基於代理人的模型 Agent-based Modeling 與 Sugarscape

從「由下而上」的社會科學，到 Epstein 與 Axtell 的人工社會實驗場

一、問題意識：為何聖塔菲需要「人工社會」

聖塔菲研究所（Santa Fe Institute, SFI）自 1980 年代中期成立後，長期關注「複雜適應系統」：大量元素彼此互動、會學習或適應、沒有中央控制者，卻能形成穩定或半穩定的巨觀秩序。這類系統包括免疫系統、金融市場、城市、語言演化、生態網路、技術擴散與人類社會。傳統科學常以微分方程、均衡模型或統計關聯處理這些問題，但一旦個體異質、互動局部、規則非線性、制度會變、歷史路徑重要，總體方程式就很難寫出，或者寫出後會把最重要的結構消掉。

ABM 的興起，正好回應這個方法缺口。它把研究對象拆成「代理人」與「環境」：代理人可以是家庭、公司、投資者、國家、細胞、病毒、昆蟲或軟體程序；環境可以是格狀空間、網路、地理資訊系統、價格市場或制度場域。研究者不再先假設總體均衡，而是規定代理人的狀態、感知範圍、決策規則、學習方式與互動流程，然後觀察巨觀模式是否出現。

這裡的「由下而上」不是口號，而是一個檢驗標準：若某個宏觀現象，例如貧富不均、種族隔離、價格形成、文化分群、流行病波峰或制度崩潰，能從明確的微觀規則與初始條件中穩定生成，研究者就得到一個候選機制。它仍可能錯，仍需要資料校準與反事實檢驗，但它比只說「個體互動很複雜」更具體。

二、ABM 的思想來源：細胞自動機、賽局、人工生命與複雜適應系統

ABM 並非突然出現。它有幾條前史。

第一條是細胞自動機。John von Neumann 與 Stanislaw Ulam 在 1940 至 1950 年代對自我複製自動機與離散空間動力學的研究，提供了「局部規則可以生成全域複雜性」的形式直覺。1970 年 Martin Gardner 在《Scientific American》介紹 John Conway 的 Game of Life 後，科學界與大眾更清楚看到：極簡規則、離散格點與同步更新可以產生振盪器、滑翔機、自我組織圖樣與難以預測的長期行為。

第二條是社會科學中的微觀動機與巨觀結果。Thomas C. Schelling 在 1969 至 1971 年間提出的居住隔離模型，是 ABM 前史中最常被引用的例子之一。模型中的個體只要求鄰居中有一定比例是同類，並不需要極端偏見；但在反覆搬遷後，整體空間仍可能高度隔離。Schelling 後來在 1978 年《Micromotives and Macrobehavior》中把這種機制推成一般命題：微觀動機不必與宏觀結果在道德或意圖上相同，個體層次的小偏好也能累積成社會層次的大結構。

第三條是人工生命與複雜適應系統。Christopher Langton 在 1980 年代後期推動 artificial life，把生命視為可由計算過程研究的自組織現象，而不只限於碳基生物。John H. Holland 的遺傳演算法、分類器系統與複雜適應系統概念，則把「規則、適應、選擇、回饋」帶進經濟與社會模擬。SFI 正是這些學術脈絡交會的場域：物理學家、經濟學家、電腦科學家、生物學家與社會科學家在同一個問題上交換工具。

第四條是賽局與演化合作研究。Robert Axelrod 的重複囚徒困境競賽與 1997 年《The Complexity of Cooperation》展示了另一種 ABM 風格：不是尋找一次性的理性解，而是讓策略在互動、記憶、選擇與演化中競爭。這一路徑與 Sugarscape 不完全相同，但共同把「模擬」從附屬展示提升為理論生成工具。

三、ABM 的基本構造：代理人、環境、排程與生成性

一個嚴格的 ABM 通常至少包含五個元素。

Epstein 在 1999 年〈Agent-Based Computational Models and Generative Social Science〉中把 ABM 提升為一種「生成式」解釋標準。他的核心問題可以概括為：給定某個可觀測的巨觀規律，能否指定一組異質、有限理性、局部互動的代理人，使其在無中央控制下生成該規律？若能，模型提供的是「充分生成」（sufficient to generate）的候選解釋，而不是唯一原因。

這點很重要。ABM 的強項不是宣稱「真實世界就是如此」，而是把原本含糊的社會機制變成明確演算法。只要規則寫清楚，其他研究者就能重跑、改參數、替換規則、檢查哪些假設必要，哪些只是裝飾。ABM 也因此特別適合研究非均衡、路徑依賴、突變、閾值、網路外部性與制度變遷。

四、Sugarscape 的誕生：2050 Project 與「從底部長出社會」

Sugarscape 的代表文本是 Joshua M. Epstein 與 Robert Axtell 於 1996 年出版的《Growing Artificial Societies: Social Science from the Bottom Up》。書名已經表明企圖：不是描述既有社會，而是「生長」人工社會。這項研究與聖塔菲研究所、Brookings Institution、World Resources Institute 共同參與的 2050 Project 有關；該計畫關心長期全球永續、人口、資源與政策條件。Sugarscape 不是一個完整地球模型，而是一個可以逐步加入社會機制的人工實驗場。

Epstein 與 Axtell 的關鍵策略是「極簡起步，逐層加機制」。他們先建立一個二維格狀地景，每個格點有一定糖容量與再生速率；代理人站在格點上，依照視野搜尋糖、移動、採集並消耗糖。接著，模型可以加入年齡、死亡、繁殖、遺傳、季節、污染、文化、戰鬥、疾病、信用、交易與繼承。這種模組化使 Sugarscape 像一個社會科學風洞：研究者可以固定部分規則，逐一打開新的制度或行為機制，觀察巨觀分布如何改變。

Sugarscape 之所以成為經典，不是因為它最早使用代理人，也不是因為它最真實，而是因為它把 ABM 的研究語法展示得非常完整：代理人異質、環境稀缺、資源再生、局部搜尋、生命週期、交易與制度都可形式化；結果可用財富分布、人口空間、價格、文化邊界、疾病擴散與階級結構觀測。它把「複雜性」從抽象宣言變成一組可跑的規則。

五、Sugarscape 的基本模型：糖、視野、代謝與移動

最小版 Sugarscape 可描述如下。世界是一個二維格子，每個格點含有糖，且有最大容量與再生規則。每個代理人有三個基本屬性：位置、視野（vision）與代謝率（metabolism）。每一時間步，代理人觀察水平與垂直方向視野內的格點，選擇可見範圍內糖量最多的位置移動；若有平手，通常選較近或依隨機規則處理。到達後，代理人收割該格糖，加入自己的糖存量，然後消耗相當於代謝率的糖。糖存量低於零則死亡。

這個簡單機制已足以生成非平凡結果。即使代理人初始分配接近隨機，地景中的糖峰會吸引遷徙，代謝高但視野小的代理人容易死亡，視野大且代謝低者更容易累積資源。若死亡後由新代理人補入，系統會在地理資源、個體屬性與競爭壓力之間形成穩定但不靜止的人口分布。

模型的經典觀測之一是財富分配。即使沒有資本主義制度、雇傭關係或複雜市場，只要環境資源不均、個體能力異質、局部競爭與生命週期存在，糖存量就可能呈現高度不均。這不等於真實貧富不均只由自然差異造成；相反，它提供一個基準：在沒有制度壓迫與市場權力的極簡世界裡，不平等仍可出現，因此研究者若要解釋真實社會的不平等，就要進一步問哪些制度機制放大或抑制了這個基礎動力。

六、從資源採集到人工社會：Sugarscape 的機制擴展

1. 生命週期、繁殖與繼承

當模型加入年齡、性別與繁殖規則後，代理人不再只是資源採集器，而成為有世代交替的人口系統。代理人到達生育年齡、資源達到門檻並遇到適合伴侶時，可產生後代；後代繼承父母部分屬性與資源。死亡時，糖可按規則分配給子代。這使財富不平等從個體生存競爭延伸為世代傳遞問題。繼承規則看似微小，卻會改變長期階級分化。

2. 季節、污染與環境限制

地景可被設定為季節性再生：某些區域在夏季富饒，冬季貧瘠，另一些區域相反。代理人若只依當下糖量移動，會在季節轉換中面臨遷徙壓力。污染機制則把生產與環境成本連起來：採集或代謝可能增加格點污染，污染影響福利或移動選擇。這種設定把單純資源最大化變成生態約束下的決策問題，也呼應 2050 Project 對永續與環境負荷的關切。

3. 文化傳播與群體邊界

Sugarscape 中的文化可表示為一串二元標籤。代理人相遇時，可能隨機選取一個文化位元並影響對方。簡單的局部模仿可導致文化區塊、邊界、同化與多樣性消失。若文化標籤再與戰鬥或偏好互動，模型可生成群體衝突與邊界強化。這裡的「文化」極度簡化，不能等同真實語言、宗教或身份，但它展示了符號標籤如何在局部互動下形成宏觀分群。

4. 疾病與免疫

疾病可被表示為位元串，免疫系統也是位元串。當代理人接觸時，疾病傳播；代理人的免疫位元若逐步接近疾病字串，就能抵抗。這把免疫學中的匹配與適應觀念轉成代理人規則，讓流行病曲線、群體免疫與空間傳播在人工社會中出現。SFI 的複雜系統背景在此很明顯：社會模型不只借用經濟學，也借用免疫系統與演化計算的形式語言。

5. 交易、價格與福利

進階 Sugarscape 加入第二種資源，例如 spice。代理人同時需要 sugar 與 spice，且具有不同代謝率。每個代理人可依自身存量與消耗需求計算邊際替代率，與鄰近代理人進行雙方都改善福利的交易。這種設定讓價格不由中央拍賣者或均衡方程直接指定，而是從局部交換中浮現。研究者可以觀察交易序列是否收斂、價格分布如何變化、福利是否改善，以及異質性如何影響市場形成。

這裡也暴露 ABM 與經濟學主流方法的張力。一般均衡模型追求解析均衡與最適條件；Sugarscape 則用有限視野、局部交易與非同步互動生成價格。前者清楚、可證明，後者更接近分散互動與制度過程，但需要大量模擬與敏感度分析。兩者不是簡單替代，而是回答不同層次問題。

6. 戰鬥、信用與制度原型

模型還可加入戰鬥規則，例如代理人可攻擊視野內較弱或資源較多的其他代理人；也可加入借貸與信用，使資源跨時間移動。這些機制把 Sugarscape 從生態競爭推向政治經濟學：暴力、風險、債務與制度安排會改變生存機會與財富分布。不過，這些部分也最容易受到批評，因為規則選擇的自由度很高，不同設定可能導致完全不同的結論。

七、時間線：ABM 與 Sugarscape 的形成脈絡

• 1940s-1950sVon Neumann 與 Ulam 發展細胞自動機與自我複製自動機的形式想像，奠定離散局部規則生成複雜圖樣的基礎。
• 1969-1971Thomas Schelling 發表動態隔離模型，展示個體微小偏好如何生成宏觀隔離，是社會科學 ABM 的早期典範。
• 1970Martin Gardner 介紹 Conway 的 Game of Life，使細胞自動機成為複雜性與湧現的經典公共案例。
• 1978Schelling 出版《Micromotives and Macrobehavior》，系統化微觀動機與宏觀行為之間的落差。
• 1984聖塔菲研究所成立，複雜適應系統成為跨學科研究核心。
• 1987-1989Christopher Langton 推動人工生命研究，強化以計算生成生命與適應現象的研究路線。
• 1990s 初SFI、Brookings 與 World Resources Institute 的 2050 Project 為長期全球系統與政策模擬提供制度背景。
• 1994-1996SFI 團隊發展 Swarm Simulation System，提供建構多代理人模擬的物件導向工具箱。
• 1996Epstein 與 Axtell 出版《Growing Artificial Societies》，Sugarscape 成為 ABM 與生成式社會科學的標誌性案例。
• 1997Axelrod 出版《The Complexity of Cooperation》，進一步推廣社會科學中的代理人模型與演化互動方法。
• 1999Epstein 發表〈Agent-Based Computational Models and Generative Social Science〉，明確提出生成式社會科學的解釋標準。
• 1999Uri Wilensky 發布 NetLogo，降低 ABM 建模門檻，成為教育與研究常用平台。
• 2006Grimm 等人提出 ODD protocol，回應 ABM 描述不完整與難以重現的問題。
• 2010s-2020sMesa、Agents.jl、Repast、MASON 等工具與開放科學流程成熟，ABM 進入 Python、Julia 與資料科學工作流。

八、關鍵人物與貢獻

九、Sugarscape 的理論意義：不是小世界，而是方法宣言

Sugarscape 最常被誤解為一個「糖世界遊戲」。若只看畫面，它確實像簡單的格子遊戲；但它的理論野心在於重構社會科學的解釋方式。

第一，Sugarscape 挑戰代表性代理人。傳統經濟模型常把社會壓縮成平均消費者或代表性廠商，再求均衡。Sugarscape 從一開始就允許代理人異質：視野不同、代謝不同、年齡不同、資源不同、文化不同、免疫狀態不同。巨觀結果不再由平均人推出，而由分布、互動與選擇壓力共同生成。

第二，它把空間放回社會科學。很多正式模型把空間視為抽象距離或完全連通市場，Sugarscape 則讓位置成為命運的一部分。出生在糖峰附近、擁有較好視野、能在季節變化中遷移，會造成長期差異。這與城市研究、經濟地理、流行病學和環境政策都有關。

第三，它把非均衡視為常態。Sugarscape 中的代理人不必知道全域狀態，也不必立即達成均衡。死亡、出生、移動、交易與疾病都在同時發生。研究者觀察的是過程、轉換、分布與穩態附近的波動，而不只是解一個終點。

第四，它把社會科學變成可重複的計算實驗。研究者可以問：如果提高資源再生率如何？如果限制視野如何？如果改變繼承制度如何？如果交易只允許鄰近者如何？如果疾病突變率上升如何？這些問題在真實社會中難以做控制實驗，但在人工社會中可以系統測試。

十、與 SFI 其他發展的關聯

Sugarscape 位於 SFI 多條研究線的交會點。

與複雜適應系統的關聯在於，代理人不是被動粒子，而是具有狀態、規則與適應能力的行動者。它們局部互動、競爭資源、繁殖或死亡，使系統呈現非線性回饋。

與人工生命的關聯在於，Sugarscape 借用了人工生命的實驗美學：不要只分析生命或社會的既有樣本，而是在電腦中創造一個可演化的世界，觀察哪些現象能從簡單規則中出現。這與 Langton 的人工生命議程同源。

與計算經濟學的關聯在於，Sugarscape 把市場價格、交易、信用與財富分布視為分散互動結果，而非事先假定的均衡物件。它與 SFI 早期對適應性經濟代理人、股票市場模型、Arthur 的遞增報酬與 El Farol Bar 問題等研究形成共同背景。

與政策科學的關聯在於，ABM 允許政策規則直接嵌入微觀行為：補貼、稅制、隔離措施、疫苗策略、交通管制或繼承規則都可成為代理人環境的一部分。後來疫情、城市、災害疏散與能源轉型模型大量使用 ABM，正是因為它能表達異質行為與局部約束。

十一、工具演化：從 Swarm 到 NetLogo、ODD 與 Mesa

1990 年代中期的 Swarm Simulation System 是 SFI 對 ABM 方法基礎設施的重要貢獻。Swarm 提供物件導向的函式庫，用於建構、分析、顯示與控制多代理人實驗；它讓研究者不必每次從零處理排程、物件集合、視覺化與資料收集。Swarm 的語言與安裝環境後來不再是主流，但它在學術史上的位置很清楚：它是最早廣泛影響 ABM 社群的工具箱之一。

NetLogo 在 1999 年由 Uri Wilensky 發布，對 ABM 的普及效果更大。它語法簡潔、視覺化直接、內建模型庫，特別適合教學與快速原型。Schelling 模型、病毒傳播、捕食者獵物、交通堵塞、Sugarscape 變體都可用 NetLogo 展示。這使 ABM 從少數程式高手的工具，變成跨學科課堂可操作的方法。

ODD protocol 則處理另一個痛點：模型描述不完整。ABM 的結果高度依賴初始化、排程、隨機數、空間邊界、代理人選擇順序與次級規則。如果論文只描述概念，不描述實作細節，其他人很難重現。Grimm 等人在 2006 年提出 ODD（Overview, Design concepts, Details），後續版本持續修正，要求研究者清楚交代目的、實體、狀態變數、尺度、流程、排程、設計概念、初始化、輸入與子模型。

2010 年代後，Mesa 把 ABM 帶入 Python 科學運算生態，Agents.jl 則接入 Julia 高效能與動態系統社群。這些工具讓 ABM 更容易與資料清理、統計估計、機器學習、地理資料與互動儀表板結合。方法論也從「能跑出有趣圖樣」逐步轉向「可校準、可重現、可做政策比較」。

十二、影響：ABM 如何改變社會科學與複雜系統研究

ABM 的影響可分為四個層次。

第一是概念層次。ABM 讓「湧現」不再只是形容詞，而是可操作問題：哪些微觀規則足以生成宏觀模式？哪些規則是必要的？哪些參數只改變速度，不改變結構？這使複雜系統研究有了可重複實驗。

第二是社會科學方法層次。ABM 補足了統計模型與解析模型之間的空白。統計模型擅長估計關聯與檢驗假設；解析模型擅長推導清楚命題；ABM 擅長表示過程、異質性、空間與非線性。三者應互補，而不是互相取代。

第三是政策層次。流行病、交通、災害、都市發展、金融傳染與能源採用都涉及個體行為與網路互動。ABM 可模擬政策在不同群體中的非均勻效果。例如疫苗策略不只取決於平均接種率，也取決於社群網路、接觸模式與行為反應。

第四是教育與科普層次。Schelling 模型、Game of Life 與 Sugarscape 都非常適合展示「簡單規則不等於簡單結果」。它們讓讀者直觀看到，社會結果可能不是任何單一行動者意圖的產物，而是互動結構的結果。

十三、爭議與局限：ABM 不是免責的自由建模

第一個局限是校準困難。真實社會中的偏好、資訊、網路、制度與資源很難直接映射到模型參數。若參數只是為了跑出某種圖樣而調整，模型就容易變成後見之明。

第二個局限是識別問題。同一個宏觀現象可能由多組微觀規則生成。若某個模型能生成財富不平等，不代表它就是真實不平等的主要原因。Epstein 的「充分生成」標準本身也承認這點：生成性提供候選機制，而非唯一因果識別。

第三個局限是自由度過高。ABM 研究者可以選擇代理人規則、排程、空間、隨機性、邊界條件與觀測指標。若缺乏透明文件與敏感度分析，模型很容易成為研究者直覺的程式化版本。ODD protocol 與開源程式碼正是為了降低這個問題。

第四個局限是可重現性。ABM 可能對隨機種子、更新順序與實作細節敏感。兩個研究者即使讀同一篇論文，也可能因排程理解不同而得到不同結果。因此，現代 ABM 論文越來越重視完整程式碼、版本、隨機種子、參數掃描與模型描述標準。

第五個局限是解釋與預測的張力。ABM 很擅長說明「這種機制可能導致這種模式」，但要做精確預測，需要大量資料、校準與不確定性量化。在疫情或交通模型中，ABM 可以支援情境比較；但若輸入資料品質差，模型複雜度反而可能製造精確錯覺。

十四、與當代 AI 的關聯：從人工社會到多代理人系統

今日大型語言模型與多代理人 AI 系統重新引發對「代理人」的興趣，但 ABM 與 AI agent 不應混為一談。ABM 的代理人通常是研究者設計的簡化行為單元，重點在機制透明與集體結果；AI agent 則常指能使用工具、規劃、對話或執行任務的軟體實體，重點在能力與自主性。

不過，兩者正在靠近。當 LLM 被放入社會模擬中，研究者可能用語言模型生成更豐富的決策與互動；反過來，ABM 的方法論也提醒 AI 研究者：多代理人系統的重點不只是單一代理人的聰明程度，而是互動規則、環境設計、記憶、激勵與制度約束。若沒有清楚排程與可重現紀錄，多 AI agent 實驗會遇到與早期 ABM 相同的問題。

Sugarscape 在這裡提供一個歷史教訓：好的人工社會不必一開始就追求全真實。它應該先有清楚問題、可檢查規則、可重跑實驗與明確輸出。複雜不是目的；能把複雜性拆成可驗證機制，才是目的。

十五、結論：Sugarscape 留下的真正遺產

Sugarscape 的歷史地位不在於它完整解釋了人類社會，而在於它改變了「解釋社會」可以長什麼樣子。在它之前，社會科學當然已有數學模型、統計模型與電腦模擬；但 Epstein 與 Axtell 把人工社會塑造成一種具有理論野心的研究儀器：從微觀代理人出發，讓制度、分布與集體模式在電腦中生成，再回頭檢查哪些機制有解釋力。

對聖塔菲研究所而言，Sugarscape 是複雜適應系統精神的濃縮案例。它把人工生命的生成觀、經濟學的交換問題、社會學的分層與文化傳播、流行病學的感染機制、政策科學的反事實實驗放在同一個可運算框架裡。這種跨學科整合正是 SFI 的典型風格。

對今日研究者而言，Sugarscape 仍值得讀，但讀法應成熟：不要把它當成真實社會的縮小版，也不要把它貶為玩具。它是一個方法標本，展示如何把抽象問題轉成明確代理人、環境、規則與輸出；也展示 ABM 必須面對的硬問題，包括校準、重現、驗證與政策推論。它留下的最大命題仍然有效：若我們宣稱理解某個宏觀社會現象，就應該能說清楚它如何從個體、互動與制度中生成。

參考來源清單

1. Epstein, Joshua M., and Robert Axtell. 1996. Growing Artificial Societies: Social Science from the Bottom Up. Brookings Institution Press / MIT Press. Sugarscape 的核心著作。
2. Epstein, Joshua M. 1999. “Agent-Based Computational Models and Generative Social Science.” Complexity. 提出生成式社會科學的代表論文。
3. Epstein, Joshua M. 2006. Generative Social Science: Studies in Agent-Based Computational Modeling. Princeton University Press. 收錄並擴展生成式社會科學論述。
4. Schelling, Thomas C. 1971. “Dynamic Models of Segregation.” Journal of Mathematical Sociology. 社會科學 ABM 前史中的經典模型。
5. Schelling, Thomas C. 1978. Micromotives and Macrobehavior. W. W. Norton. 微觀動機與宏觀結果關係的經典著作。
6. Gardner, Martin. 1970. “Mathematical Games: The Fantastic Combinations of John Conway's New Solitaire Game ‘Life’.” Scientific American. Game of Life 的公共傳播節點。
7. Holland, John H. 1992. “Complex Adaptive Systems.” Daedalus. 複雜適應系統概念的重要文本之一。
8. Langton, Christopher G., ed. 1989. Artificial Life. Addison-Wesley. 人工生命研究綱領的重要早期文集。
9. Minar, Nelson, Roger Burkhart, Christopher G. Langton, and Manor Askenazi. 1996. “The Swarm Simulation System: A Toolkit for Building Multi-Agent Simulations.” Santa Fe Institute Working Paper 96-06-042.
10. Axelrod, Robert. 1997. The Complexity of Cooperation: Agent-Based Models of Competition and Collaboration. Princeton University Press. 代理人模型在合作與競爭研究中的代表作品。
11. Wilensky, Uri. 1999. NetLogo. Center for Connected Learning and Computer-Based Modeling, Northwestern University. ABM 教學與研究的重要平台。
12. Wilensky, Uri, and William Rand. 2015. An Introduction to Agent-Based Modeling: Modeling Natural, Social, and Engineered Complex Systems with NetLogo. MIT Press. ABM 入門與方法教材。
13. Grimm, Volker, et al. 2006. “A Standard Protocol for Describing Individual-Based and Agent-Based Models.” Ecological Modelling. ODD protocol 初版。
14. Grimm, Volker, et al. 2020. “The ODD Protocol for Describing Agent-Based and Other Simulation Models: A Second Update to Improve Clarity, Replication, and Structural Realism.” Journal of Artificial Societies and Social Simulation.
15. Masad, David, and Jacqueline Kazil. 2015. “Mesa: An Agent-Based Modeling Framework.” Python ABM 框架早期代表論文與專案。
16. Santa Fe Institute. “The Swarm Simulation System: A Toolkit for Building Multi-Agent Simulations.” SFI Working Papers archive. 用於核對 Swarm 的 SFI 脈絡。
17. Brookings Institution / MIT Press book descriptions for Growing Artificial Societies. 用於核對 2050 Project、SFI、Brookings 與 WRI 的合作脈絡。
18. Journal of Artificial Societies and Social Simulation (JASSS) entries and reviews on Sugarscape, Schelling models, ODD, and ABM replication. 用於核對 ABM 社群對方法與重現性的後續討論。