有两种极端的途径可以产生“更多”。一种途径是按照顺序操作的思路来构建系统，就像工厂的装配流水线一样。这类顺序系统的原理类似于钟表的内部逻辑——通过一系列的复杂动作来映衬出时间的流逝。大多数机械系统遵循的都是这种逻辑。

还有另一种极端的途径。我们发现，许多系统都是将并行运作的部件拼接在一起，很像大脑的神经元网络或者蚂蚁群落。这类系统的动作是从一大堆乱糟糟且又彼此关联的事件中产生的。它们不再像钟表那样，由离散的方式驱动并以离散的方式显现，更像是有成千上万个发条在一起驱动一个并行的系统。由于不存在指令链，任意一根发条的某个特定动作都会传递到整个系统，而系统的局部表现也更容易被系统的整体表现所掩盖。从群体中涌现出来的不再是一系列起关键作用的个体行为，而是众多的同步动作。这些同步动作所表现出的群体模式要更重要得多。这就是群集模型。

这两种极端的组织方式都只存在于理论之中，因为现实生活中的所有系统都是这两种极端的混合物。某些大型系统更倾向于顺序模式（如工厂），而另外一些则倾向于网络模式（如电话系统）。

我们发现，宇宙中最有趣的事物大都靠近网络模式一端。彼此交织的生命，错综复杂的经济，熙熙攘攘的社会，以及变幻莫测的思绪，莫不如此。作为动态的整体，它们拥有某些相同的特质：比如，某种特定的活力。

这些并行运转的系统中有我们所熟知的各种名字：蜂群、电脑网络、大脑神经元网络、动物的食物链、以及代理群集。上述系统所归属的种类也各有其名称：网络、复杂自适应系统、群系统、活系统、或群集系统。我在这本书中用到了所有这些术语。

每个系统在组织上都汇集了许多（数以千计的）自治成员。“自治”意味着每个成员根据内部规则以及其所处的局部环境状况而各自做出反应。这与服从来自中心的命令，或根据整体环境做出步调一致的反应截然不同。

这些自治成员之间彼此高度连接，但并非连到一个中央枢纽上。它们组成了一个对等网络。由于没有控制中心，人们就说这类系统的管理和中枢是去中心化分布在系统中的，与蜂巢的管理形式相同。

以下是分布式系统的四个突出特点，活系统的特质正是由此而来：

没有强制性的中心控制

次级单位具有自治的特质

次级单位之间彼此高度连接

点对点间的影响通过网络形成了非线性因果关系

上述特点在分布式系统中的重要度和影响力尚未经过系统地检验。

本书主题之一是论述分布式人造活系统——如并行计算、硅神经网络芯片、以及因特网这样的庞大在线网络等——在向人们展示有机系统的迷人之处的同时，也暴露出它们的某些缺陷。下面是我对分布式系统的利与弊的概述：

群系统的好处：

可适应——人们可以建造一个类似钟表装置的系统来对预设的激励信号进行响应。但是，如果想对未曾出现过的激励信号做出响应，或是能够在一个很宽的范围内对变化做出调整，则需要一个群——一个蜂群思维。只有包含了许多构件的整体才能够在其部分构件失效的情况下仍然继续生存或适应新的激励信号。

可进化——只有群系统才可能将局部构件历经时间演变而获得的适应性从一个构件传递到另一个构件（从身体到基因，从个体到群体）。非群体系统不能实现（类似于生物的）进化。

弹性——由于群系统是建立在众多并行关系之上的，所以存在冗余。个体行为无足轻重。小故障犹如河流中转瞬即逝的一朵小浪花。就算是大的故障，在更高的层级中也只相当于一个小故障，因而得以被抑制。

无限性——对传统的简单线性系统来说，正反馈回路是一种极端现象——如扩声话筒无序的回啸。而在群系统中，正反馈却能导致秩序的递增。通过逐步扩展超越其初始状态范围的新结构，群可以搭建自己的脚手架借以构建更加复杂的的结构。自发的秩序有助于创造更多的秩序——生命能够繁殖出更多的生命，财富能够创造出更多的财富，信息能够孕育更多的信息，这一切都突破了原始的局限，而且永无止境。

新颖性——群系统之所以能产生新颖性有三个原因：（1）它们对“初始条件很敏感”——这句学术短语的潜台词是说，后果与原因不成比例——因而，群系统可以将小土丘变成令人惊讶的大山。（2）系统中彼此关联的个体所形成的组合呈指数增长，其中蕴藏了无数新颖的可能性。（3）它们并不强调个体，因而也允许个体有差异和缺陷。在具有遗传可能性的群系统中，个体的变异和缺陷能够导致恒新，这个过程我们也称之为进化。

群系统的明显缺陷：

非最优——因为冗余，又没有中央控制，群系统的效率是低下的。其资源分配高度混乱，重复的努力比比皆是。青蛙一次产出成千上万只卵，只为了少数几个子代成蛙，这是多么大的浪费！假如群系统有应急控制的话——例如自由市场经济中的价格体系，那么可以在一定程度上抑制效率低下，但绝不可能像线性系统那样彻底消除它。

不可控——没有一个绝对的权威。引领群系统犹如羊倌放羊：要在关键部位使力，要扭转系统的自然倾向，使之转向新的目标（利用羊怕狼的天性，用爱撵羊的狗来将它们集拢）。经济不可由外部控制，只能从内部一点点地调整。人们无法阻止梦境的产生，只能在它现身时去揭示它。无论在哪里，只要有“涌现”的字眼出现，人类的控制就消失了。

不可预测——群系统的复杂性以不可预见的方式影响着系统的发展。“生物的历史充满了出乎意料。”研究员克里斯·朗顿如是说。他目前正在开发群的数学模型。“涌现”一词有其阴暗面。视频游戏中涌现出的新颖性带给人无穷乐趣；而空中交通控制系统中如果出现涌现的新情况，就可能导致进入全国紧急状态。

不可知——我们目前所知的因果关系就像钟表系统。我们能理解顺序的钟表系统，而非线性网络系统却是道地的难解之谜。后者淹没在它们自制的困思逻辑之中。A导致B, B导致A。群系统就是一个交叉逻辑的海洋：A间接影响其他一切，而其他一切间接影响A。我把这称为横向因果关系。真正的起因（或者更确切地说，由一些要素混合而成的真正起因），将在网络中横向传播开来，最终，触发某一特定事件的原因将无从获知。那就听其自然吧。我们不需要确切地知道西红柿细胞是如何工作的，也能够种植、食用、甚至改良西红柿。我们不需要确切地知道一个大规模群体计算系统是如何工作的，也能够建造、使用它，并使之变得更加完美。不过，无论我们是否了解一个系统，都要对它负责，因此了解它肯定是有帮助的。

非即刻——点起火，就能产生热量；打开开关，线性系统就能运转。它们准备好了为你服务。如果系统熄了火，重新启动就可以了。简单的群系统可以用简单方法唤醒；但层次丰富的复杂群系统就需要花些时间才能启动。系统越是复杂，需要的预热时间就越长。每一个层面都必须安定下来；横向起因必须充分传播；上百万自治成员必须熟悉自己的环境。我认为，这将是人类所要学的最难的一课：有机的复杂性将需要有机的时间。

在群逻辑的优缺点中进行取舍就如同在生物活系统的成本和收益之间进行抉择一样——假如我们需要这样做的话。但由于我们是伴随着生物系统长大的，而且别无选择，所以我们总是不加考虑地接受它们的成本。

为了使工具具备强大的功能，我们可以允许其在某些方面有点小瑕疵。同样，为了保证互联网上拥有一千七百万个计算机节点的群系统不会整个儿垮掉，我们不得不容忍讨厌的蠕虫病毒或是毫无理由和征兆的局部停电。多路由选择既浪费且效率低下，但我们却可以借此保证互联网的灵活性。而另一方面，我敢打赌，在我们制造自治机器人时，为了防止它们自作主张地脱离我们的完全控制，不得不对其适应能力有所约束。

随着我们的发明从线性的、可预知的、具有因果关系属性的机械装置，转向纵横交错、不可预测、且具有模糊属性的生命系统，我们也需要改变自己对机器的期望。这有一个可能有用的简单经验法则：

对于必须绝对控制的工作，仍然采用可靠的老式钟控系统。

在需要终极适应性的地方，你所需要的是失控的群件。

我们每将机器向集群推进一步，都是将它们向生命推进了一步。而我们的奇妙装置每离开钟控一步，都意味着它又失去了一些机器所具有的冷冰冰但却快速且最佳的效率。多数任务都会在控制与适应性中间寻找一个平衡点，因此，最有利于工作的设备将是由部分钟控装置和部分群系统组成的生控体系统的混血儿。我们能够发现的通用群处理过程的数学属性越多，我们对仿生复杂性与生物复杂性的理解就越好。

群突出了真实事物复杂的一面。它们不合常规。群计算的数学延续了达尔文有关动植物经历无规律变异而产生无规律种群的革命性研究。群逻辑试图理解不平衡性，度量不稳定性，测定不可预知性。用詹姆斯·格雷克的话来说，这是一个尝试，以勾画出“无定形的形态学”——即给似乎天生无形的形态造型。科学已经解决了所有的简单任务——都是些清晰而简明的信号。现在它所面对的只剩下噪音；它必须直面生命的杂乱。