多头绒泡菌

先说清楚：它不是"聪明"，但它在"计算"#

把黏菌说成"聪明"很容易引起误解，所以要先划清边界。聪明暗示有一个会权衡的主体；黏菌只有一张会改写自己的网，没有那个主体。它能解迷宫、能优化网络，靠的不是认知，而是一套纯粹由物理和化学规则驱动的反馈机制——哪条管道里流过的养分多，哪条管道就变粗、被保留；流量少的管道就萎缩、被舍弃。

这套反馈写在细胞质里，不写在任何中枢里。变形体的管壁由含肌动蛋白与肌球蛋白的凝胶构成，管内的溶胶被节律性收缩推着来回流动，形成所谓的往复原生质流（shuttle streaming）。许多化学组分与收缩周期互相牵制，节律大约落在一两分钟的量级；食物气味、湿度、光照都会改写局部振荡的相位与幅度，于是整张网像一组耦合的化学钟，而不是一台在下棋的脑子。

流量大的管子更粗，更粗的管子阻力更小、流量更大——这是正反馈。流量小的管子变细、直至消失——这是修剪。手老篤史、小林亮与中垣俊之等人把这一过程写成管道电导随通量变化的微分方程，计算机里的"黏菌算法"模仿的就是这层局部规则，而不是黏菌的主观意图。

但奇妙之处恰恰在这里：仅凭这套简单的局部规则，整个变形体在宏观上涌现出了类似"求解最优化问题"的行为。它不需要中央控制器，也不需要一张全局地图，却能逼近数学上很难的最短路径解。

所以更准确的说法是：黏菌展示了一种没有神经系统的分布式计算。计算在这里是物理过程的别名：压力、黏度、振荡和物质守恒，把空间问题收成一张会改写自己的管网。这正是它对计算机科学和人工智能最大的启发——智能行为可以从极简单元的集体动力学中自发产生，却不必因此获得内心生活。

把它和电子计算机对照，反而更清楚。芯片里的电压翻转也不理解加法，却能给出正确的和；黏菌的管网同样不理解"最短"，却能收敛到短路径。差别只在介质：一边是半导体时钟，一边是含水的细胞质。谁若因为结果好看就补上意识，等于说计算器在思考，只是外壳换成了黄色。

解迷宫：一个细胞找到了最短路#

2000年，中垣俊之（Toshiyuki Nakagaki）等人在《Nature》发表了一篇标题朴素却引发轰动的论文——《Maze-solving by an amoeboid organism》（变形虫状生物解迷宫）。标题没有使用智能、意识或学习这些词，实验问的也只是：一团没有神经的原生质，会不会把迷宫收成最短的连通。

实验设计得很巧：研究者把黏菌铺满一个迷宫，然后在迷宫的入口和出口各放一块燕麦片作为食物。一开始，黏菌占满了迷宫的所有通道；但很快，那些走不通、绕远路的管道纷纷萎缩消失，最后只留下一条——连接两块食物的最短路径。

它并不是先"看懂"迷宫再下笔。死胡同里的原生质流很快衰减，长回路上的通量也竞争不过短回路，于是拓扑被物理自己剪干净。若把这套过程说成细胞在做几何证明，句子好听，机制却说反了：最短路是流量竞争的稳态，不是一张被理解的地图。

迷宫实验还有一个容易被忽略的前提：研究者先让变形体铺满通道，再放食物。求解开始于一张已经连上的网，而不是一只从入口走进迷宫的动物。收缩与保留是在已有连通上做减法，不是在头脑里预演路线。

一个没有大脑、没有神经的单细胞生物，竟然解出了迷宫的最优解。这篇论文之后开启了一整个研究领域，人们用黏菌去逼近各种经典的路径优化与网络设计问题。

它的"算法"本质上是：到处试探，然后让有效的连接变强、无效的连接消失。这与蚂蚁觅食的信息素机制、神经网络的连接修剪，乃至最短路径算法这类工程优化算法，在思想上惊人地相通。与蜜蜂的群体决策也只在介质上不同：蜂群用舞蹈投票，黏菌用管道里的溶胶投票，两者都没有一个发号施令的中枢。

复刻东京铁路网#

如果说解迷宫还只是玩具问题，那么2010年的实验则把黏菌推上了真正的工程舞台。中垣俊之与手老篤史（Atsushi Tero）等人在《Science》发表论文《Rules for Biologically Inspired Adaptive Network Design》（受生物启发的自适应网络设计规则），把多点连接从培养皿里的游戏，换成可与真实基础设施对照的网络设计。

他们在一块湿润的平板上，按照东京周边城市的真实地理位置摆放燕麦片——每一块燕麦代表一座城市，平板中央代表东京。然后让黏菌从中央向外生长。

约一天后，黏菌长出的活体网络，与真实的东京铁路系统惊人地相似。更关键的是定量比较：研究者发现黏菌网络在效率、容错性和总成本三者之间取得的平衡，与人类工程师历经几十年规划出的铁路网不相上下——某些指标上甚至更优。

人类铁路网是大量工程师、数十年规划、无数会议的产物；黏菌只用了一天，靠的是没有大脑的局部反馈。这个对照本身，就是对"智能"定义的一次冲击。

冲击的对象是"必须先有蓝图才能出网络"，不是"黏菌会做城市规划"。燕麦的位置由实验者给定，基质的干湿也由实验者控制；换一套节点或换一种湿度，长出来的图就会改。它展示的是多目标权衡可以外包给物理，不是一张有自我的城市在思考通勤。

人类工程师开会、勘测、改线，黏菌只是把通量写进管径。两者都可以得到高效率、有冗余的连通图，推理路径却完全不同。把后者叫做"设计"，用的是工程隐喻；若把隐喻读成主体，计算就又被偷偷换成了意识。

还有争议与未解之处#

黏菌的故事很容易被讲得过于玄妙，所以也要诚实地标出它的边界与争议。玄妙来自词汇：记忆、学习、预期，都是从有神经系统的动物身上借来的；用在这里，必须能还原成可观测的物理变量，否则只是比喻在过夜。

"记忆"算不算记忆？ 有研究称黏菌能"学习"——例如习惯化（对无害刺激逐渐不再反应），甚至能在没有神经的情况下"记住"信息，靠的是把信息编码进自身管道网络的结构里。这些发现很有启发，但"记忆""学习""智能"这些词用在一个单细胞上是否恰当，学界仍有争论：到底是真正的认知类比，还是只是物理过程被套上了认知词汇？

2008年，三枝哲、手老篤史、中垣俊之与藏本由纪在《Physical Review Letters》上报告：按固定间隔反复给予干燥刺激后，即便下一次刺激没有到来，变形体也会在相近的时刻自行放慢移动。振荡系统被周期性驱赶之后，会在一段时间里保持那个节拍——这是动力学里的预期，不必假设它在心里倒数。

2012年，里德（Chris Reid）等人在《PNAS》上进一步指出，变形体在身后留下胞外黏液，并倾向于避开自己走过的区域；这层体外的化学痕迹帮助它绕出机器人学常用的U形陷阱。把整片基质预先涂满黏液、让新旧足迹无法区分之后，导航明显变差。痕迹是空间备忘录，仍不是一段被回忆的往事。

机制尚未完全清楚。 黏菌网络优化的精确动力学，至今没有被一套完整的数学模型彻底解释。它如何在没有中央协调的情况下整合全局信息，仍是活跃的研究问题。现象学的管道模型能复现最短路与部分网络形态，却还没有从分子到形态的封闭推导；流量—管径反馈在物质层面究竟怎样落地，文献自己也承认仍未写完。

别神化它。 黏菌不会"思考"，也解不了需要符号推理的问题。它擅长的是一类特定的、可以用流量反馈逼近的空间优化问题。把它捧成"无脑天才"既不准确，也错失了它真正的科学价值。

价值在于：计算可以是湿的、慢的、没有语义的。谁若从黄网里读出意图，读到的是自己的比喻，不是细胞的内心。工程上可以继续提取黏菌算法；哲学上却不能把算法的输出，写成一种微型心灵的独白。

为什么这很重要#

多头绒泡菌之所以重要，是因为它把"智能"从大脑里解放了出来。解放的是行为的实现条件，不是把体验权下放给每一团原生质。没有大脑也能算路，只说明算路不必经过皮层；它不证明黄网里住着一个缩小版的观察者。

它证明了：复杂、看似有目的的、甚至接近最优解的行为，可以从极其简单的局部规则中涌现，完全不需要神经系统、不需要中央控制、不需要全局蓝图。这对人工智能和计算机科学是一记重要提醒——分布式、去中心化的系统，可能比集中式控制更鲁棒、更省成本。

它也拓宽了我们对"智能"本身的定义。如果一个单细胞都能"算路"，那么智能也许不是某些高等生物的专属天赋，而是物质在合适反馈结构下普遍可能涌现的性质。从这个角度看，黏菌和章鱼的分布式神经系统讲的是同一个故事的两半：智能的实现路径，远比"长一个大脑"宽广得多。

解放大脑，不等于把意识批发到每一团原生质上。章鱼至少还有神经元；黏菌连这层组织都没有，它的"求解"停在物理化学闭环里。认真对待它，是把计算与体验拆开：前者可以在管网中发生，后者至今没有在黏菌身上被证明，也不该被科普标题偷偷补上。

因此，黏菌最硬的课不是"低等生物其实很聪明"，而是"看起来像聪明的行为，可以没有内心"。把这节课听成心灵遍布物质，会把一次物理演示，重新装回它刚刚拆掉的神秘主义。

跨域连接#

• 最优化：管道流量大则变粗保留、流量小则萎缩消失——局部正反馈让整体逼近最短路径，相当于把全局优化问题外包给物理过程求解。推论：迷宫实验中它最终只留下连接两块食物的最短通道；换一组节点布局，网络应重新收敛到接近该布局的最小连通结构，全程不需要任何全局地图。
• 最短路径算法：Dijkstra算法需要全局图与中央计算，黏菌只有局部规则却给出可比的解——但代价分明：它擅长可用流量逼近的空间优化，解不了需要符号推理的问题。推论：形式化后的"黏菌算法"在节点动态变化的网络上，重收敛速度应优于每次都要重跑全局的经典算法。
• 章鱼：章鱼把智能分布到触手的神经环，黏菌干脆连神经都没有——两者把"智能需要中枢大脑"的前提又拆深了一层。推论：若决策可由纯粹的物理化学反馈产生，那么"认知"的最低门槛就不是神经组织，而是一个"感知—反馈—结构重塑"的闭环。
• 涌现：没有全局蓝图的系统涌现出近似最优的全局结构——这是复杂系统核心命题的培养皿版本，可重复、可干预。推论：若涌现图景成立，改变微观规则应可预测地改变宏观形态，例如基质湿度改变网络的密度与冗余度。
• 中文房间：有研究称黏菌能"习惯化"甚至"记忆"，但它没有任何理解与意图——把物理过程贴上认知词汇，正是中文房间式的警告。推论：判定"无神经学习"的门槛应是可迁移的行为改变（换了刺激仍保留反应模式），否则那只是刺激-反应的塑形，不配叫学习。

参考文献#

• Nakagaki, T., Yamada, H. & Tóth, Á. (2000). Maze-solving by an amoeboid organism. Nature, 407, 470. DOI: 10.1038/35035159
• Tero, A., Takagi, S., Saigusa, T., Ito, K., Bebber, D. P., Fricker, M. D., Yumiki, K., Kobayashi, R. & Nakagaki, T. (2010). Rules for biologically inspired adaptive network design. Science, 327(5964), 439-442. DOI: 10.1126/science.1177894
• Saigusa, T., Tero, A., Nakagaki, T. & Kuramoto, Y. (2008). Amoebae anticipate periodic events. Physical Review Letters, 100(1), 018101. DOI: 10.1103/PhysRevLett.100.018101
• Boisseau, R. P., Vogel, D. & Dussutour, A. (2016). Habituation in non-neural organisms: evidence from slime moulds. Proceedings of the Royal Society B, 283(1829), 20160446. DOI: 10.1098/rspb.2016.0446
• Tero, A., Kobayashi, R. & Nakagaki, T. (2007). A mathematical model for adaptive transport network in path finding by true slime mold. Journal of Theoretical Biology, 244(4), 553-564. DOI: 10.1016/j.jtbi.2006.07.015
• Reid, C. R., Latty, T., Dussutour, A. & Beekman, M. (2012). Slime mold uses an externalized spatial "memory" to navigate in complex environments. Proceedings of the National Academy of Sciences, 109(43), 17490-17494. DOI: 10.1073/pnas.1215037109

延伸阅读#

• Adamatzky, A. (2010). Physarum Machines: Computers from Slime Mould. World Scientific.
• 美国国家地理（National Geographic）科普报道《Slime mould attacks simulates Tokyo rail network》。