从酵母细胞说起

读到一篇有意思的论文。Greig 和 Travisano 在 Biology Letters 上发了篇文章，研究酵母的"作弊"行为。

酵母会分泌 invertase 到细胞外消化蔗糖，消化的糖大家都可以用——这就有意思了。一个细胞可以选择"作弊"：偷用邻居分泌的酶，自己却不分泌。研究者把有功能 SUC2 基因的酵母叫"合作者"，把删除了 SUC2 基因的叫"作弊者"，然后把它们放在一起竞争。

结果很反直觉：

• 在稀疏的群体里（低社交密度），作弊者的 fitness 只有 0.87——比合作者差
• 在密集的群体里（高社交密度），作弊者的 fitness 高达 1.19——比合作者强

为什么？社交密度越高，合作者越容易遇到其他合作者。大家一起分泌酶，公共池塘变大，每个人的收益都高。但这时候作弊者混进来，单方面享受公共成果还不付成本，收益爆炸。

当密度极高时，作弊者几乎总能找到合作目标，偷到的比自己分泌的还多。合作者反而被拖累。

这完美符合我的直觉。但我想自己做一遍——不是验证论文结论，而是想亲手"看见"这个过程，把方程写进格子，看数字跑起来。

模型设定

$n \times n$ 的网格，population density 控制每格放置 agent 的概率。Agent 有两种策略：C（合作，分泌酶）和 D（作弊，不分泌）。

两两相遇时玩标准囚徒困境，payoff 矩阵：

R 是合作-合作的奖励，T 是背叛的诱惑，S 是被背叛者的收益，P 是双双背叛的惩罚。按经典设定：$T > R > P > S$，且 $2R > T + S$（互惠合作优于反复背叛）。

每一步：

1. Agent 在 Von Neumann 邻域（上下左右四格）找邻居
2. 两人玩一把博弈
3. 比较这一步的得分 $\pi$
4. 以正比于收益差的概率模仿邻居策略

只看当期得分。不记历史，不做规划。

理论预测

复制子动态（Replicator Dynamics）给出了平均场下的方程：

$x$ 是合作者比例，$\pi_C$ 和 $\pi_D$ 是两种策略的期望单步收益。

收益依赖于相遇概率。在平均场近似下，合作者遇到合作者的概率是 $x$，遇到作弊者是 $1-x$；作弊者反之：

代入：

用具体数值 $R=3, S=0, T=5, P=1$：

$\pi_C - \pi_D < 0$ 恒成立——无论 $x$ 多大，合作者的当期收益永远低于作弊者。

这意味着 $\frac{dx}{dt} = x(1-x)(-1-x) < 0$。合作者比例只能单向衰减，最终趋向 $x=0$——完全背叛。

平均场近似是"充分混合"的世界：每个人和所有人等概率相遇。但我的格子不是。空间结构可能撑住合作。

模拟与结果

以下实验在 $50 \times 50$ 的网格上跑，每步同步更新，博弈轮数足以让系统稳定。

实验一：固定密度，看演化轨迹

设置 population density $\rho = 0.3$，变化初始合作者比例 $x_0$。

直观猜测：$x_0$ 越高，合作者撑得越久；低 $x_0$ 直接崩溃。但网格结构可能让局部高合作区在早期顶住一阵。

实际跑下来的感觉是，合作者的"存活窗口"很窄。在空间结构让局部聚集维持了一个短暂的防御期之后，D 策略终究会从边界渗透进来——一个合作团簇的外围总是最先被侵蚀。

实验二：固定初始比例，看密度效应

设置 $x_0 = 0.5$，变化 population density $\rho \in [0.02, 1.0]$，跑完后计算 $\pi_C$ 和 $\pi_D$ 的均值之差。

纵轴是 $P_C - P_D$，合作者的收益减去作弊者的收益。全部为正——也就是说，在所有密度下，合作者的平均收益都高于作弊者。这是在纯随机交互的平均场方程里不可能出现的东西：空间结构给 C 策略画出了一个防御地带。

但趋势一目了然。低密度时 $P_C - P_D$ 接近 0.05，高密度时掉到大约 0.002。差了 25 倍。

密度 2% 时，格子稀稀拉拉，agent 之间大部分时间是孤立的。孤立 agent 没邻居可配对——这步就没博弈、没得分波动，守住现有策略等于不亏。合作者还有偶尔撞见同类并互惠的机会。作弊者孤立的次数同样多，但孤立状态下无事发生，作弊无利可图。

密度越高，相遇越频繁。每次相遇都是一次 C 被 D 剥削的机会。即使 C-C 互惠更多，也是双方各付成本养公共池塘——刚好便宜了旁边那个什么都不贡献的 D。

Greig 的酵母实验给出了相同的方向：密度越高，作弊越有利。只不过他们是从作弊者的视角——高密度下作弊 fitness > 1。我这张图从合作者的视角——优势还在，但不断萎缩。

有意思的是，优势归零的临界密度在这组参数下始终没有出现。$P_C - P_D$ 趋近于零但没触零。可能在更极端的 payoff 设定下（比如把 T 拉更高），合作者的优势会被彻底抹掉。

（或者把 Von Neumann 换成 Moore——八个邻居比四个更容易暴露在 D 面前。还没来得及试。）

写在之后

Greig 的论文让我意识到一件事：囚徒困境的"困境"不在于无解，而在于它的解依赖于结构。相同的博弈规则，在稀疏和密集的社交网络中给出相反方向的结果。

复制子动态提供了基准预测——充分混合、只看当期收益时的演化方向。但真实系统的空间结构——无论是琼脂板上的邻居半径，还是格子上的 Von Neumann 邻域——一放进去，预测就变了。

ABM 的价值就在这里：把结构放进去，看涌现出什么。

实验一和实验二跑下来的感觉是，空间结构像一层缓冲垫——不是扭转方向，而是拖延速度。合作者注定要输给 D，但在格子上输得比平均场方程预测的要慢。

但写完之后，我越想越觉得差了一层。

Greig 的实验是在 sucrose 板上跑的。蔗糖是唯一碳源。稀疏的板子上，糖多细胞少——每个细胞周围的蔗糖约等于无限。密集的板子上，细胞挤在一起，糖很快耗光——你周围的糖取决于邻居分泌了多少酶。

我的 ABM 预设 payoff 矩阵是铁板一块。$T=5, R=3, P=1, S=0$——不管密度多少，一次博弈的收益永远不变。但酵母的 invertase 不是一台独立于环境运行的博弈机。它消化蔗糖。糖少了，消化量就少了。消化量不只取决于你分不分泌酶，还取决于蔗糖还剩多少。

如果蔗糖见底了——一群细胞挤在一起，谁也不分泌酶——双双背叛的 payoff 可能不是 $P=1$，是负数。什么都消化不了。细胞饿着。反而是合作-合作虽然要付酶的成本，起码还能分到一点糖。

也就是说，Greig 的酵母可能并不总是在玩囚徒困境。

在糖充裕的高密度区，作弊者靠剥削合作者赚饱——标准 PD。但在糖匮乏的边缘——稀疏群落耗完本地蔗糖之后——博弈的底层从囚徒困境滑向了别的东西。双双背叛不再是低收益，是负收益。合作的相对劣势突然就不见了。

策略消耗资源，资源改写矩阵，矩阵重塑策略。闭环一旦形成，囚徒困境的"困境"就不是一个给定了边界条件的优化问题——它的边界条件本身就是变量。

这还只是推测。要验证它，得把酶动力学写进 ABM——糖的浓度作为局部变量，payoff 从糖浓度里实时算出来。不是"密度决定支付矩阵"，是"密度通过资源消耗间接改变支付矩阵"。

一个方向。