车了，绿灯还在继续。另一边排起长队，只能等下一个周期。

2005年，复杂系统研究者卡洛斯·格尔申森提出了一套不同的方案。他给每个路口只定了一条规则：只看正在红灯前排队的车。车辆数和等待时间一起累加，车越多、等得越久，计数越快。计数达到阈值，信号灯就切换方向。

这条规则看起来简单，但它让信号灯跟着车流走，而不是车流跟着信号灯走。

不过，只靠阈值还不够。如果车一多就立刻切换，绿灯可能几秒一变，谁也走不了。方案又加了两条限制。一是每轮信号有最短保持时间，不能提前结束。二是遇到一拨正在通过路口的车，信号灯会尽量让它们完整通过，免得把一拨车拦腰截断。

格尔申森设计了这些局部规则，却没有提前写死每个路口每一秒亮什么灯。每个路口只管自己的计数和切换，路口之间不需要直接通信。但上一个路口放出的车辆到达下一个路口，会改变那里的排队和计数。下一个路口什么时候切换，又会反过来影响再下一个路口。车流改变信号，信号又重新塑造车流。

仿真结果显示，车辆逐渐聚成一拨一拨地通过路口，停车次数和等待时间随之减少。2008年，莱默和赫尔宾又提出了一套由车流决定服务顺序的方法。多个路口在仿真中出现了一种近似绿波的配合：一拨车以正常速度开过路口，到达下一个路口时，那里的信号灯刚好也翻到绿灯。没有人提前算好时差，但路口之间的配合看起来就像有人安排过一样。

但这些结果主要来自仿真模拟。格尔申森也明确说过，他的早期模型很抽象，距离真实道路还需要更复杂的模拟和现场试验。车辆密度很高时，简单规则可能造成频繁切换，严重时所有方向会互相堵住。在现实中路口还要照顾行人和应急车辆。相邻区域会不会被转移过来的拥堵压垮，也得算进去。

一句命令很难改变由局部互动反复形成的模式。对蚂蚁喊"都走较短的路"没有用，信息素仍然决定下一只蚂蚁往哪里走。命令改变不了信息素，但管理者可以改变个体每天面对的条件。

把这套思路搬进公司还要多一分小心。蚂蚁不会研究考核办法，但是人会，员工能够理解规则，也可能利用规则。

我们可以从下面四个角度适合拿来检查系统——

假设一个团队每次遇到重要任务，工作最后都压到少数几个能干的人身上。领导多说几遍"大家主动担当"，这个模式通常不会自己消失。顺着下面几个地方查，往往更有用。

先看规则

团队依据什么分配任务？谁先答应谁负责，久而久之，反应快的人就会承担更多工作。可以改成轮值，也可以根据每个人当前的任务量分配。规则一变，每个人下一次作决定的依据也会变化。

谁能看见谁

如果大家只知道自己手上的事，就很难判断别人是不是已经忙不过来。把每个人正在处理的任务和截止日期公开，团队成员有了新的局部信息，分工方式可能随之改变。

结果怎样回来

任务交出去以后，返工、延期和投诉有没有回到分配环节？结果长期留在执行端，前面的人就会不断重复同一种分配方式。让后果回到下一轮决策，系统才有机会调整。

边界要提前写好

无论团队怎样自主分工，都可以规定单人同时承担的重要项目上限。高风险任务要有备份负责人，连续加班也要触发重新分配。边界的作用很直接，它拦住系统不能承受的结果。

规则、连接、反馈和边界经常缠在一起。一个动作可能同时改变其中两处，不必硬分。先找最可能推动当前模式的地方，改一处，看结果，再决定下一步。

一种问题反复出现，怎么办？遇到这类问题，需要先弄清模式怎样形成，再决定要不要动手。下面仍用交通路网演示。这里的排队长度和排查结果都是假设数据，只为说明方法。

第一步　先把范围圈出来

先找出谁在行动，彼此通过什么发生影响，还要定下观察时间。

在这个场景里，每个路口的信号控制器都能作决定。车辆和排队把相邻路口连在一起，上一个路口放出的车会改变下一个路口的状态。观察一天还不够，至少要分开看早高峰、平峰和晚高峰。

第二步　把整体模式说清楚

"交通很堵"提供不了多少线索。可以把它写得更具体。早高峰时，主路排队超过200米，一个绿灯周期清不完，相邻两个路口随后互相堵住。

先描述发生了什么，暂时不急着判断原因。排队长度、等待时间和堵塞出现的频率，都可以用来确认这个模式是否反复存在。

第三步　顺着动作往下追

路口A放行，车辆驶向路口B。B此时还是红灯，车辆开始排队。等B转绿时，队伍已经太长，一个周期只能放走一部分。剩下的车占满两个路口之间的道路，随后挡住A的下一轮放行。

这条反馈链把两个局部动作接了起来。A只管放车，B只按自己的周期切换信号，堵塞却在两个路口之间反复形成。车辆到达率较低时，队伍能够及时清空，这条链也就断了。

第四步　拿其他解释来对照

局部互动只是一个候选解释。还要检查信号灯是否故障，某个方向的车流有没有突然增加，下游道路是不是出现了容量瓶颈。

假设排查以后，设备正常，总车流和平时接近，下游也没有施工。此时，两个路口缺少协调的解释就更可信。若调整其中一个路口的周期以后，原来的堵塞模式随之改变，证据会再多一层。一次变化仍然不够，最好换几个日期和车流条件重复观察。

前四步用来识别已有模式。准备干预时，再往下走。

第五步　挑一个地方改，底线先定好

可以先改最容易试的一条局部规则。为了演示，暂时采用一个简化方案。某个方向来车较多时，绿灯延长几秒；这个方向暂时没车，控制器再考虑切换。

试验开始前，行人最短过街时间和应急车辆优先权都要写进规则。任何方向的最长等待时间也不能无限增加。单个路口根据车流调整信号，只能算自适应控制。多个路口通过车流彼此影响，反复形成路网层面的配合以后，才适合讨论自组织。

第六步　从小范围开始

先挑几个相邻路口试运行，再与原方案或对照区域比较。测试要覆盖不同车流密度，既看排队有没有缩短，也要看拥堵是否被推到了相邻片区。

试验前还要约定停止条件。行人等待明显增加，某个方向连续拥堵，或者设备出现异常，都要能迅速退回原来的信号方案。复杂系统经常把问题换个地方重新送回来，小范围试验能让人看见这些后果。

这套方法可以分成前后两段。前四步用来找到整体模式的生成过程，后两步用来改变条件并验证结果。它不只适用于红绿灯。团队分工、平台内容分发和市场选择反复出现同一种局面时，也可以沿着这条路检查。