❶ 核心问题

微观的变异——随机波动、个体差异、多样的组件——如何产生宏观的秩序？反过来说，变异在什么时候会摧毁秩序而非创造秩序？

想象一个管弦乐团。每位音乐家都不同：不同的乐器、不同的音色、在舞台上的不同位置、对乐谱略有不同的诠释。这种变异不是需要消除的缺陷——恰恰是它赋予乐团丰富性。一百台完全相同的合成器演奏同一个音符只会产生音量，而非音乐。但光有变异也不够。一百位音乐家各自演奏自己想演奏的东西，产出的是杂音，不是交响乐。真正有趣的态域——奇妙事物发生之处——是多样的组件既变异又协调的时候：每位音乐家贡献了不同的东西，但所有人一起演奏。

ECI 将此称为**协调多样性（Coordinated Diversity）**态域：系统同时拥有高变异（V）和高协调（kappa）的状态。本页发展这个概念，检视已确立的科学对变异与协调之间关系的阐述，并提出——作为 ECI 假说，而非已确立的定律——最有能力的系统运作在这个态域中。

❷ 具体案例

三种态域

从三个对比鲜明的系统开始，问：它们有多少变异，协调程度如何？

白杂讯（White noise）——一个信号，其中每个样本都从某个概率分布中独立抽取，连续值之间没有相关性。白杂讯有高变异——它自由地探索其状态空间，没有重复的模式——但基本上零协调。每个样本在统计上独立于所有其他样本。如果你在听白杂讯，知道当前的样本不会告诉你下一个是什么。高 V，低 kappa。

完美晶体（Perfect crystal）——比如说，低温下的单晶硅。每个原子都精确地坐在晶格位置上。结构是精妙有序、完全可预测且几乎完全均匀的。晶体有非常低的变异——一旦你知道晶格参数，你就知道每个原子在哪里——以及非常高的结构规律性。但这种「协调」是琐碎的：原子并没有在任何动态意义上一起做任何事情。它们只是被冻结在原位。低 V，高结构规律性但是静态的。晶体有秩序，但没有多样性。

运作中的大脑——比如说，一个从事复杂任务的人类的新皮质。数十亿个神经元，每个都有自己的放电特性、自己的突触连接、自己在网络中的位置。变异是巨大的：没有两个神经元行为完全相同，个别观察时放电模式是不规则的，系统运作远离任何简单的周期或晶体状态。但这种变异不是随机的——它被深刻地协调着。神经元形成暂时的联盟，跨越遥远的脑区同步化，在多个频率上创造振荡模式，并维持足够持久的连贯表征以引导行为。如果你用脑电图（EEG）测量大脑的信号，你看到的既非白杂讯也非单音——你看到的是结构化的、动态的、协调的复杂性。高 V 而且高 kappa。

大脑做到了白杂讯和晶体都做不到的事情：它结合了多样性和协调性。每个神经元贡献了不同的东西，但整个系统连贯地行动。这就是协调多样性（Coordinated Diversity）态域。

为什么这很重要

这三种态域的对比不仅仅是一个分类练习。它指向一个深层问题：什么机制让一个系统既多样又连贯？ 白杂讯表明，没有协调的变异不会产出任何有用的东西。晶体表明，没有变异的秩序不会产出任何灵活的东西。大脑——以及推而广之，从生态系到经济体的许多其他复杂系统——表明，当变异和协调在高水平上共存时，某种质性不同的东西会涌现。

ECI 提出，这种「质性不同的东西」不是偶然的。它反映了变异（V）与协调（kappa）之间的一种基本关系，这种关系决定了任何系统能实现什么。

❸ 已确立的科学

来自不同领域的几项充分确立的成果阐明了变异、复杂性和协调之间的关系。

May（1972）：复杂性不会自动产生稳定性。 Robert May 的里程碑论文"Will a Large Complex System Be Stable?"检视了随机组装的生态群落的稳定性。利用随机矩阵理论，他分析了物种以随机互动强度相互作用的模型生态系统。他的核心结果：在一个随机组装的 S 个物种群落中，每对物种以概率 C（连接度）互动，互动强度从标准差为 sigma 的分布中抽取，当 sigma * sqrt(S * C) 超过一个临界阈值（大约为 1）时，系统从稳定转变为不稳定。

其含义深远且经常被误解。May 的结果是一个警告：「更多复杂性」不会单调地意味着更大的稳定性；互动架构很重要。一个在随机互动模型中简单地增加更多物种、更多连接和更强互动的系统，将变得更不稳定，而非更稳定。真实的生态系统比随机矩阵预测更稳定，因为它们不是随机组装的——它们已被演化所塑造，演化修剪了不稳定的构型并偏好促进持续性的互动架构。真实生态网络的稳定性不是来自复杂性本身，而是来自复杂性的结构：哪些物种与哪些互动、互动多强、以什么构型。

对 ECI 而言，May 的结果支持本页的一个核心主张：光有变异是不够的。一个仅仅增加 V（更多样的组件、更多连接、更强互动）而不注意这些组件如何被协调的系统，不一定会变得更有能力或更稳定。协调——互动的架构——才是将变异从负债转化为资产的东西。

随机共振（Stochastic resonance）：在特定条件下，杂讯可以帮忙。 从 Benzi、Sutera 和 Vulpiani（1981）开始，并在众多实验系统中得到验证（电子电路、感觉神经元、人类知觉），研究者已经证明，在某些非线性系统中，适当的杂讯可以改善弱信号侦测——一种称为随机共振（stochastic resonance）的现象。

其机制需要特定条件：(1) 一个具有阈值或双稳态的非线性系统，(2) 一个太弱而无法单独将系统推过阈值的信号（次阈值），(3) 适当强度的杂讯。在这些条件下，杂讯间歇性地将系统推过阈值，与弱信号同步，产出比无杂讯时更好地追踪信号的输出。杂讯强度与信号侦测之间的关系是非单调的：杂讯太少无法提升信号，太多则淹没信号，存在一个最佳的中间水平。Gammaitoni 等人（1998）、Moss 等人（2004）以及 McDonnell 和 Ward（2011）的综述涵盖了理论和实验证据。

随机共振不是「杂讯改善信号」的一般定律。它有特定的动力学前提条件，许多系统不满足这些条件。它在这里的重要性在于，它是变异（在这种情况下是杂讯）与系统效能（信号侦测）之间非单调关系的一个具体、被充分研究的范例。它证明了可以存在一个最佳的变异水平——而且这个最佳水平取决于系统的架构。

复杂系统文献：混沌边缘（Edge of chaos）。 Kauffman（1993）研究了随机布尔网络，发现处于「临界」态域——介于冻结（有序）和混沌之间——的网络展现了最复杂、计算上最有趣的动态。Langton（1990）提出了相关的「混沌边缘（edge of chaos）」概念。Bak、Tang 和 Wiesenfeld（1987）证明了许多系统自组织到临界状态（自组织临界性，self-organized criticality）。这些来自不同数学框架的成果汇聚在一个相似的洞见上：最有趣的动态——最大的计算能力、最多的适应灵活性——往往出现在中间态域，而非秩序或失序的极端。

Kuramoto 模型：同步化作为相变。 Kuramoto（1975, 1984）证明了一群具有不同固有频率（变异）的振荡器，当耦合强度超过一个临界阈值时，将自发地同步化（协调）。阈值以下，每个振荡器独立运行；阈值以上，一个宏观比例的振荡器锁定到一个共同频率。这是一个干净的数学展示：协调从变异中透过耦合涌现——而且这个转变是急遽的，不是渐进的。

这些结果共同展示的是：变异和协调不是系统碰巧以不同量拥有的独立性质。它们以复杂的、往往非单调的方式互动。更多的变异不会自动改善系统（May）。在特定的架构条件下，适当的变异可以增强效能（随机共振）。最有能力的态域往往位于秩序与失序之间（混沌边缘、临界性）。协调可以透过耦合机制从变异中涌现（Kuramoto）。这些都是已确立的结果。它们未提供的是一个跨领域统一 V 和 kappa 的框架——那正是 ECI 要填补的空白。

❹ ECI 框架诠释

V 作为一族变异量度

ECI 使用 V 来指称系统中的变异——但需要一个关键澄清。

ECI 目前将 V 用作一族变异量度（a family of variation measures），而非单一的普遍纯量。 一个系统的「变异」可以用许多不同的方式量化，而这些不同的量度不是可互换的：

• 统计方差（Statistical variance）：分布围绕其均值的散布程度。适用于连续数值变量。
• Shannon 熵（Shannon entropy）：信息或状态分布中每个符号的平均信息含量。测量不确定性或状态的多样性。
• 状态空间占据率（State-space occupancy）：系统在给定时间窗口内实际造访的可能状态之比例。捕捉系统使用其潜在曲目的程度。
• 时间波动（Temporal fluctuation）：系统状态随时间变化的速度和不规则程度。
• 空间异质性（Spatial heterogeneity）：系统的组件在给定时刻彼此的差异程度。
• 行为多样性（Behavioral diversity）：系统能产生的不同行为模式的数量和种类。

这些量度可以显著地解离。一个系统可以有低统计方差但高 Shannon 熵（一个离散系统造访许多状态，每个状态的概率相似，但在一个狭窄的数值范围内）。一个系统可以有高时间波动但低状态空间占据率（在两个状态之间快速振荡）。一个系统可以有高空间异质性但低行为多样性（许多不同的组件，每个都在做同样的事情）。

对于任何被研究的特定系统，研究者必须选择哪些 V 的维度是相关的，并明确陈述该选择。在未指定使用哪个量度的情况下声称「这个系统有高 V」是没有意义的。

ECI 框架将 V 视为一族量度，而非将这些量度压缩为单一数字。是否可能有一个有原则的统一——某个主量度可以推导出其他量度——是一个开放问题。目前，V 是在特定脉络中适当的变异量度的占位符，任何 ECI 分析都必须指定使用的是哪个 V。

kappa：协调参数

V 测量系统的组件有多不同，而 kappa 测量它们有多协调——一个组件的行为在多大程度上约束或预测其他组件的行为。

如同 V，kappa 可以根据系统以多种方式操作化：

• 振荡器群体中的相位相干性（Phase coherence）（锁定到共同相位的振荡器比例）
• 组件之间的互信息（Mutual information）（知道一个组件能告诉你多少关于另一个的信息）
• 全域序参量（Global order parameters）（自旋系统中的磁化强度、群集模型中的对齐度）
• 功能连接性（Functional connectivity）（组件之间的相关结构）
• 集体行为连贯性（Collective behavioral coherence）（群体作为一个单位行动的程度）

低 kappa 意味着组件独立行动——知道一个组件几乎告诉你不了其他组件的什么。高 kappa 意味着强烈的相互依赖——组件紧密耦合，它们的行为相互约束。

V-kappa 平面

V 和 kappa 这两个量度定义了一个概念平面，不同的系统可以在其上定位：

| | Low kappa (uncoordinated) | High kappa (coordinated) | |---|---|---| | High V (diverse) | 白杂讯、理想气体、随机网络 | 协调多样性：大脑、生态系、爵士乐团 | | Low V (uniform) | 死寂系统、空的空间 | 晶体、刚性晶格、齐步行进的军乐队 |

四个角落：

• 低 V、低 kappa：什么有趣的事都不会发生。没有多样性、没有协调。一个惰性的、无特征的系统。
• 低 V、高 kappa：刚性秩序。完美的规律性，但没有灵活性、没有适应力、没有计算能力。一个晶体。一支齐奏单一音符的军乐队。
• 高 V、低 kappa：随机变异。大量的多样性，但完全没有组织。白杂讯。一个每位音乐家同时演奏不同曲目的管弦乐团。
• 高 V、高 kappa：协调多样性（Coordinated Diversity）。组件多样而且协同运作。每个组件贡献了不同的东西，而这些差异被组织成一个连贯的整体。一个运作中的大脑。一个健康的生态系。一个爵士乐团。一个适应性免疫系统。

ECI 提出，右上象限——高 V、高 kappa——是最有能力、最具适应力、计算上最丰富的系统运作之处。这不是主张所有系统都应该最大化 V 和 kappa（系统可能有充分的理由运作在其他象限），而是我们发现最有趣的系统——大脑、生态系、经济体、适应性组织——倾向于生存在这个态域中。

最佳 V* 假说

ECI 提出，对于给定的系统，在给定的协调架构下，存在一个最佳变异水平 V*——一个平衡两个相互竞争需求的水平：

• V 太低：系统缺乏覆盖率（coverage）。它的组件太相似，探索的状态空间太少。它无法适应新奇的条件，因为它没有多样的曲目可以利用。一个基因完全相同的生物群体对单一病原体极度脆弱。一个由完全相同的投资组成的投资组合对单一市场变动具有最大曝险。

• V 太高：系统失去连贯性和保持力。它的组件差异如此之大，以至于协调变得不可能——耦合机制无法将它们结合成一个运作的整体。模式无法持续，因为它们不断被不相关的波动所扰乱。一个每位音乐家用随机调性以随机速度演奏的管弦乐团，无论个别音乐家的技巧多高，都无法产出音乐。

因此，V 与系统效能之间的关系是非单调的：增加 V 会改善效能到某个程度，然后使其退化。最佳 V* 取决于系统的协调架构（kappa）、耦合机制（Gamma）、容量（K）以及环境的需求。

这是一个 ECI 假说，不是已确立的定律。 它受到随机共振（非单调的杂讯-效能关系）、May 的稳定性结果（更多复杂性可能降低稳定性）以及混沌边缘文献（中间态域往往是最佳的）的启发。但这些已确立的结果都没有直接证明跨所有系统类型的普遍 V* 的存在。该假说需要在特定系统中进行测试，才能被提升为一般性主张。

协调多样性：有趣的态域

将 V 和 kappa 结合起来，ECI 提出最大兴趣的态域是协调变异（Coordinated Variation）（或协调多样性，Coordinated Diversity）：高 V 结合高 kappa。

在这个态域中：

• 系统有一个丰富的多样组件曲目（高 V），赋予它覆盖率（coverage）——匹配广泛环境需求的能力。
• 系统的组件是协调的（高 kappa），赋予它连贯性（coherence）——作为统一整体行动、维持持续性模式和产出有组织输出的能力。
• 协调不压制变异——它组织变异。每个组件保留其独特性，同时对集体模式做出贡献。

管弦乐团的类比很好地捕捉了这一点。小提琴的声音不同于大提琴，大提琴不同于双簧管，双簧管不同于定音鼓。这种变异就是重点——它赋予管弦乐团其和声丰富性、其表现范围、其产生任何单一乐器无法发出的声音的能力。但这种变异由共享的乐谱、共享的节拍、共享的调性中心以及指挥和音乐家之间的即时相互聆听所协调。结果不是变异和协调之间的妥协，而是两者的增强：变异使更丰富的协调成为可能，协调使具有生产力的变异成为可能。

❺ 如果这是真的......

如果 V-kappa 框架正确地捕捉了变异与协调之间的基本关系，那么几个设计含义随之而来。

系统设计成为一种平衡行为。 工程师、政策制定者和组织设计者将需要明确地关注 V 和 kappa 两者，而非仅关注其中一个。一个追求创新的团队不应仅仅雇用多样的人才（增加 V）——它还必须建立沟通结构、共享目标和协作规范（增加 kappa），使多样性能够被协调。反过来，一个追求可靠性的团队不应仅仅强制统一（降低 V）——它可能会失去多样性所提供的适应能力。

诊断能力。 如果一个系统表现不佳，V-kappa 框架建议检查两种不同的失败模式。V 是否太低？（系统缺乏覆盖其环境的多样性。）kappa 是否太低？（系统有多样性但无法协调它。）还是 V 太高？（系统有太多未经协调的变异，以至于连贯性丧失。）每种诊断导向不同的干预措施。

演化诠释。 天择（Natural selection）可以部分地被理解为将族群推向协调多样性（Coordinated Diversity）态域的机制。突变和重组产生变异（增加 V）。选择和遗传漂变消除某些变体（塑造 V）。社会行为、信号、共生和生态互动在生物体之间创造协调（建立 kappa）。在演化时间尺度上持续存在的生态系，是那些维持足够的 V 用于适应、足够的 kappa 用于功能连贯的生态系。

脆弱性预测。 处于协调多样性（Coordinated Diversity）态域的系统可能以特定的、可预测的方式脆弱：在 V 维持高水平的同时降低 kappa 的扰动（摧毁协调但不减少多样性）应该会导致特别快速的退化——系统从有组织的复杂性崩溃为单纯的杂讯。一个失去其关键物种（keystone species，协调枢纽）但保留其物种多样性的生态系可能会展现这种模式：物种仍然在那里，但功能组织消失了。

这些都是推论。它们的价值完全取决于 V-kappa 框架是否产生能经得起实证检验的预测。

❻ 如何测试？

变异与协调框架提出了几个可测试的主张，每个都需要不同的实验方法。

测试 1：独立操控 V 和 kappa 的基于代理的模型。 建构基于代理的模拟，其中 V 和 kappa 可以作为独立变量来控制。例如：一群代理，每个代理的策略从一个策略池中抽取（V 控制策略池的多样性），在一个网络上互动（kappa 控制耦合结构）。在一个 (V, kappa) 值的矩阵上测量集体效能——资源采集、问题解决、存活率。框架预测：(a) 最佳效能出现在高 V 和高 kappa 同时存在时，(b) 对于任何固定的 kappa，V 与效能之间的关系是非单调的（倒 U 形），(c) 最佳 V* 随 kappa 而移动。如果效能只取决于 V，或只取决于 kappa，或随两者单调增加，则框架失败。

测试 2：跨真实系统的经验性 V-kappa 映射。 从多样的领域中选取特征明确的系统——神经网络（功能连接数据）、生态系统（物种互动网络）、经济网络（贸易数据）、社会群体（通讯网络）。对每个系统，独立测量 V（使用该领域适当的变异指标）和 kappa（使用适当的协调指标）。将系统映射到 V-kappa 平面上。框架预测最具功能性、适应性和持续性的系统聚集在高 V、高 kappa 象限。如果最成功的系统均匀分布在整个平面上，则框架没有增加预测价值。

测试 3：受控系统中的非单调 V。* 在一个可以实验操控 V 的系统中——例如微生物群落中菌株的多样性、电子网络中组件的异质性或模拟中代理的多样性——在保持 kappa 恒定的同时将 V 从低增加到高。在每个水平上测量系统效能。框架预测一个非单调的关系：效能随 V 改善到某个 V*，然后下降。如果在所有测试的系统中，这个关系是单调递增或单调递减的，则 V* 假说在那些系统中被证伪。

测试 4：协调崩溃。 在一个运作于高 V、高 kappa 态域的系统中，选择性地破坏协调机制，同时保留多样性。框架预测，在高 V 时降低 kappa 比在低 V 时降低 kappa 造成更严重的退化——因为未经协调的多样性变成了积极的破坏力，而非仅仅是惰性的。在神经系统中，这可以透过药理学方法测试（破坏同步化同时保留个别神经元的放电特性）。在生态系统中，这可以透过移除关键物种（协调枢纽）同时维持物种多样性来测试。

什么会削弱这个主张：如果 V 和 kappa 预测系统效能的能力不优于更简单的单变量模型（例如，仅网络密度、仅物种丰富度、仅耦合强度）。

什么会杀死这个主张：如果跨多个领域最有能力、最具适应性的系统持续被发现处于低 V 或低 kappa——即如果协调多样性（Coordinated Diversity）态域在经验上与 ECI 归因给它的特性无关。

❼ 连结到其他节点

→ ECI 单元：信息、载体和能量的最小动态单元。变异和协调是 ECI 单元群体的性质——存在的信息向量（Information Vector）、载体（Carrier）和能量（Energy）流的多样性（V），以及它们之间的协调程度（kappa）。单一 ECI 单元在孤立状态下没有 V；V 本质上是一个集体性质。

→ 耦合与共振（B5）：耦合（Gamma）是协调（kappa）产生的机制。没有组件之间的耦合，变异就保持局域性和非协调性——系统停留在高 V、低 kappa 象限。B5 发展了形式化机制；C1 描述了当该机制在规模上产生协调时会发生什么。

→ 持续性过滤（C2）：持续性过滤（Persistence Filtering）是协调的时间维度——协调程度足以在时间中自我维持的模式被「筛选进来」并持续存在，而未经协调的模式则消散。A_access 方程中的稳定性项（stability term）直接连结到 C2 对什么会持续存在以及为什么的论述。

→ 涌现与尺度（C4）：涌现（Emergence）是当协调多样性产生无法从个别组件单独预测的宏观模式时所发生的事情。C4 询问尺度转换如何运作；C1 提供其互动驱动这些转换的原材料（V 和 kappa）。

→ 演化过滤（C5）：演化是一种随时间塑造 V 和 kappa 的机制——突变和重组产生变异，选择修剪变异，而生态和社会互动建立协调。V-kappa 框架为理解演化正在最佳化什么提供了一个透镜。

❽ 数学细节

V：变异量度（族定义）

V 表示量化系统内变异、多样性或异质性的一族量度。量度的选择取决于系统和问题：

| Measure | Notation | Definition | Appropriate for | |---|---|---|---| | 统计方差（Statistical variance） | V_var | E[(X - mu)^2]，其中随机变量 X 具有均值 mu | 连续数值变量 | | Shannon 熵（Shannon entropy） | V_H | -sum_i p_i log p_i，对状态概率 p_i 求和 | 离散状态分布 | | 状态空间占据率（State-space occupancy） | V_occ | |已造访状态| / |可能状态|，在时间窗口 T 上 | 具有离散、可列举状态的系统 | | 时间波动（Temporal fluctuation） | V_temp | 状态随时间变化的速率和不规则度 | 时间序列数据 | | 空间异质性（Spatial heterogeneity） | V_spat | 在给定时刻各空间位置上的方差或熵 | 空间分布系统 | | 行为多样性（Behavioral diversity） | V_beh | 不同行为模式的数量和种类 | 动物行为学和组织系统 |

• 状态：定义（测量惯例）。清单并非穷尽。
• 关键假设：这些量度一般而言是不可互换的。关于某一个 V 量度的主张不会自动转移到另一个。任何使用 V 的 ECI 分析必须指定使用了哪些量度。

kappa：协调参数

kappa 测量系统组件之间的协调程度——一个组件的状态约束或预测其他组件状态的程度。

可能的操作化包括：

• 相位相干性（Kuramoto 序参量）：kappa = |1/N sum_j exp(i * theta_j)|

• 平均成对互信息：kappa = (2 / N(N-1)) sum_{i<j} MI(X_i; X_j)

• 全域序参量（领域特定）

• 功能连接性（阈值化相关矩阵密度）

• 状态：提议的定义（框架变量）。

• 假设：跨多样系统的协调可以被有意义地量化；一个纯量 kappa 捕捉了给定系统类型的本质特征。

玩具模型：覆盖率公式

考虑一个由 N 个多样组件组成的系统，每个组件独立地以概率 q 匹配某个给定的环境需求。至少一个组件提供匹配的概率是：

P(match >= 1) = 1 - (1 - q)^N

这是一个玩具模型，假设：

1. 独立性——每个组件的匹配概率独立于其他组件。在真实系统中，组件通常是相关的（邻近的神经元共同放电，邻近的物种共享生态位，连接的代理相互影响）。
2. 常数 q——所有组件的匹配概率相同。在异质系统中，q 因组件而异。
3. 二元匹配——一个组件要么匹配，要么不匹配。真实的相容性是连续的（来自 B5 的 Q 函数）。

在这些（不切实际的）假设下，模型说明了增加 N（更多多样的组件，即更高的 V）会增加覆盖率——系统能匹配环境需求的概率。对于 q = 0.01：在 N = 50 时，P 大约为 0.395；在 N = 100 时，P 大约为 0.634；在 N = 500 时，P 大约为 0.993。

• 状态：玩具模型。不作为对真实系统的描述提出。仅用于说明在理想化条件下变异的覆盖率效益。
• 限制：模型捕捉了 V 的效益（覆盖率）但未捕捉其成本（高 V 时连贯性的丧失）。一个完整的模型必须包含依赖 kappa 的项。

提议的方程：可及协调

ECI 提出，系统的可及协调（accessible coordination）——能维持协调活动的程度——共同取决于覆盖率（来自变异）和协调就绪度：

A_access approx [1 - (1 - q)^N] x R(kappa, K, stability)

其中：

• [1 - (1 - q)^N] 是上述玩具模型的覆盖率项（包含其所有限制）

• R(kappa, K, stability) 是一个**协调就绪度（coordination readiness）**函数，取决于：

  • kappa：协调参数
  • K：载体容量（见 B2）
  • stability：协调状态的时间持续性（见 C2）

• 状态：提议的方程。R 的函数形式未指定。将可及协调乘法分解为覆盖率和就绪度是一个工作假设，而非推导结果。

• 假设：可及协调可以被分离为「拥有多样组件可用」的因子和「能够协调它们」的因子；这些因子近似地是乘法的（即大致独立）。两个假设都需要实证验证。

• 可证伪后果：如果 A_access 预测观察到的协调结果不优于更简单的单变量量度，则该方程应被修订或放弃。

符号表

| Symbol | Name | Type | Defined in | |---|---|---|---| | V | 变异（族） | 一族量度 | 本页 | | V_var, V_H, V_occ, V_temp, V_spat, V_beh | 特定变异量度 | 定义 | 本页 | | kappa | 协调参数 | 提议的定义 | 本页 | | V* | 最佳变异水平 | ECI 假说 | 本页 | | P(match >= 1) | 覆盖率概率 | 玩具模型 | 本页 | | A_access | 可及协调 | 提议的方程 | 本页；B5 | | Q | 相容性函数 | 提议的定义 | B5 | | Gamma | 耦合函数 | 提议的定义 | B5 | | K | 载体容量 | 提议的定义 | B2 | | N | 组件数量 | 标准变量 | -- | | q | 每组件匹配概率 | 玩具模型参数 | 本页 |

引用的关键文献

| Reference | Result | Relevance to C1 | |---|---|---| | May (1972) | 随机互动模型：更大、更高连接度、更强互动的系统变得更不稳定 | 光有 V（更多复杂性）不保证稳定性；架构很重要 | | Benzi, Sutera & Vulpiani (1981) | 随机共振：在特定非线性系统中杂讯可以增强信号侦测 | 非单调的 V-效能关系；V* 概念 | | Gammaitoni et al. (1998); Moss et al. (2004); McDonnell & Ward (2011) | 随机共振理论和实验的综述 | 需要特定条件：非线性、次阈值信号、适当的杂讯范围 | | Kuramoto (1975, 1984) | 耦合振荡器的同步化相变 | 协调（kappa）透过耦合从变异中涌现 | | Kauffman (1993); Langton (1990) | 布尔网络中的混沌边缘/临界态域 | 中间变异态域往往是最佳的 | | Bak, Tang & Wiesenfeld (1987) | 自组织临界性 | 系统可能自我调谐到临界 V-kappa 态域 |