第38 章 人性家族相似性的动态网络模型
三层网络优于单一标签清单
以主体集V、特征集P、情境集C 建立时变多层网络。主体与特征之间的连接不仅记录“有无”，也记录显露强度、证据来源和发生时期；特征与情境之间的连接表明其适用条件；主体间的互动边则记录交流、学习、强制或合作的类型。这样的结构比一张人物相似度表复杂，却能够区分“同一名词出现在两个问卷答案中”和“两个主体共同形成了一个新的行动能力”。若网络复杂到研究无法采集数据，则应采用降维后的最小可识别版本，而不是以复杂本身作为学术成就。
家族相似网络的动态假说至少有三类：第一，频繁而具有任务互补性的合作可能增加某些共享能力；第二，桥接不同群体的主体可能促进新概念传播，同时改变其细节；第三，缺乏共同互动条件时某些共性可能衰减。三类假说都必须承认反例：频繁互动可能加剧冲突，桥接也可能造成误读，缺乏互动仍可通过制度延续而维持共同规范。模型只能在明确阈值和观察窗口下作条件预测。
不要把网络位置误当作创造力
某人在网络中联系很多人，不意味着他创造了最多新共性；一个原来边缘的小组也可能产生后来大规模采用的新做法。应采用互动前后特征新颖性、其他解释的排除、独立迁移与延迟保持等多项指标评估共性发生。结构变化提供线索，不能代替对内容和能力真实改变的核验。
相似性网络的数学对象
可构造主体—特征二部网络：一类节点是不同主体，另一类是具体定义的人性显露指标，连接表示在指定时间窗口和阈值下观察到的特征显露。它能够帮助研究者区分“每个人共享一个中心特征”与“通过多个局部重叠连接形成整体网络”。但二部图只记录已有数据，不能证明某条连接如何形成。为此还需要加入互动事件层，记录哪些连接在共同劳动、教学、冲突或工具介入后改变。
从静态网络推出因果关系特别危险。两个人出现相同新特征，可能是相互学习，也可能是第三方平台同时改变了他们的行为，或者是先前未观察到的共同环境。若我们要声称主体间性碰撞产生了新共性，就需要比较没有发生互动但接受同样外部信息的对照组，以及不同互动强度对后续迁移的影响。不能只凭网络中新增几条边，就把“涌现”当作已知原因。
过度相似与创新的矛盾
一个组织内部成员越相似，沟通可能越快捷，但新问题的解释资源也可能越单一。研究共性扩张时，应同时观察思想多样性、少数方案能否进入讨论，以及不同背景的新成员是否保留自己的判断能力。家族相似性网络的重要价值不是追求每条边都越来越强，而是理解哪些局部重叠足以支持合作，同时允许新的差异不断进入。如果组织只有通过彻底消除异议才能维持连通，其所谓共性可能是权力的暂时结果，而非健康的共同发生。
网络增长的反事实风险
一个信息平台上的人群越来越常使用同样的表达方式，研究者不能立即宣称平台导致了共性增长。也许平台吸引的原本就是偏好相似的人，也许某个外部社会事件同时影响了所有成员。需要比较不同进入时间、不同接触强度和相似背景的非使用者，才能更接近因果推断。即便平台确实促进了共同表达，也要确认表达是否对应真实的理解能力。
更进一步，共同表达的扩张可能减少跨观点的对话，而非增加。网络模型应同时报告内部密度与跨群体桥接，记录对不同意见的修订机会。只有当共同规则允许新信息进入、能够纠错且产生新的合作能力时，我们才有理由赋予这种共性积极的文明意义。
相似网络的指标应为研究问题服务
网络密度、聚类系数和中心性可以帮助说明某种共同特征在群体中怎样分布，但并不能自动告诉我们共性的道德价值或发生原因。比如一组社交账号因大量转发相同的虚假消息而形成高密度网络，这并不是健康共同性的证据；一个医学专家网络密度较低，却可能通过独立复核有效阻断错误传播。因此，“共性越大越好”与“连接越密越好”都需要接受质疑。
如果研究目的是分析不同群体能否形成真实对话，应特别关注跨群体边的质量：它们是否允许彼此提出问题、纠正错误、分享资源，而不只是频繁交换礼貌信号。网络边的存在和边的功能是两个不同对象。人性发生学若将主体间共性理解为高质量的共同能力，就应在图结构之外检验合作是否在陌生情境中产生可迁移成果，以及是否公平分配了对话的机会与风险。
类别阈值如何制造伪共性
给定相似度阈值0.7 时，某些人被划入一个共同体；把阈值改为0.5，网络可能突然变得几乎全连接；改为0.9，原本共同体又可能分裂为很多小团体。研究者必须把阈值选择公开，报告结论对合理阈值变化的敏感程度。否则“人类正在形成越来越大的共性”可能只是统计软件设置变化的产物。这同样表明，共性不是一个与测量实践完全无关、永远等待被发现的本体物件。
增订：网络相似并不等于因果传染
在一所学校，几个好朋友逐渐采用相似的学习方法。表面上看，朋友网络上的相似性增加了；但究竟是他们互相影响，还是原本偏好相似方法的人更容易成为朋友？两种解释都能产生相似的静态图像。若要证明主体间性碰撞造成新的共性，需要先测量互动前差异，并在可能时比较没有发生相同互动但起点相似的对照组。网络相关不能自动解释为涌现机制。
一个动态共性网络应区分节点属性变化与边结构变化。两个成员原本在判断规则上不同，互动后变得相近，这是节点状态的趋同；两人原本互不认识，经过共同任务建立稳定沟通，是边的生成；群体发明一种可供新成员直接使用的新规则，则可能出现高于成员层级的集体资源。三种变化可以互相促进，但不能相互替代。可用分层网络、事件序列和反事实比较分别建模。
观察“新规则”是否真有群体级的独立作用，可以尝试替换部分成员。如果关键人员离开，新成员仍能通过文档、工具与实践学习同一方法，说明共性已经部分封装进入组织环境。若一旦核心成员离开便完全无法延续，那么原先的共同性可能主要依赖个人之间的脆弱联系。这样的检验能够将群体层级与个人层级区别开来，而不是单凭人数增加便称为升维。
动态网络也要研究失效：信任被破坏时哪些连接最先中断，新的权力中心出现后谁被排除，平台规则变化是否突然切断跨群体联系。只研究扩张，会让共性发生学陷入一种进步必然论。真正的生成理论要能解释为什么有些相似性在互动中增强，有些被消解，还有些在失去旧连接后以新的形式重建。
增订专题：何时能声称网络中发生了新共性
假设研究者连续记录一个小组的共同写作，每个成员使用哪些概念、提出哪些不同意见，以及最后哪些表达成为共同决定。把资料画成网络图后，我们可能发现小组成员之间的词汇相似度增加。但这个图只说明可见表达在某些维度上趋近，未必说明产生了新的理解。成员可能照抄同一个AI 摘要，也可能为通过审核而统一措辞。为了辨认新共性，至少需要对外部模板、共同任务约束和成员之间的实际解释活动进行控制。
一种可操作的设计是设置三组比较：第一组成员独立工作，只共享题目；第二组可互相讨论，但不使用共同模板；第三组既讨论又共享AI 生成的样稿。比较讨论前后、模板移除后以及换题一周后的表现。如果第二组形成只有讨论后才出现、并可迁移的新规则，支持主体间性涌现；如果第三组只有表达相似度最高却无法迁移，则说明表面一致不能代替发生性的共同学习。研究还须记录能力是由哪个成员提出、何时获得其他人独立解释，而不能在集体署名中抹去实际贡献。
家族相似性网络也不必一直扩大。某些局部共同语汇通过传播连接原本隔离的群体，也可能在扩大范围时失去细节，产生各自不同的解释。全球通用的术语未必对应全球统一的实践；两个社区使用同一个“尊重”概念，却可能在亲密距离、公开表达和家庭责任上有截然不同的规范。模型应允许边的增加与边的弱化同时出现，还应允许同一词在网络中发生语义分叉。这样的动态图比一幅所有箭头都指向中心的“文明大同”图，更忠实于人性的真实开放性。
补论：相似性网络的节点、边和时间不能随意选取
一张家族相似性网络可以看起来很直观：每个点是一个人，点之间越近代表越相似。可是，一位主体在不同工作、家庭和文化情境中的显露可能差别很大；若将其压成一个静止节点，就把本书最重视的变化性删除了。因此建议采用“主体—情境—时间”状态节点，另加特征节点和互动事件节点，分别记录谁在何时完成了何种活动。边的类型至少包括共同语言、行为相似、机制相近、真实互动、信息传播与制度约束。相似性边与互动边不应混为一种，因为两个人可能十分相似却从未互动，也可能激烈冲突却创造新的共同机制。
设任意两个主体的行为特征向量为x_i(t)和x_j(t)，可以构造相似度k(x_i,x_j)，但k 的高低依赖特征选择和权重。如果研究者选择“都赞成幸福”这种粗粒度维度，几乎可以把全人类连接成密集网络；若改为真实风险选择、行动成本和实际帮助行为，网络结构可能完全不同。模型需要进行尺度敏感性分析：改变权重、抽样与相似度阈值后，共性核心是否仍然存在？若核心只在某个任意门槛下出现，就不能据此宣称找到本质性的群体结构。
补论：发现边、传播边与新生边
发生研究最有区别力的，是辨认网络中新出现的关系到底为何而来。“发现边”指原有共同特征一直存在，直到新测量才被观察；“传播边”指既有规则从某些主体扩散到更多主体；“新生边”则涉及参与者此前未能稳定实现的新共同能力。只看前后两张图，很难识别三类过程，必须加入事件日志和反事实比较。比如教学小组的合作程度上升，是成员仅学会教师指定的规则，还是在争论中制定了前所未有的分工方式？后者需要提供互动过程、规则新颖性和迁移证据，不是将所有新增边都命名为涌现。
研究者还要记录失败的互动：有时合作使网络形成稳定分群，有时中心节点垄断了话语权，有时跨群体桥接者受到排斥。若理论只呈现越来越大的共同网络，便忘记了差异发生可以与局部共性同步增强。一个健全网络指标至少同时报告凝聚、分化、桥接能力和退出率；这些指标之间未必有单调关系。所谓“人类共性不断扩大”，只能作为在特定技术与制度条件下待检验的趋势，而非先验的进步法则。