陳力：邏輯斯諦方程丨集智百科

導語

“集智百科精選”是一個長期專欄，持續為大家推送復雜性科學相關的基本概念和資源信息。作為集智俱樂部的開源科學項目，集智百科希望打造復雜性科學領域最全面的百科全書，歡迎對復雜性科學感興趣、熱愛知識整理和分享的朋友加入，文末可以掃碼報名加入百科志愿者！

↑↑↑掃碼直達百科詞條

陳力 | 作者

作者簡介

目錄

1. 歷史

2. 簡介

2.1 問題背景

2.2 核心思想

3. 主要內容

3.1 微分形式與推導

3.2 解析解與S形曲線

3.3 方程的性質

3.3.1 邏輯斯諦系數與調節機制

3.3.2 不動點與穩定性

3.3.3 拐點與最大增長速率

3.4 離散形式的邏輯斯諦方程

3.5 推廣

4. 應用

4.1 生態學與人口學

4.2 醫學：流行病傳播模型

4.3 化學與物理學

4.4 經濟學、語言學、社會學與技術創新擴散

4.5 機器學習：邏輯斯諦回歸與激活函數

邏輯斯諦方程（Logistic Equation），又稱邏輯斯諦增長模型，是一種描述在有限資源環境下種群規模增長的S形曲線數學模型。該模型由比利時數學家皮埃爾·弗朗索瓦·韋爾霍斯特（Pierre Fran?ois Verhulst）于19世紀提出，如今已成為生態學、生物學、化學、人口學、經濟學、地球科學、心理學、社會學、政治學、語言學、統計學、醫學和機器學習等多個領域的核心模型之一。

邏輯斯諦方程的數學表達式為：，是基于種群規模的增長率()與當前種群規模（N）成正比，同時也與環境容納量（K）和當前種群規模之差（K- N）成正比的科學假設。

1. 歷史

邏輯斯諦方程的歷史發展跨越兩個世紀，融合了人口學、生物學和數學的交叉研究：

· 理論奠基：邏輯斯諦函數由比利時數學家皮埃爾·弗朗索瓦·韋爾霍斯特在1838年至1847年間發表的三篇論文中系統提出并發展。他在阿道夫·凱特勒（Adolphe Quetelet）的指導下，將其作為對指數增長模型的調整，用于描述人口增長。韋爾霍斯特在1838年的論文中首次提出了邏輯斯諦方程的微分形式，其中包含了由環境承載能力決定的種群平衡點[1]。1845年，他正式將方程的解曲線命名為“邏輯斯諦曲線”（圖1）[2]。1847年，他在第三篇論文中對比利時人口增長模型的修正項進行了調整[3]。韋爾霍斯特選用“邏輯斯諦”一詞，可能源于古希臘語λογ?στ?κ??（logistikós，意為“計算”），該詞指代古希臘數學的一個分支，大致相當于應用數學，以區別于線性（算術）增長和對數（幾何/指數）增長，意在暗示其增長模型比一次函數和指數函數更貼合實際。

圖1. 指數增長（Exponential growth）和邏輯斯諦增長（Logistic growth）。圖片來源：https://upload.wikimedia.org/wikipedia/en/1/1c/Population_growth.png

·重新發現與推廣：韋爾霍斯特的工作在當時并未引起廣泛關注。直到1920年，美國生物學家雷蒙德·珀爾（Raymond Pearl）和洛厄爾·里德（Lowell J. Reed）在研究果蠅種群增長和人口問題時獨立重新發現了這一方程，并提出了現在廣為流傳的形式。他們的工作使得該方程在生物學界廣為人知，因此該方程有時也被稱為韋爾霍斯特-珀爾方程或“阻礙增長方程”[4]。

·實驗驗證與理論拓展：1911年，安德森·格雷·麥肯德里克（Anderson Gray McKendrick）首次將邏輯斯諦方程用于描述肉湯中細菌的生長，并通過非線性參數估計進行了實驗測試[5]。1925年，數學生物學家阿弗雷德·洛特卡（Alfred James Lotka）也獨立推導出該方程，稱其為“種群增長律”[6]。

·混沌理論發展：隨著20世紀系統科學和混沌理論的發展，該方程的離散形式——邏輯斯諦映射被深入研究。羅伯特·梅（Robert M. May）在1976年發表于《自然》雜志的論文《簡單數學模型中的復雜動力學》中[7]，系統闡述了這一簡單非線性方程如何產生復雜的混沌行為，從而使該模型成為混沌研究的經典范例[8]。

·模型地位的奠定：邏輯斯諦增長模型被視為與密度相關的種群連續增長模型的典型，其參數 r （內稟增長率）和 K （環境容納量）已成為生物進化對策理論（如R/K選擇理論）中的核心概念[9][10]。

2. 簡介

2.1 問題背景

種群增長的一個基礎模型基于如下假設：在理想條件下（資源無限、空間充足、無天敵、無疾病），種群規模的增長率與種群規模本身成正比。該假設對某些生物種群（如細菌）的初期增長是合理的。 種群規模的增長率為其導數，因此上述假設可表示為：

其中 λ 為比例常數。公式(1)是一個包含未知函數 N 及其導數的微分方程，即著名的馬爾薩斯模型（又稱指數增長模型）[11]（圖1）。

設初始種群規模不為零，即對所有 t 有 N ( t ) > 0 。 若 λ > 0 ，則由公式(1)可知，種群將持續增長。 事實上，公式(1)表明，隨著 N ( t ) 增大，增長率也同步增大，即增長率隨種群規模擴大而加速。

求解公式(1)，需找到導數為自身常數倍的函數，指數函數滿足此性質。令 N ( t ) = C e λ t ，則有 N ′ ( t ) = C ( λ e λ t ) = λ ( C e λ t ) = λ N ( t ) ， 因此，任何形如 N ( t ) = C e λ t 的指數函數都是方程的解。

令 C 取不同實數值，可得方程的解族 N ( t ) = C e λ t 。由于種群規模為正，故只取 C > 0 的解。 代入初始時間 t = 0 ，得 N ( 0 ) = C e λ ( 0 ) = C ，可知常數 C 即為初始種群規模 N ( 0 ) 。

然而，自然界中的種群增長并非無限制。馬爾薩斯模型描述了理想條件下（即資源無限時）的指數增長，但這在現實中幾乎不存在。大多數增長過程會受到環境承載力（如食物、空間、天敵等）的限制。韋爾霍斯特意識到人口增長不僅與現有人口相關，還受可用資源制約，即存在一個最大承載量。

在環境資源有限的情況下，種群初始呈指數增長，當規模接近環境容納量 K 時，增長趨于穩定（若規模超過 K ，則會下降至 K ）（圖1）。一個符合現實的模型應滿足以下兩點：

·當 N 很小時，（初始階段，增長率與N成正比）；

·當 N > K 時，（規模超過 K 時，種群數量減少）。

一種能同時滿足上述兩個假設的方法是，假定增長率與當前種群規模（ N ）成正比，同時也與剩余資源空間（ K ? N ）成正比。 對應的微分方程為 d N / d t = c N ( K ? N ) ，其中 c 為比例常數。該式等價于，其中 λ = c K 。

2.2 核心思想

邏輯斯諦方程的核心思想是：種群增長率受雙重因素影響，既與當前種群規模（ N ）成正比，也與剩余資源空間（ K ? N ）成正比。 隨著種群規模接近環境承載力 K ，其增長率將逐漸下降至零，從而實現種群的自我調節。這種增長模式表現為典型的S形曲線，根據增長速率的變化，其過程可細分為五個時期：①開始期（潛伏期），種群數量少，增長緩慢；②加速期，增長逐漸加快；③轉折期，當種群數量達到 K / 2 時，增長速率最快；④減速期，增長逐漸變慢；⑤飽和期，種群數量達到 K 值并維持穩定（圖2）。

圖2. 簡單邏輯斯諦曲線的示意圖。增長率函數在同一圖上以鐘形曲線表示。引自[12]

3. 主要內容

3.1 微分形式與推導

邏輯斯諦方程的標準微分形式為：

其中：

·N ( t )：時間t時的種群規模；

·λ：內稟增長率，表示理想條件下種群的最大增長潛力；

·K：環境承載力，即環境所能支持的最大種群規模；

·：種群在時刻 t 的瞬時增長率。

該方程(2)亦可從韋爾霍斯特最初提出的形式推導而來。 其原始形式為，其中 α 表示密度依賴的擁擠效應（種內競爭）。通過變量替換即可得到標準形式。

3.2 解析解與S形曲線

邏輯斯諦方程是一個可分離變量的微分方程，其解析解為：

或等價寫作：，其中是由初始條件決定的常數。

該解描述了一條S形曲線（又稱sigmoid曲線），其增長過程可分為三個階段：

·初始階段（ N ? K ）：增長近似指數增長，曲線呈凹形上升；

·過渡階段（ N ≈ K / 2 ）：增長速度達到最大值，曲線出現拐點；

·飽和階段（ N → K ）：增長逐漸減緩并趨近于零，種群規模穩定在承載力 K 附近。

3.3 方程的性質
3.3.1 邏輯斯諦系數與調節機制

方程(2)中的因子( 1 ? N/ K ) 稱為邏輯斯諦系數，它體現了密度依賴的調節作用。當 N 很小時，該系數接近 1 ，方程近似于指數增長；隨著 N 增大，該系數減小，對增長的抑制作用增強；當 N = K 時，系數為 0 ，增長停止。

3.3.2 不動點與穩定性

邏輯斯諦方程有兩個不動點（平衡點）：

·N = 0：為不穩定平衡點，表示種群滅絕；

·N = K：為穩定平衡點，表示種群達到環境承載力。

對原方程 d N / d t = f ( N ) = λ N ( 1 ? N / K ) 進行線性穩定性分析。 計算導數 f ′ ( N ) = λ ( 1 ? 2 N / K ) 。

• 在 N = 0 處， f ′ ( 0 ) = λ > 0 ，微擾會指數增長，故為不穩定平衡點；

• 在 N = K 處， f ′ ( K ) = ? λ < 0 ，微擾會指數衰減，故為穩定平衡點；

• 當 N < K 時，邏輯斯諦系數為正，種群數量上升；當 N > K 時，系數為負，種群數量下降；當 N = K 時，系數為零，種群數量保持不變

邏輯斯諦曲線的拐點出現在 N = K/ 2 處，此時種群增長速率（d N/ d t ）達到最大值λ K/ 4 （圖2）。這一性質在資源管理中有直接應用，例如在漁業和林業中，將種群數量維持在 K / 2 左右，可以獲得最大可持續產量而不損害資源再生能力。

3.4 離散形式的邏輯斯諦方程

邏輯斯諦方程的離散形式稱為邏輯斯諦映射，其表達式為： x n + 1 = r x n ( 1 ? x n ) ，其中 x n 表示第 n 代的種群規模（通常歸一化到[0,1]區間）， r 為增長參數。該離散模型可視為通過歐拉前差法從連續方程近似得到，是研究混沌動力學的經典模型。當參數 r 變化時，系統會經歷倍周期分岔通向混沌，展示了確定性非線性系統內在的復雜性與不可預測性[13][14][15]。

3.5 推廣

邏輯斯諦方程有多種推廣形式，以適應更復雜的現實情況：

·廣義邏輯斯諦函數（Generalised logistic function）：引入形狀參數ν，方程形式為，以增強擬合靈活性，常用于不對稱增長或流行病建模[16][17]；

·時滯邏輯斯諦函數（Delayed Logistic function）：考慮種群對資源影響的延遲反饋，方程形式為，可能產生振蕩等復雜動態[18]；

·空間邏輯斯諦函數（Spatial Logistic function）：結合反應-擴散方程，研究種群在空間中的分布與傳播模式[19]；

·岡珀茨函數（Gompertz function）：常用于描述生長速度不對稱的生長過程，如腫瘤生長[20]；

·超博拉斯特函數（Hyperbolastic function）：用于更復雜的生長模式建模[21][22]

在統計學中，邏輯斯諦函數的多元推廣是softmax函數，用于處理多類別分類問題。

4. 應用

4.1 生態學與人口學

邏輯斯諦方程最初且最直接的應用領域是生態學與人口學：

·種群動力學：描述有限資源下生物種群的增長規律，如果蠅、細菌等。它也是許多相互作用種群模型（如捕食-被捕食模型）的基礎[23][24]。

·資源管理：指導漁業、林業等可再生資源的可持續利用，避免過度開發。其核心原則是使資源種群數量保持在環境容納量K的一半（ K / 2 ）附近，此時種群增長速率最大，可獲得最大持續產量[25]。

·人口預測：用于模擬和預測人類人口增長，如雷蒙德·珀爾和洛厄爾·里德對美國人口的研究[26]。

在人口學中，該模型通常寫作：， 其中常數 r 為種群（人口）增長率， K 為環境承載力。 方程中，早期的幾乎無阻力的增長率來自 r N 。增長率 r 代表種群（人口）數量 N 在一個單位時間內的增長比例。隨著人口增長，第二項變得幾乎和第一項一樣大，種群 N 內的個體之間開始爭奪某些關鍵資源（例如食物或生存空間）而相互干擾。這種對抗效應稱為“瓶頸”，由參數 K 代表。競爭會降低總增長率，直到 N 停止增長（種群/人口成熟）。方程的解（ N 0 為初始種群/人口數量）為：

其中：。 因此， K 是 N 的極限值，即經過足夠長時間后，種群（人口）規模所能達到的最大值。值得注意的是，只要初始值 N ( 0 ) > 0 ，無論取值多少，種群數量都會漸近逼近環境承載力 K ，即使初始值 N ( 0 ) > K 也是如此。

生態學中有時稱一個物種是 R 策略或 K 策略 (R/K選擇理論) 的，這是指它們在自然選擇過程形成的生物生命周期策略。進行無量綱化，使 n 代表以環境承載力單位的種群數量， τ 代表以 1 / r 的單位計量的時間，得出無量綱微分方程：。

若環境承載力隨時間變化，即 K ( t ) > 0 ，則得到以下數學模型：，其中一種特別重要的情況是承載力呈周期變化： K ( t + T ) = K ( t ) ， 此時，只要初始值 N ( 0 ) > 0 ， N ( t ) 會逼近一個周期為 T 的周期解 N ? ( t ) 。 T 的典型取值為1年，在此情況下， K ( t ) 可表示天氣條件的周期性變化。

另一個有趣的一般化情形是考慮承載能力 K ( t ) 作為關于較早時間的種群數量的函數，以表示種群改變其所處環境的延遲。這就構成了一個邏輯斯諦時滯方程，它具有非常豐富的行為，在某些參數范圍內呈現雙穩定，以及單調衰減至零、平滑指數增長、間斷無限增長（即多個S形）、間斷增長或交替到平穩水平、振蕩接近穩定水平、持續振蕩、有限時間奇異點以及有限時間死亡。

4.2 醫學：流行病傳播模型

在醫學領域，邏輯斯諦方程被廣泛應用于流行病學建模：

·疾病傳播：在經典的SIR模型中，邏輯斯諦方程可以近似描述在疾病爆發初期，易感人群數量龐大時，感染者人數的增長模式。在COVID-19大流行期間，廣義邏輯斯諦曲線被廣泛用于擬合和預測各國感染病例的增長軌跡[27][28]。

·疫情預測：在COVID-19疫情期間，廣義邏輯斯諦函數（理查茲增長曲線）被用于擬合感染軌跡，預測疫情發展趨勢[29]。

·腫瘤生長：用于描述腫瘤在營養限制條件下的生長動力學。可將其視為上述生態學/人口學模型的延伸。以 X ( t ) 表示腫瘤在時間 t 的大小，其變化動力學遵循：

（5）

該式屬于以下類型： X ′ = F ( X ) X , F ′ ( X ) ≤ 0 , ，其中 F ( X ) 為腫瘤增殖率。

若采用化療產生對數殺傷效果，則等式(5)修改為：，其中 c ( t ) 為治療引起的腫瘤死亡率。在理想化的長期治療下， c ( t ) 可模型化為周期為 T 的周期函數或常數函數（如持續輸液），且有， 即，如果平均治療引起的腫瘤死亡率大于基線增殖率，則疾病能被根除。當然，這是一個過于簡化的生長和治療模型（例如沒有考慮克隆抗性現象）[30]。

4.3 化學與物理學

邏輯斯諦方程在化學和物理學中也有重要應用：

·自催化反應：描述自催化化學反應中反應物和產物濃度的變化規律。例如，某些燃料電池催化劑的衰減過程遵循邏輯斯諦規律，提示其為自催化分解機制[31]。

·費米-狄拉克分布：在統計物理中，邏輯斯諦函數決定了費米子在熱平衡系統中各能態的占據概率分布[32]。

·相變模型：用于描述材料科學中的某些相變過程[33]。

4.4 經濟學、語言學、社會學與技術創新擴散

在經濟學和社會科學中，邏輯斯諦方程用于描述各種擴散過程：

·經濟發展：用于分析經濟增長的長期周期和基礎設施建設的擴散過程。

·市場預測：預測新產品市場占有率的增長和飽和趨勢[34]。

·語言學：用于對語言變化進行建模，如新詞匯或語法結構的傳播速度隨時間呈S形變化。

·創新擴散：巴斯擴散模型的核心就是邏輯斯諦方程，用于描述新產品或新技術在人群中采納的過程：從早期采用者到晚期大眾，最后市場飽和。

4.5 機器學習：邏輯斯諦回歸與激活函數

在機器學習領域，邏輯斯諦函數是邏輯斯諦回歸的基礎：

·二分類問題：通過邏輯斯諦函數（Sigmoid函數）將線性組合的輸出映射到（0,1）區間，解釋為概率。

·多分類擴展：通過softmax函數推廣到多類別分類問題。

·深度學習：作為神經網絡的激活函數，引入非線性特性。標準邏輯斯諦函數 σ ( x ) = 1 / ( 1 + e ? x ) 是雙曲正切函數 tanh ? ( x ) 的縮放平移，即。

邏輯斯諦回歸源于1944年約瑟夫·伯克森基于邏輯斯諦函數提出的logit函數，后來由大衛·考克斯在1958年正式命名為邏輯斯諦回歸。如今，它已成為分類問題中最廣泛使用的算法之一[35][36]。

參考文獻

1. Verhulst, P. F. (1838). Notice sur la loi que la population suit dans son accroissement. Correspondance mathématique et Physique, publiée par A. Quetelet, 10, 113-120.

2. Verhulst, P. F. (1845). Recherches mathématiques sur la loi d'accroissement de la population. Nouveaux Mémoires de l'Académie Royale des Sciences, des Lettres et des Beaux-Arts de Belgique, 18, 1-38.

3. Verhulst, P. F. (1847). Deuxième Mémoire sur la loi d'accroissement de la population. Nouveaux Mémoires de l'Académie Royale des Sciences, des Lettres et des Beaux-Arts de Belgique, 20, 1-32.

4. Pearl, R., & Reed, L. J. (1920). On the rate of growth of the population of the United States since 1790 and its mathematical representation. Proceedings of the National Academy of Sciences, 6(6), 275–288.

5. McKendrick, A. G., & Pai, M. K. (1912). XLV.—The Rate of Multiplication of Micro-organisms: A Mathematical Study. Proceedings of the Royal Society of Edinburgh, 31, 649-653.

6. Lotka, A. J. (1925). Elements of physical biology. Williams & Wilkins.

7. May, R. M. (1976). Simple mathematical models with very complicated dynamics. Nature, 261(5560), 459–467.

8. Strogatz, S. H. (2018). Nonlinear dynamics and chaos: with applications to physics, biology, chemistry, and engineering (2nd ed.). CRC Press.

9. Pianka, E. R. (1970). On r- and K-selection. The American Naturalist, 104(940), 592–597.

10. Begon, M., Townsend, C. R., & Harper, J. L. (2006). Ecology: from individuals to ecosystems (4th ed.). Blackwell Publishing.

11. Malthus, T. R. (1798). An essay on the principle of population. J. Johnson.

12. Kucharavy, D., & Roland, D. G. (2015). Application of logistic growth curve. Procedia Engineering, 131, 280-290.

13. Strogatz, S. H. (2018). Nonlinear dynamics and chaos: with applications to physics, biology, chemistry, and engineering (2nd ed.). CRC Press.

14. May, R. M. (1976). Simple mathematical models with very complicated dynamics. Nature, 261(5560), 459–467.

15. Feigenbaum, M. J. (1978). Quantitative universality for a class of nonlinear transformations. Journal of Statistical Physics, 19(1), 25–52.

16. Richards, F. J. (1959). A Flexible Growth Function for Empirical Use. Journal of Experimental Botany, 10(2), 290–301.

17. Tj?rve, E., & Tj?rve, K. M. C. (2010). A unified approach to the Richards-model family for use in growth analyses: why we need only two model forms. Journal of Theoretical Biology, 267(3), 417–425.

18. Hutchinson, G. E. (1948). Circular causal systems in ecology. Annals of the New York Academy of Sciences, 50(4), 221–246.

19. Fisher, R. A. (1937). The wave of advance of advantageous genes. Annals of Eugenics, 7(4), 355–369.

20. Gompertz, B. (1825). On the nature of the function expressive of the law of human mortality. Philosophical Transactions of the Royal Society of London, 115, 513–585.

21. West, G. B., Brown, J. H., & Enquist, B. J. (2001). A general model for ontogenetic growth. Nature, 413(6856), 628–631.

22. Tabatabai, M., Williams, D. K., & Bursac, Z. (2005). Hyperbolastic growth models: theory and application. Theoretical Biology and Medical Modelling, 30, 2–14.

23. Lotka, A. J. (1925). Elements of physical biology. Williams & Wilkins.

24. Volterra, V. (1926). Variazioni e fluttuazioni del numero d’individui in specie animali conviventi. Memorie della R. Accademia Nazionale dei Lincei, Serie VI, 2, 31–113.

25. Clark, C. W. (1990). Mathematical bioeconomics: the optimal management of renewable resources (2nd ed.). Wiley.

26. Cohen, J. E. (1995). How many people can the earth support? W. W. Norton & Company.

27. Lee, S. Y., Lei, B., & Mallick, B. (2020). Estimation of COVID-19 spread curves integrating global data and borrowing information. PLOS ONE, 15(7), e0236860.

28. Chowell, G., Hengartner, N. W., Castillo-Chavez, C., Fenimore, P. W., & Hyman, J. M. (2004). The basic reproductive number of Ebola and the effects of public health measures: the cases of Congo and Uganda. Journal of Theoretical Biology, 229(1), 119–126.

29. Roosa, K., Lee, Y., Luo, R., Kirpich, A., Rothenberg, R., Hyman, J. M., & Chowell, G. (2020). Real-time forecasts of the COVID-19 epidemic in China from February 5th to February 24th, 2020. Infectious Disease Modelling, 5, 256–263.

30. Simeoni, M., Magni, P., Cammia, C., De Nicolao, G., Croci, V., Pesenti, E., … & Rocchetti, M. (2004). Predictive pharmacokinetic-pharmacodynamic modeling of tumor growth kinetics in xenograft models after administration of anticancer agents. Cancer Research, 64(3), 1094–1101.

31. Epstein, I. R., & Pojman, J. A. (1998). An introduction to nonlinear chemical dynamics: oscillations, waves, patterns, and chaos. Oxford University Press.

32. Reif, F. (1965). Fundamentals of statistical and thermal physics. McGraw-Hill.

33. Stanley, H. E. (1971). Introduction to phase transitions and critical phenomena. Oxford University Press.

34. Bass, F. M. (1969). A new product growth for model consumer durables. Management Science, 15(5), 215–227.

35. Berkson, J. (1944). Application of the logistic function to bio-assay. Journal of the American Statistical Association, 39(227), 357–365.

36. Cox, D. R. (1958). Two further applications of a model for binary regression. Biometrika, 45(3/4), 562–565.

參考文獻可上下滑動查看

本詞條由集智俱樂部眾包生產，難免存在紕漏和問題，歡迎大家留言反饋，一經采納，可以獲得對應的積分獎勵噢！

親愛的社區伙伴與知識探索者：

我們誠摯邀請熱愛知識分享的您，加入集智百科詞條編寫志愿團隊！無論您是領域專家，還是對特定主題充滿熱忱的學習者，這里都有您的舞臺。通過編寫百科詞條，您將為全球讀者傳遞權威知識，同時獲得專家指導與個人能力躍升的雙重成長。

志愿者職責

• 創作新詞條：覆蓋復雜系統、人工智能等前沿領域

• 迭代經典內容：更新現有詞條，守護知識的準確性與時效性

• 質量守護者：參與內容校對審核，共建精品知識庫

我們期待您

• 集智讀書會成員（需完成一期字幕任務）

• 擁有清晰表達復雜概念的寫作能力

• 對特定領域有深度研究或強烈興趣

• 具備信息檢索與整合素養

• 懷揣責任感與協作精神，愿為知識共享賦能

您將收獲

• 百科積分（支持兌換集智俱樂部周邊：文化衫、復雜科學知識卡以及提現）

• 集智俱樂部創始人張江教授親自指導寫作

• 科研志愿者晉升通道：表現優異者可加入張江教授科研團隊從事科研志愿者

你的百科貢獻之路，從一字一句開始！

第一步，從成為一名字幕志愿者開始！

只需完成一期讀書會講座字幕任務，這不僅是貢獻，更是一次深度的學習。字幕任務過關后，您將升級為“百科志愿者”，開啟編輯詞條、整理術語的進階旅程。

從字幕到百科，這是一條清晰的成長路徑。立即行動，從第一個任務開始你的升級吧！

群體智能讀書會

如果你對這些反直覺但極有用的現象感興趣——從蟻群搭橋、魚群同步、到無人機集群表演、集群機器人協作、群智優化與多智能體系統、網絡輿論建模研究等——歡迎加入「群體智能」讀書會：我們用動物—人類—機器三條線，希望把群體智能的涌現這件事講清楚、講透徹；用物理學、數理邏輯、多主體建模、計算傳播等多學科視角，去追問同一個核心：集群何以比個體更聰明？群體智能又在何時涌現？

集智俱樂部聯合北京師范大學系統科學學院韓戰鋼教授、暨南大學計算傳播研究中心趙甜芳副教授、新疆大學物理科學與技術學院玉素甫·艾比布拉副教授等來自11所高校的學者，共同發起本次，嘗試用一條普適的線索，把自然界的鳥群蟻群、人類社會的集群行為、以及人工智能時代的多智能體與群智優化，放在同一張地圖上重新理解。讀書會自2026年1月17日開始，安排在每周六下午 14:00–16:00，歡迎所有對群體智能如何涌現、如何被理解、以及如何被設計，感興趣的朋友一起加入：帶著問題來，帶著更有趣的問題去。

詳情請見：

1.

2.

3.

4.

5.

6.

7.