今天看到一篇文章不错，转载过来与大家分享，但是内容比较长，我先把我认为精辟的一段话抄录下来，其它内容大家可以慢慢看：

摘录：这种想法突出反映了关于群体智能的一个重要真理：人群只有在每个成员做事尽责、自主决断的时候，才会发挥出智慧。群体内的成员如果互相模仿，盲从于潮流，或等着别人告诉自己该做什么，这个群体就不会很聪明。

发布: 2009-4-09 16:45 | 作者: 彼得·米勒 Peter Miller | 来源: 《华夏地理》2007年11期 |
（本文全部图文版权归《华夏地理》杂志社所有，如需转载请务必注明出处、作者及网址。）
撰文：彼得·米勒 Peter Miller

详见：http://ngmchina.com.cn/web/?action-viewnews-itemid-46676
我曾以为蚂蚁做什么事都心中有数。那些列队爬过我厨房台面的小家伙看上去是那么信心十足，于是我猜想它们早就订好了计划，知道要去哪儿，要做什么。不然的话，蚂蚁又怎能做出组织行军路线、建造复杂蚁穴、发动大规模突袭等等奇妙行为呢？
结果我错了。蚂蚁毕竟不是聪明的小工程师、建筑师或武士——至少单个蚂蚁不是。当需要决定下一步怎么做时，大多数蚂蚁都毫无头绪。斯坦福大学的生物学家德博拉·M· 戈登说：“如果你去观察一只蚂蚁工作的样子，它的笨拙会让你印象深刻。”
那我们又该怎么解释地球上已知的大约1.2万个蚂蚁物种的繁荣呢？它们在1.4 亿年的进化中一定学到了什么。
戈登说：“蚂蚁并不聪明，但聚在一起就聪明了。”蚁群可以解决对单个蚂蚁来说不可思议的问题，比如寻找通往食物源的最短路径，分派工蚁做不同的工作，或 保卫领土不受邻居侵袭。落单的时候，蚂蚁可能就像一个个小傻瓜，但聚成蚁群就能对环境作出快速有效的反应。这是因为它们拥有一种被称做“群体智能”的东 西。
欲问群体智能来自何处，实际上提出了一个根本性的问题： 个体的简单行动怎样组合成了群体的复杂行为？如果几百只蜜蜂中间有许多不同意见，它们如何做出关于蜂巢安置的重大决定？是什么使得一群鲱鱼如此精确地协调 行动，能在瞬间改变方向，仿佛是单一的银色有机体？这些动物中，没有哪一个能够看到全局，但每一个都为群体的成功出了一份力，它们集体表现出的能力甚至让 那些最了解它们的生物学家都感到神奇。不过，在过去几十年中，研究人员已获得了一些有趣的发现。
例如，蚁群运作的要诀之一是： 没有哪只蚂蚁执掌大权。没有将军来指挥武士。没有经理来使唤工人。蚁后只负责产卵。哪怕蚁群中有50万只蚂蚁，也能无需管理而运作无碍——至少不需要我们 所熟知的那些管理形式。它们靠的是个体之间的无数次互动，共同遵循着一套简单的经验法则。科学家称之为“自组织系统”。就拿工作分配的问题来说吧。德博 拉· 戈登在亚利桑那沙漠研究红收获蚁，那里的蚁群每天早上要决定该派多少工蚁出去觅食，数目视情况而改变。觅食蚁最近发现了盛产谷物的宝地吗？也许需要多派些 工蚁才能把收获拖回家。昨晚的暴雨损坏了蚁穴吗？可能得多留下些工蚁来修理。一只蚂蚁可能今天是修巢工，明天就是垃圾工了。可是如果没有管理者，蚁群如何 来作这些调整呢？对此，戈登自有一套理论。
蚂蚁是用触觉和嗅觉进行交流的。两只蚂蚁相遇时，就用触角互相嗅一嗅，看对方是否来自同一个蚁穴，之前在何处干活（在蚁穴内和蚁穴外干活的蚂蚁气味不同）。觅食蚁每天离穴之前，一般都要等早晨的巡逻蚁回来。巡逻蚁进入蚁穴时，会和觅食蚁简短地碰碰触角。
戈登说“: 与巡逻蚁的接触是一种刺激，驱使觅食蚁出门。但觅食蚁需要与多个巡逻蚁接触，每次持续不过10秒，然后才出去。”
为了观察这种行为，戈登和来自科罗拉多大学的合作者迈克尔· 格林在某日早晨抓了几只正离开蚁穴的巡逻蚁。半小时之后，他们按一定的时间间隔把玻璃珠扔进蚁穴入口，有的珠子涂了巡逻蚁的气味，有的涂了修巢蚁的气味， 还有的什么气味都没有，以模拟蚂蚁归来的效果。结果只有涂了巡逻蚁气味的珠子会促使觅食蚁外出。他们得出结论：觅食蚁通过与巡逻蚁相遇的频率来判断出门是 否安全。（如果巡逻蚁回巢的频率正常，就该出去觅食了。如果不正常，就最好再等等。外面可能风很大，也可能有一只饥饿的蜥蜴等在那里。）一旦有蚂蚁开始觅 食并带回食物，其他蚂蚁就会根据自己与返回的觅食蚁碰面的频率，陆续加入觅食的行列。
戈登说：“觅食蚁没找到吃的是不会回来的。食物越少，觅食蚁找到并带回食物所花的时间就越长。食物越多，它回来得就越快。因此，没有谁来判定这一天是不是觅食的好日子。作出判断的是集体，而不是某只蚂蚁。”
这就是群体智能的运作原理： 简单的生物遵循着简单的规则，各自根据本地信息行动。没有一只蚂蚁能够看到全局。没有一只蚂蚁指挥别的蚂蚁做事。有些蚂蚁物种工作起来可能比其他同类更老 练。（例如白翅切胸蚁会利用多重标准来评估未来筑巢地的质量。）但在牛津大学和普林斯顿大学任职的生物学家伊恩· 库赞说，归根到底，它们仍是不需要领导的，“即使是复杂的行为也能通过相对简单的互动来协调进行”。
布鲁塞尔自由大学的计算机科学家 马尔科·多里戈从这个美妙的原理出发，于1991年利用蚂蚁行为中的知识，创造了可用来解决复杂人类问题的数学方法，比如安排卡车运输路线、调度航班或制 导军事机器人。例如，休斯敦的“美国液化空气”公司一直在使用基于蚂蚁行为的策略，来处理一个复杂的商业问题。该公司在美国有大约100个厂址，生产以氮 气、氧气和氢气为主的工业及医用气体，并使用管道、火车和卡车把产品运往6000个地点。由于某些地区的电力市场已解除了政府管制（得克萨斯州部分地区的 电价每15分钟一变），使得问题的复杂性又深了一层。
监管供货系统的查尔斯·哈珀说：“休斯敦每兆瓦工业用电的价格眼下是44美元，昨夜曾升到64美元，周一冷空气过境时高达210美元。”公司需要一种能纳入这些因素的筹划方法。
液化空气公司与一家专门研发人工智能的公司“拜尔斯集团”（即现在的纽泰克方案公司）合作，基于从阿根廷蚁的觅食行为中求得的算法，开发出一种计算机模型。
阿根廷蚁会累积一种叫信息素的化学物质。哈珀说:“这些蚂蚁把食物带回蚁穴时，会留下一道信息素轨迹，指示别的蚂蚁出外觅食。蚂蚁每往返一次，这道信息 素轨迹就会加强，有点像你在森林里拾柴踩出的小道。因此，我们开发了一个程序，能派出数十亿‘软件蚂蚁’，查找‘信息素轨迹’最强的路线让我们的卡车行 驶。”
既然蚂蚁早已演化出寻找最佳路径的有效方法，干吗不照着做呢？于是，液化空气公司把蚂蚁的方法与人工智能技术结合起来，对工厂 日程、天气和卡车路线的每一种组合加以考量，比较可能出现的数以百万计的决策和结果。每天晚上，工作人员把客户需求和生产成本的预测数字输入计算机模型。 哈珀说：“即使利用我们最大型的电脑，也要运算四个小时，但每天早上六点钟就能得到一个方案，告诉我们如何安排这一天的生意。”
对卡车司机来说，这套新系统是需要花些时间才能适应的。他们不能再像从前那样，从离客户最近的厂址出发送货，而是被派到交货价格最低的厂址去提货，哪怕路程更远。
哈珀说：“要开车到150公里之外去送货？对司机来说，这不合常理。”但对公司来说，节约的钱却很可观，“效益很大。真的很大”。
还有其他一些公司因模仿蚂蚁而获利。在意大利和瑞士，装载牛奶、奶制品、家用燃油和食品杂货的卡车车队，都利用蚂蚁的觅食原则寻找最佳送货路线。在英格 兰和法国，电话公司通过编写信息程序、在转换站存入虚拟信息素，加快了电话在网络中的接通速度，正像蚂蚁为同类留下信号、指明最佳路径一样。
在美国，西南航空公司对一个基于蚂蚁行为的模型进行了测试，以之改善菲尼克斯天空港国际机场的服务。该公司每天约有200架飞机在两条跑道上起落，使用 三座中央大厅的登机口。公司想保证每架飞机能尽快出入，即便航班提前或晚点。工作人员道格·劳森说：“大家不喜欢坐在离出入口仅500米的飞机里，却不得 不等另一架飞机起飞后才能下机。”因此，劳森为机场建立了一套计算机模型。他让每架飞机都记录从各登机口出入所花的时间，然后启动模型，模拟机场一天的活 动。
他说：“飞机像蚂蚁一样寻找最佳的登机口，”但并不是通过沿路留下虚拟信息素，而是各自记住速度较快的登机口，忘掉速度较慢的。 把真实数据作为抵达和起飞时间的变量输入模型，进行多次模拟之后，每架飞机都学会了如何避免停机坪上难以忍受的等待。西南航空公司对结果非常满意，可能还 会使用一个类似模型研究机票柜台区的情况。
在群体智能方面，蚂蚁以外的一些昆虫也能教给我们有用的东西。在缅因州南部近海一座微风吹拂的小岛上， 康奈尔大学的生物学家托马斯·西利一直在研究蜜蜂神奇的决策能力。一个蜂巢内的工蜂可达5万只，而它们演化出了一种能解决个体之间不同意见、使蜂群受益最 大的办法。西利说，如果人们在董事会、教区委员会和镇选民大会上也能有那么高的效率，我们就能在自己的生活中避免决策方面的问题。
过 去十年中，西利和加州大学的柯克·菲斯海尔等人一直在研究蜂群建巢的行为。暮春时节，若蜂巢变得过于拥挤，蜂群通常会分裂，蜂后、一些雄蜂以及约半数工蜂 离巢飞出不远，在一根树枝上抱团露营，同时一小部分蜜蜂就去寻找新的“地产”。理想的巢址应该是一个远离地面的树洞，有一个朝南的小入口和很大的内部空间 可供孵卵和酿蜜。蜂群选定巢址后，一般就不会再搬家了，因此必须作出正确的选择。
西利的团队为了探明就里，乘船把几窝蜂群（每窝 4000只蜂）运到肖尔斯海洋实验室所在的阿普尔多尔岛，用颜料斑点和微型塑料标签为所有蜜蜂做了识别标记，然后进行实验：在岛的一侧安放若干蜂箱，再放 出蜂群，让它们去找。该岛长约1公里，灌木丛生，但几乎没有树，也没有其他可供筑巢的地方。
他们在一次实验中安放了五只蜂箱，其中四 只不够大，另一只刚好合用。负责侦察的蜜蜂很快就出现在五只蜂箱周围。它们回到蜂群后，各自跳起了一种摆尾舞，催促别的侦察蜂也去看一看。（这种舞蹈中含 有一种代码，能指示蜂箱的方位。）舞蹈的力度反映着这只侦察蜂对它找到的新巢的热情。过了一会儿，已有几十只侦察蜂舞得不亦乐乎，宣扬着各自选定的巢址， 每只蜂箱周围也都有一小群蜂在嗡嗡飞舞。
决定性的事件发生在蜂箱旁边，而不是蜂群露营之处。侦察蜂渐渐在各蜂箱处集结，一旦发现某只 蜂箱入口附近的蜂达到15只左右——这个临界值已经过其他实验确证——周边的蜜蜂就会感到“法定人数”已经达到。于是，它们带着这消息返回蜂群。西利说： “这就好像一场竞赛，看哪个巢址最先集齐15只蜜蜂。”
接着，从被选中的蜂箱飞回来的侦察蜂分散到蜂群中报信，表示该搬家了。待所有的蜜蜂都准备就绪，蜂群就起飞去往新家，不出所料，就是五只蜂箱中最好的那只。
蜜蜂的决策规则——寻求多种选择，鼓励不同想法的自由竞争，用有效机制缩小选择范围——给西利留下了深刻印象，以至于把这套方法用在了自己身为系主任的日常工作中。
他说：“我利用从蜜蜂那儿学的知识来主持院系会议。”为了避免自己到会时带着先入为主之见，只愿听顺耳的话、迫使他人认同，西利要求到会的教职员查明所 有的可能方案，聊聊各自的想法，然后进行无记名投票。“这跟蜜蜂的群体行为完全一样，给集体一些时间，让最好的想法浮现并取胜。大家一般都很乐意接受”。
《群体的智慧》一书的作者詹姆斯·苏罗维奇说，事实上，按照蜜蜂规则办事的任何群体几乎都能提高智慧。“其中具有极大的相似性。蜜蜂能预测哪个巢址最 佳，人们也可以照此办理，哪怕面对格外复杂的决策也一样适用”。股票市场的投资商，搞研究的科学家，甚至乡镇集市上猜罐子里装了几颗豆子的小孩，只要成员 背景多样，思想独立，并利用投票、拍卖或折衷等方式作出共同决定，都能成为智慧群体。
以赌马者为例。他们预测赛马结果为何能够如此准 确？赛马离开起跑栏的那一刻，公告牌上登出的赔率是根据本场的全部投注计算出来的，它几乎总是可以预测出赛马结果：赔率最低的马一般都会跑第一，赔率次之 的马会位居第二，如此等等。苏罗维奇说，这是因为同注分彩赌马是一种近乎完美的吸纳群体智慧的机制。
他说：“在赛马场，总能发现一群背景千差万别的人，有成天研读赛况表的行家，有对赛马品种略知一二的普通人，还有的人会任意下注，比如某位只喜欢黑马的妇女。”就像蜜蜂作决策一样，赌马者会搜集各种情报，发表不同意见，下注情况便代表了他们的集体判断。
正因如此，赔率高的马获胜是很少见的。
白宫附近有一座小公园，我喜欢在那儿看成群的鸽子在车流和树木上空飞旋。它们迟早总会落在公园周围建筑的突出物上休息，之后又受了什么惊扰，于是动作一致地再度起飞。
这群鸟中并没有领导。没有一只鸽子指示其他鸽子该做什么，相反，它们各自密切注意身边的同伴，在空中飞旋时，全都遵循着简单的规则。这些规则构成了另一种群体智能，它与决策的关系不大，主要是用来精确协调行动的。
研究计算机制图的克雷格·雷诺兹对这些规则感到好奇。因此，他在1986年创造了一个看似简单的导向程序，叫做“拟鸟”。在这个模拟程序中，一种模仿鸟 类的物体（拟鸟）接收到三项指示：1）避免挤到附近的拟鸟；2）按附近拟鸟的平均走向飞行；3）跟紧附近的拟鸟。运行结果呈现在电脑屏幕上时，模拟出了令 人信服的鸟群飞舞效果，包括逼真的、无法预测的运动。
当时，雷诺兹正在寻求能在电视和电影中制造逼真动物特效的办法。（1992年的《蝙蝠侠归来》是第一部利用他的技术制作的电影，其中模拟生成了成群的蝙蝠和企鹅。）如今他在索尼公司从事电子游戏领域的研究，例如用一套算法实时模拟数量达1.5万的互动的鸟、鱼或人。
雷诺兹展示了自组织模型在模仿群体行为方面的力量，这也为机器人工程师开辟了道路。如果能让一队机器人像一群鸟般协调行动，就比单独的机器人有优势得 多。一群机器人在大面积区域内散布开来，可以作为强大的移动传感网络，搜集该地区的情报。如果遇到意外，即便群体内的机器人不太高级，整个群体也能迅速调 整和应对，正如蚂蚁能通过试错法得出多种选择方案。如果一名成员出故障，其他成员可以取而代之。而且最重要的是，群体的控制权分散化了，不必依赖于一名领 导。
宾夕法尼亚大学的机械工程教授维贾伊·库马尔说：“观察生物界中数目庞大的群体，很难发现哪一个有中心角色。一切都是高度分散 的：成员并不都参与交流，根据本地信息采取行动；它们都是无名的，不必在乎谁去完成任务，只要有人完成就行。要从单个机器人发展到多个机器人合作，这三个 思路必不可少。”
库马尔希望能在五年之内建成一支联网机器人车队，用于执行紧急任务。他说：“比方说来了一个911火警电话，火灾警报器拉响了。你不想直接派人员去处理，而想让机器人过去，向你报告情况。在派救火队员进入一座燃烧的建筑物之前，干吗不先派一队机器人进去呢？”
布鲁塞尔的马尔科·多里戈的小组把这个想法又推进了一步，他们主持的一个欧洲研究项目致力于创造“拟群”，即一组能力互补、互相合作的机器人：能在地面运输物体的“步行人”，能翻墙上壁、操纵物体的“徒手人”，以及四处飞行、为其他组员提供信息的“明眼人”。
美国军方渴望得到这样的能力。2004年1月20日，研究人员在A·P·希尔堡（弗吉尼亚州弗雷德里克斯堡市附近的一个训练中心）放出由66个小型机器人组成的群体，进入一座空荡荡的办公楼。任务是：找到楼中隐藏的目标。
身长0.3米的红色机器人呼啸着穿过主廊，用三个轮子东一头西一头地打着转，看上去极像一群大昆虫。每个机器人身上有八个声纳装置，帮助它们避免与墙壁 或其他机器人相撞。它们分散开来，进入一个又一个房间，各自用小型网络照相机搜寻着目标物体。当两个机器人相遇时，就用无线网络装置交换信息。（“喂，大 楼这个部分我已经查过。到别处看看吧。”）
在一个房间后部，一个机器人发现了可疑之物：敞开的橱柜中有一个粉红色的球（这支机器人队 伍受过寻找粉红色物体的训练）。它停住不动，把图像传送给监管人员。很快又来了几个机器人，包围了这个粉红色“入侵者”。不到半小时，藏匿的六个物体全被 找到了。操作实验的研究团队宣布行动成功，接着又开始了新的实验。
这次演习是“百人队”项目的一部分。此项目旨在考察能否让多达 100个机器人互相协作。如果能，也许有一天就可以把整队机器人派往各种场合执行任务：进入敌对村庄把恐怖分子逼出来，或寻找囚犯的位置；进入被地震破坏 的大楼寻找遇难者；去化学物质泄漏现场检查危险废料；沿国境线监视入侵者。美国国防高等研究计划署（DARPA）等军事机构已出资支持了许多机器人技术研 发项目，这些项目采用的是协作性的直升飞机及固定翼飞机群，鱼雷状水下滑行艇群，以及无人驾驶的地面车队。但在当时，“百人队”是最大的进入测试的机器人 群体。
加利福尼亚州门洛帕克市SRI国际公司的研究员雷吉斯·文森特说：“我们开始搞百人队时，都觉得这想法很疯狂，不可实现。而现在我们正要研究让1000个机器人协调工作的技术。”
当然了，在大自然中，动物集体行动的数量比这还要大得多。这是因为，身处一个大群体中，无论鸟群、鱼群还是兽群，动物个体都能增加自己觅食、求偶、察觉 捕食者、或者跟上迁徙路线的机会。对这些动物来说，能否与同伴协调行动往往是生死攸关的。华盛顿大学的生物学家丹尼尔·格林鲍姆说:“对捕食者来说，躲过 1000条鱼的目光比避开一条鱼的视线要难得多。捕食者一接近，消息很快就会在鱼群中传开，因为鱼能从身边同伴那儿感觉到危险。”
捕食者对一群鱼发起进攻时，鱼群能以奇妙的队形逃散，令几乎任何一条鱼都不可追踪。它们可以瞬间一哄而散，可以在捕食者四周排列成一个移动的“水泡”，也可以分成许多小组，然后重新聚在一起游开去。
据野生动物专家卡斯滕·霍耶尔在2003年观察，陆地动物的群体行为也与鱼群相似。那年，他和妻子利恩·阿利森跟着一大群北美驯鹿旅行了五个月，行程超 过1500公里，记录了它们的迁徙过程。迁徙从加拿大北部育空地区的冬季活动范围起始，到美国阿拉斯加州北极国家野生动物保护区的产犊地结束。
卡斯滕说：“这很难用语言形容。鹿群移动时就像云影漫过大地，或者一大片多米诺骨牌同时倒下并改变着方向。好像每头鹿都知道它周边的同伴要做什么。这不是出于预计或回应，也没有因果关系，它们自然而然就这样行动。”
一天，正当鹿群收窄队形、穿过森林边界线上的一条溪谷时，卡斯滕和利恩看见一只狼偷袭过去。鹿群做出了经典的群体防御反应。卡斯滕说：“那只狼一进入鹿 群外围的某一特定距离，鹿群就骤然提高了警惕。这时每头鹿都停下不动，完全处于戒备状态，四下张望。”狼又向前走了100米，突破了下一个限度。“离狼最 近的那头鹿转身就跑，这反应就像波浪一样扫过整个鹿群，于是所有的鹿都跑了起来。之后逃生行动进入另一阶段。鹿群后端与狼最接近的那一小群驯鹿就像条毯子 般裂开，散成碎片，这在狼看来一定是极度费解的。”狼一会儿追这头鹿，一会儿又追那头，每换一次追击目标都会被甩得更远。最后，鹿群翻过山岭，脱逃而去， 而狼留在那儿气喘吁吁，大口吞着雪。
每头驯鹿本来都面临着绝大的危险，但鹿群的躲避行动所表现的却不是恐慌，而是精准。（想想把一头 饿狼放进一群人会造成何等的混乱局面吧。）每头驯鹿都知道该什么时候跑、跑往哪个方向，即便不知道为什么要这样做。没有领袖负责鹿群的协调，每头鹿都只是 在遵循着几千年来应对恶狼袭击而演化出来的简单规则。
这就是群体智能的美妙魅力。无论我们讨论的是蚂蚁、蜜蜂、鸽子、还是北美驯鹿，智慧群体的组成要素——分散化控制、针对本地信息行动、简单的经验法则——加在一起，就构成了一套应对复杂情况的精明策略。
马萨诸塞州剑桥市“爱科系统公司”的复杂性理论家兼首席科学家埃里克·博纳博说：“目前，我们连群体智能还有什么别的用途都不知道。我们不习惯以分散化 的手段来解决分散化的问题。我们无法通过到处树立停车标志和交通灯来控制像公路交通这样的紧要事情，但是，若能把交通塑造成一种自组织系统，这样的想法还 是很令人振奋的。”
有些社团和政治团体已采纳了粗糙的群体战术。八年前西雅图的大规模抗议中，反全球化活动家使用移动通讯设备，快速散布警察动向的消息，把一帮本来难以驾驭的乌合之众，变成了能像鱼群一样分散和重组的“智慧团伙”。
最大的变化可能体现在互联网上。谷歌利用群体智能来查找你的搜索内容。当你键入一条搜索时，谷歌会在它的索引服务器上考查数十亿网页，找出最相关的，然 后按照它们被其他网页链接的次数进行排序，把链接当作投票来计数（最热门的网站还有加权票数，因为它们可靠性更高）。得到最多票数的网页被排在搜索结果列 表的最前面。谷歌说，它通过这种方式，“利用网络的群体智能来决定一个网页的重要性”。
维基百科是一部免费的合作性百科全书，办得十 分成功，其中有200多种语言写成的数以百万计的文章，世间万物无不涉及，每一词条均可由任何人撰写、编辑。麻省理工学院集体智能中心的托马斯·马隆说： “如今可以让数目庞大的人群以全新的方式共同思考，这在几十年前我们连想都想不到。要解决我们全社会面临的问题，如医疗保健或气候变化，没有一个人的知识 是够用的。但作为集体，我们的知识量远比迄今为止我们所能利用的多得多。”
这种想法突出反映了关于群体智能的一个重要真理：人群只有 在每个成员做事尽责、自主决断的时候，才会发挥出智慧。群体内的成员如果互相模仿，盲从于潮流，或等着别人告诉自己该做什么，这个群体就不会很聪明。若要 一个群体拥有智慧，无论它是由蚂蚁还是律师组成，都得依靠成员们各尽其力。我们有些人往往怀疑，值不值得把那只多余的瓶子拿去回收，来减轻我们对地球的压 力。而事实是：我们的一举一动都事关重大，即使我们看不出其中玄机。
想想一只在蜂窝中走动的蜜蜂吧。如果一阵冷风刮到蜂窝上，这只蜜蜂会通过发抖来取暖，在这个过程中也帮助附近的幼蜂保持温暖。它并不知道在这个蜂窝里，别处也有成百上千的工蜂在做着同样的事情，令下一代受益。
蜜蜂专家托马斯·西利说：“蜜蜂跟你我一样，从来看不到多少全局。我们谁都不知道社会作为一个总体需要什么，但我们会看看周围，说，哦，他们需要人在学校当义工，给教堂修剪草坪，或者在政治宣传活动中帮忙。”
假如你要在一个充满复杂性的世界中寻找行为榜样，不妨去仿效蜜蜂。