有限群体的波动——固定点与随机性的邂逅

雪堆博弈里出现了内部固定点 $x^*$，对应混合纳什均衡。

听起来很美好。

但这只是在 ODE 的世界里。真实世界里，群体是有限的。有限意味着随机。

当固定点遇上随机性，稳定分布和固定点到底是什么关系？

随机与确定的根本区别

先回顾三个对象的定义：

固定点（ODE）： $\frac{dx}{dt} = F(x)$，当 $F(x^*) = 0$ 时，$x^*$ 不再移动。

马尔可夫链稳定分布（stationary distribution）： $\pi P = \pi$，长期后系统有多大概率在各状态。

纳什均衡： 没人愿意单边改变策略。

在囚徒困境里，因为有吸收态 $x = 0$，三者重合。

但雪堆博弈的内部点 $x^*$ 不是吸收态。这就导致了根本性的差异。

离散状态 vs 连续近似

在复制子 ODE 里，$x$ 是连续变量，$0 \leq x \leq 1$。

但在真实随机群体里，状态是离散的：

其中 $k$ 是合作者数量，$x = k/N$。

每次更新只能 $k \to k \pm 1$，不能直接跳到 $x^*$。

假设 $N = 100$，$x^* = 0.4$。这意味着 40 个合作者。

但下一时刻可能变成 39 或 41 人。系统永远会波动。即使平均趋势指向 $x^*$，随机噪声仍持续存在。

马尔可夫链几乎不可能永远停在内部点。

（这大概是"理论是理论，现实是现实"最好的注解之一）

概率云

有限群体里，系统会围绕固定点形成"概率云"（probability cloud）。

长期后，概率分布大概是这样的：

概率集中在 $x^*$ 附近，但不是一个点。

这是稳定分布与固定点分离的根源。

为什么概率围绕固定点聚集？

因为固定点附近有"恢复力"（restoring force）。

假设 $x < x^*$（合作者太少）。

此时合作稀缺，合作收益变高。于是 $\frac{dx}{dt} > 0$，系统被推回 $x^*$。

假设 $x > x^*$（合作者太多）。

搭便车变更有利。于是 $\frac{dx}{dt} < 0$，系统又被拉回 $x^*$。

在 ODE 里，固定点像是"山谷底部"。在随机过程里，系统像是在谷底附近抖动的小球。

稳定分布的数学描述

数学上，ODE 只保留"平均漂移"（drift）。

随机过程还包含"随机扩散"（diffusion）。

真正的随机系统更像：

这里：

• $F(x)$ 是复制子动力学漂移
• $dW_t$ 是随机布朗运动（Wiener process）
• $\sigma$ 是噪声强度

这叫随机微分方程（stochastic differential equation, SDE）。

第一次看到这玩意儿的时候，我承认有点慌。后来发现，核心思想其实很简单：趋势 + 噪声。

有限人口 vs 无限人口

当 $N \to \infty$ 时会发生什么？

随机波动越来越小。稳定分布越来越尖锐。

最后，概率峰收缩成一个点：$\delta(x - x^*)$，即 Dirac delta 函数。

这时稳定分布"退化"为固定点。

有意思的是，无限人口只是一个数学理想。现实社会永远有限。

统计物理的类比

这个关系和热力学非常像。

微观： 分子永远随机运动。

宏观： 温度、压强却稳定。

演化博弈里的对应关系：

• 个体策略不断随机改变
• 但总体合作比例稳定
• 复制子动力学 = 平均场极限（mean field limit）
• 马尔可夫链 = 保留微观涨落（fluctuation）

从统计物理偷来的视角，总是出奇地好用。

现实启示

因为现实社会永远有限，所以真正系统几乎不会：

• 永远停在某固定点
• 精确达到纳什均衡

现实里看到的往往是在均衡附近长期波动。

这正是现代演化博弈越来越重视的方向：

• 有限人口（finite population）
• 随机稳定性（stochastic stability）
• 准稳定态（metastability）
• 扩散近似（diffusion approximation）

而不只研究 ODE 固定点。

写在最后

真实系统永远在均衡附近波动，而数学模型给出了理解这种波动的工具。

演化博弈论真正关心的不只是"均衡是什么"，而是"系统如何围绕均衡波动"。

这大概才是更有趣的问题。