无法预测但能够理解
所有这些动荡的出现，都是因为任何一个策略的成功或失败都高度依赖于特定时间点环境中的其他策略。人们可以把这个板子想成一个巨大的生态网络，就像第8章中贾因和克里希纳的生态系统模型，系统某部分的小变化能够激起涟漪，在别的地方产生巨大的变化。例如，如果一个总是合作策略的岛屿被“以牙还牙”策略的保护层包围着，而总是背叛的参与者只能待在外面，无法破坏总是合作策略。然后，一些小突变使“以牙还牙”策略进入了一个向下的漩涡，为总是背叛策略创造了一个侵袭入口，合作之岛很快就倒塌消失了。
这种对微小变化的敏感性意味着人们不能用方程来预测模型的结果。它和实体经济一样“不可预测”。人们可能会认为，这种无法预测性是由模型中的随机因素造成的，即行为者行动中的随机突变和随机错误。然而，作为一个计算机程序，这个模型实际上是完全确定的。如果生成用于统计突变率和错误的随机数表，然后在第二次运行中重用该表，就会得到与第一次运行相同的结果。你可以知道所有行为者确切的起始位置、行为规则，甚至能提前知道游戏中所有的“随机”数字。然而，即使有了所有这些信息，我们也没办法预测模型的精确行为，因为这太复杂了。
要想知道发生了什么，唯一的办法就是运行这一模型使其进化，没有捷径。尽管无法预测这样一个模型的行为，但从科学的角度来说，我们可以理解它。例如，我们可以看到模型有一些特定的调整参数，其中包括变异率、错误率以及游戏中的相对收益，这些都会影响游戏的宏观行为。对于这些参数的某些值，我们可能会得到高度合作、高分的结果。其他值可能会使模型进入一个很难摆脱的沮丧、不合作的状态。我们还可以看到，与其他值相比，一些值可能会在新策略中产生更多的创新。因此，即使我们无法作出具体的预测，也可以作出“0.001或以下的突变率导致低创新和低合作”或“突变率在0.001至0.01之间，环境充满活力和创新，具有高度合作和高利润的特征”等陈述。同样，一些参数值可能比其他变量提供对某些策略更有利或不利的环境。因此，我们可以作出一些可能的陈述，比如“在有很多干扰的情况下，友好但强硬策略在高度合作的环境中表现更出色，而铁拳策略在低度合作的环境中表现更出色”。我们也可以用相同的参数数千次地运行模型，但是使用不同的随机冲击来观察结果的稳定性。然后我们可能会说：“对于x的参数设置，高利润环境出现的概率为60%，低利润环境崩溃的概率为40%。”因此，我们虽然无法预测模型的具体结果，但通过探索参数空间和收集统计数据，仍然可以很好地了解模型的行为。在许多方面，深入了解系统的工作原理最终可能比能够作出预测更有价值。
-----------
在前一章中，我们看到了卡尔·西姆斯如何利用进化来找到解决游泳问题的好方法。在林格伦的模型中，我们看到了如何利用进化来寻找经济问题中的有效策略。结果表明，没有最好的战略。相反，进化过程创造了一个策略生态系统，一个在创造性破坏中随时间变化的生态系统。我们现在可以问，如果进化可以搜寻简单经济游戏的设计空间，它也可以搜寻更复杂的游戏的设计空间吗？它能搜寻超大型游戏——36.5万亿美元的全球经济的设计空间吗？
