深度的社会网络分析研究将会为未来社会发展与管理提供更加合理的解决方案。

　　马克思曾谈到“人是一切社会关系的总和”，如何预测或分析个体的社会性行为，分析宏观现象出现的原因与机理，一直是社会学、经济学等学科关注的重点，而网络是描述一个集体中个体与个体联系的主要数学模型，由此，将网络的模型应用至社会现象当中便产生了社会网络分析研究。社会网络是涵盖控制理论、社会学、物理学、应用数学、心理学、经济学、管理学以及生物学等的多学科交叉领域，从人类社会网络中的舆论、谣言传播、大众决策、社会权力的形成，到自然和社会领域中生物演化、合作涌现，最后到科技工业领域中集群控制、群体智能，这些都是目前广受学界关注的研究问题。

　　社会网络与观点、舆论

　　观点动力学等社会网络中的观点形成与舆论传播的研究是结合心理学的科学原理，利用控制理论、图论和数据科学的研究方法与建模手段，探究在社会网络中个体是如何相互影响与交换观点、大众观点如何演化以及观点的多样性、一致性及稳定性分析的交叉学科领域。这样的社会网络包括公司董事会、学校教室中的学生网络，以及大数据视角下的线上社交网络等多种场景。

　　近年来，由于信息网络的高速发展，个体拥有更多表达意见与交流的机会，线上社交网络的范围越来越广，交流速度越来越快，随之也产生很多潜在的问题，如信息蝾螈、仇恨网络、社交机器人等。

　　2019年，美国休斯敦大学的研究人员在《自然》(Nature)杂志上发表关于信息蝾螈导致不民主决策的研究论文。该论文通过建立网络模型发现，原本势力相同的两个团体，即在相同规模与相同个体影响力的前提下，影响网络结构可能会导致最终的选举结果倾向于其中一方，即会发生信息蝾螈现象。同样，小数量的党派狂热者也会导致这样的结果。例如，在社交网络中对美国政治选举实行引导的政治讨论以及美国国会和欧洲立法机构共同立法的历史模式中，研究人员都发现了大量的信息蝾螈现象，这种网络结构影响群体意见与观点的现象为实现公正公平的选举与社会评论留下了严重的隐患，不合理或受人干预的结构将扭曲大众的舆论观点或最终选择，并影响到群体的理智。

　　同年，美国乔治•华盛顿大学的研究人员在《自然》(Nature)杂志上谈到，一些现实的暴力事件与网络上的仇恨、恶意言论密切相关，如发生在新西兰克赖斯特彻奇的袭击与爆炸事件。然而，网络社交平台难以控制线上仇恨。因此，消除线上仇恨迫在眉睫，亟须新的思路与角度。研究人员针对线上仇恨群体建立数学模型时发现，线上仇恨的破坏主要是针对全球性嵌套式网络的动力学系统。相互关联的线上仇恨团体形成了跨社交平台的“仇恨链接通道”，由于仇恨网络具有再组织及自我修复的特点，如果单一的社交平台(如脸书)对社交平台环境进行整顿(如屏蔽关键词或删帖)有可能增加问题的严重性，最终导致线上仇恨进一步恶性发展，这样的管理犹如火上浇油。该研究提出了一些可能有效的措施，例如，由于网络仇恨的大型聚集簇是由小型聚集簇组成的，可以先对较易发现的小型聚集簇进行裁决，进而减少网络仇恨的聚集，或培养一些对抗仇恨言论的人工账户等。

　　社交机器人的产生也同样给社交网络平台造成了巨大的隐患。社交机器人是通过算法驱动在网络社交平台中活跃的个体。有益的社交机器人被应用于天气预报、咨询助理或者灾难预警等场景，而恶意社交机器人被应用于窃取个人隐私、扩散谣言与虚假消息、操控大众观点、引导政治选举以及扰乱经济市场等多方面。据统计，在推特上约有9%～15%的账户为社交机器人，脸书的信使平台中月活跃的聊天机器人约有10万账户，微博上月活跃的账户中有上千万的僵尸账户。社交机器人对大众观点的引导是目前的研究热点，大量研究人员尝试利用链路预测与自然语言处理等方法剔除社交机器人，但是这种方法会导致社交机器人的技术手段随之提高。最近有一些研究人员提出，利用多智能体建模的手段，尝试研究社交机器人引导社交舆论的机理。研究发现，极少数行动一致的社交机器人可以引导大众的观点，这就意味着我们需要找到抵抗社交机器人恶意活动的方法，以避免大众被个人或团体通过社交机器人的手段进行诱导。

　　这些由于网络结构造成的偏差是影响社会公正、干扰社会和谐、诱导大众舆论的不利因素，需要我们通过某些技术手段减弱这些因素造成的社会影响。

　　社会网络与合作涌现

　　达尔文《物种起源》揭示，在优胜劣汰的自然法则之下，生物自私的天性使其倾向于作出对自己利益最大的决策，即不合作。合作虽然能够为种群创造集体价值，但损害了个人利益。例如，在公共品博弈问题中，个体可以选择向社会公共资源付出一定的投资，当公共资源达到一定程度时便可以为社会带来回报。然而，由于个体有追逐名利的自私特性，不合作而坐收其成便是最优的决策。如果所有人都选择不合作，便不能促进社会公共事业的发展。在气候博弈问题中，所有人选择不合作就会造成集体利益受损的境遇。虽然达尔文对利他行为提出了一些解释，但是并不能解决所有的问题。在这样的思考之下，一方面如何解释自然、社会中普遍存在的合作涌现现象被《科学》(Science)杂志公布为世界最具挑战性125个问题中25个重中之重之一，另一方面如何通过政策引导与管理来提高人们合作的趋势是社会学、管理学以及经济学的重要研究课题。演化博弈论结合社会网络的模型为合作涌现的研究提供了一种范式。

　　2006年，日本九州大学的研究人员在《自然》(Nature)杂志上阐述了在社会网络中通过合作产生的简单规则，无论是环状图、空间格网图、随机规则图或者无标度网络，若满足利他行为带来的利益b除以成本c的数值超过网络的平均连接度数值k，即“b/c>k”，那么自然选择青睐于合作。2014年，美国耶鲁大学的研究人员在《美国科学院院刊》(PNAS)上发表了“b/c>k”这一规则的实验证明论文。在“b/c>k”的前提下，观测到高等级且稳定的合作。反之，参与者只会选择随机合作，并在短时间内结束合作，由此得出静态网络才能够稳定人们合作的结论。

　　从传统意义来讲，对合作演化的探讨主要集中在静态的交互环境中，即在演化过程中个体所处环境的状态是恒定不变的。然而，大量实证研究表明，环境的状态通常随着时间发生改变。2019年，北京大学的研究人员在《美国科学院院刊》(PNAS)上发表了在社会网络中存在博弈变化的合作演化模型的研究论文。该论文指出，考虑到环境对人群的影响，即每个人同时受到了内部和外部因素的影响，外部因素影响以博弈结构的变化来体现。当利他行为产生的收益b与其代价c的比值超过k-k’时，合作行为能够在人群中演化。其中，k同样为网络的平均连接度值，k’则是博弈结构变化带来的影响，这说明，即使合作在任何单一的博弈结构下都无法演化，但是合作导致相对高价值的博弈，而背叛导致相对低价值的博弈，这种博弈结构的变化能够促进合作的产生。

　　博弈问题在生活中无处不在，而如何在博弈中实现合作达到共赢的局面，既需要我们对现有的合作涌现进行分析，更需要在分析的基础之上对政策进行规划与设计。现实社会的场景是复杂多样的，在已提出简单模型及已发现的简单数学公式的基础上，如何将现实中复杂的社会因素，如个体心理、社会权力、场景改变等，结合起来解释现实社会中的合作现象，需要进一步深入研究。

　　社会网络与群体智能

　　2018年，《科学机器人》(Science Robotics)杂志通过线上调查总结出10个未来机器人发展方向面临的重大挑战。其中，机器人集群(Robotics Swarm)涵盖在社会网络的研究范畴之中。

　　在大自然中存在着多种多样的生物集群，如蜂群、鸟群、鱼群等，通过群体行动与分工完成任务目标——采集或避开天敌等。根据任务的实际情况，生物集群通过简单的机器人单元组成编队，如仿生机器人集群、无人机集群等，解决问题，大大降低研发的成本、难度或节省任务时间。这就需要机器人单元既可以感知环境，又可以与其邻居单元进行通信协作。机器学习与人工智能技术为机器人个体提供了感知与信息分析的基本能力，而5G等无线通信网络将为机器人的通信提供保障，社会网络的研究则主要致力于解决如何使个体在中央控制或去中心化网络中作出合适决策的问题，最终使集群达到群体智能的目标。

　　2018年，美国麻省理工学院的研究人员在《自然》(Nature)杂志上发表了关于仿生物细胞群体机器人合作的研究论文，为大规模的机器人集群开拓出一条新的道路。该论文指出，在仿生物细胞群体机器人系统中，每个个体是无法进行独立运动的，只能通过与邻居的交互作用进行整体移动以实现向信号源移动的目的。若能将机器人个体缩小到纳米级别，则将为医学工程提供重要的医疗工具，为靶向药物等提供突破性的解决方案。同年，匈牙利厄特沃什•罗兰大学的研究人员在《科学机器人》(Science Robotics)杂志上发表了关于封闭空间无人机集群的控制研究论文。研究人员对无人机集群设置了11个参数以应对大型无人机集群带来的困难，以此协调各个无人机个体速度、个体之间的距离与距离稳定性等。但是，这也同时增加了控制的复杂度。该研究利用进化策略来实现参数的最优化，并通过超级计算机的大量数值模拟与实验获取了较为理想的实验结果。在该研究中，每个无人机只对自己的行为模式负责，而没有中央控制器或预先设置的程序，群体行为便自然涌现，为群体智能的重要表现形式。

　　这些个体与个体之间的交互作用可以是社会网络中关系的一种，其中每一个个体只对自己的行为负责。应用去中心化的交互方式实现最终目标，为实现群体智能提供了一条可能的道路，是目前具有研究前景的重要方向之一。

　　社会网络分析研究展望

　　网络结构是人们理解群体的重要模型，社会网络分析研究在近些年发展迅速。无论是从个体的微观行为来发掘宏观的现象，或是从宏观的目标来认知个体，引导个体的决策，社会网络都为其提供了一个抽象化的模型与场景。在社会、自然、工业等方方面面，社会网络分析研究无处不在。传播现象、链路预测、网络演化、群体决策、任务分配、群体学习以及群体智能等都是社会网络分析研究的重要方向。机器学习与人工智能为社会网络分析研究提供了重要的研究工具与新的研究手段。然而，仍有很多地方需要进一步研究，具体体现在以下几个方面。

　　首先，如何对社会网络中恶意现象进行管控。网络恶意显现层出不穷，如信息蝾螈、网络仇恨、恶意社交机器人以及犯罪网络等，需要我们对社会网络的结构进行分析，从微观角度了解再组织、自我修复的机理，从宏观角度了解现象背后存在的复杂结构，进而提出合理的管制措施，才能避免由于单方面措施促成的更严重问题发生。

　　其次，如何理解大自然与人类社会中普遍存在的合作以及如何促进社会的合作。个体的交流、谈判以及博弈总是具有一定范围的，且个体间存在的社会联系使我们无法以同质化、平均场的角度来看待合作的问题，需要在社会网络的研究场景下进行更深入的分析研究。

　　最后，如何发展群体智能解决范围、成本的任务。去中心化的解决方案，即个体只对自己的行为负责，是目前可能实现群体智能的重要方式。例如，每条鱼只有通过与邻居个体的速度、行为保持一致时，才能使整个鱼群旋涡达到抵御天敌的目的。因此，如何从仿生学的角度达到群体智能也是目前广受关注的研究方向。

　　在人工智能发展与5G技术普及的未来，物联网也将进一步进入社会网络的范畴，生活中孤立存在的事物将越来越少，社会网络的结构将进一步复杂化，如高维空间结构、多层网络等将在未来社会中普遍存在。这些结构对社会网络的影响也需要进一步深入研究。总之，对社会网络相关研究进行深度的分析与研究将会为未来社会发展与管理提供更加合理的解决方案。

　　罗云，西湖大学人工智能与机器人实验室博士生。

　　文/罗 云

本文来自《张江科技评论》