我将导致复杂性随时间增加的第二种机制称为结构深化（structural deepening）。这个机制适用于单一实体，包括系统、生物体、物种及个体，它们都在某个“背景”下进化。在此，我们可以将这个背景视为它们的“环境”。通常来说，在竞争的强大压力下，这些系统会运行在自己的性能极限之内。但是，它们也可以通过增加某些功能或子系统，来打破这些性能限制。增加了这些功能或子系统后，它们就能够：（a）在更广阔的或更极端的范围内运行；（b）感知并对异常情况做出反应；（c）服务于其他系统，使其运行得更好；（d）提高其可靠性。通过这种做法，它们增加了它们的“结构深度”或“设计的复杂性”。当然，在加入这些功能或子系统后，系统的运行仍然可能达到其性能极限。在这种情况下，还可以通过进一步添加子子系统，来再次突破这种限制。循环反复地推进上述过程足够长的时间后，原来的系统就会被更深层次的功能和子功能所“覆盖”，从而可以极大地改善自己的运行性能和适用范围。当然，这样一来，它内部的结构也就变得更加复杂了。
技术进化的历史提供了许多结构深化的例子。例如，由弗兰克·惠特尔（Frank Whittle）和汉斯·冯·奥海因（Hans von Ohain），在20世纪30年代分别独立设计了最早的燃气轮机和喷气式航空发动机，就是一个很好的例子。这种发动机的工作原理是：压缩进气，在压缩空气中点燃燃料，并通过涡轮机释放燃爆的混合物以驱动压缩机，然后以极高的速度排出空气来提供推力。惠特尔的原型有一个可移动的部分，即压缩机-涡轮机组合。但是，多年以来，在来自商界和军界的利益团体的推动下，巨大的竞争压力导致航空发动机不断做出改进。设计师们不得不想方设法，让航空发动机能够克服极端的压力和温度所带来的限制，并能够应对各种突发的特殊情况，有时是通过使用更好的材料，但更多的时候是通过添加子系统。
因此，随着时间的推移，最终的成果是，通过使用不止一个压缩机，而使用一组压缩机，即压缩机的系统，实现了更高的空气压缩比。其他一些改进包括：采用可变位置导向叶片控制系统，以便在高海拔和高速度条件下吸入更多的空气，同时降低发动机熄火的可能性，从而提高了效率；增加排气阀控制系统，以便在气压达到某一临界点水平时，将空气从压缩机中排出，这样就能够减少发动机失速的可能性；添加二次空气流系统以冷却红热的涡轮叶片，并对集液槽腔加压以防止润滑剂泄漏，涡轮叶片也通过一个在内部循环空气的系统来冷却；在军事应用中，为了在空中作战条件下提供额外的推力，增加后燃烧器组件；为了减少发动机起火的可能性，增加复杂的火警探测系统；为了防止进气区域中积聚冰块，添加了除冰系统；另外还有增加专用燃料系统、润滑系统、可变排气喷嘴系统和发动机启动系统。
但所有这些系统都需要进一步的子系统，以便监视和控制它们，并在它们达到极限时提高它们的性能。而增加的子系统，又需要更进一步的子子系统来增强它们的性能。现代的航空燃气涡轮发动机的功率，比惠特尔的原型高出了30倍到50倍，而且非常复杂。但是，惠特尔发明的原始的简单系统还在，只不过被子系统叠子系统地覆盖在了一个极其复杂的互连模块和部件的阵列当中。现代航空喷气发动机的部件超过了2.2万个。[2]
以航空发动机为例。在这种机制中，在持续的竞争压力的推动下，设计师们必须不断地将新功能和新模块添加到系统中，以突破原有的性能限制和处理异常情况，或适应更加复杂的环境，从而导致复杂性不断增加。行文至此，读者应该已经看得很清楚了，通过结构深化而使复杂性不断增加的这种机制，不仅适用于技术，而且适用于生物有机体、法律制度、税收体系、科学理论甚至连续发布的软件。
约翰·霍兰德的遗传算法为我们提供了一个实时观察结构深化的“实验室”。在“候选解决方案空间”运用遗传算法搜索可行的解决方案的过程中，会先出现一个大致正确的，或者用霍兰德本人的术语来说，“粗糙的模式”。它可能只比它的“竞争对手”稍稍好一点。但是随着搜索的继续进行，更加好的解决方案也开始出现。这些解决方案具有更深的结构，更精细的子模式，是对原始解决方案的“精炼”，能够处理异常情况或克服原始解决方案的某些限制。最终的解决方案或模式的组合，可能在结构上很“深”，也很复杂。在运用遗传算法搜索解决方案的过程中，还可以观察到结构深化的逆转。这种情况发生在相当长的一段时间内，一直占据了主导地位，并被精炼得相当充分的“粗略模式”被另一个新“发现”的、有所改进的“粗略模式”取代的时候。这时，依赖于原先那个粗略模式的子模式的层级结构就会坍塌。于是，对好的解决方案的搜索开始集中于新的模式，它们将会得到精炼。这种情况在遗传算法的搜索过程中可能会发生很多次。
约翰·科扎（John Koza）的遗传编程算法也提供了一个类似的“实验室”。科扎让一些代数表达式在他的“实验室”中进化，最终的目标是让它们解决给定的数学问题。在科扎的实验中，我们可以观察到，越来越深的“结构深度”被构建到了当前性能最佳的代数表达式中，用来描述表达式的算法解析树所长出的诸多分支。
图9-1给出了在科扎的实验中，结构随着对“好的解决方案”的搜索的进行而不断增长的一个例子。正如我们很容易就可以看到的，这种机制也不是单向的。当新出现的表达式替换掉了原始系统中“根基”附近的符号表达式时，就会发生结构深度和复杂性的反转。总的来说，结构深度是增加了，但是“在途中”会间歇性地反转成为相对更简单的结构。
图9-1 当前最佳表达式的结构深度与搜索代数之间的关系
复杂性在一个系统的“根基”附近坍塌这种现象，在一个大相径庭的情境下也可以观察到。科学发展史上，当新的理论突然取代精心构筑且得到了详细阐述的旧理论时，这种情况就出现了。其中一个很好的例子是，经开普勒-牛顿改进过的哥白尼理论造成了托勒密天文学的崩溃。这种新颖的理论体系，只需要寥寥几个简单的定律，就可以解释行星的运行轨道，从而摧毁了巨大而复杂的托勒密体系的根基。由于新的理论的解释力胜过旧理论百倍，托勒密体系也就从此一蹶不振了。类似地，在20世纪30年代，推进原理非常简单的惠特尔式喷气航空发动机相当彻底地取代了活塞式航空发动机。当时，为了克服在高海拔地区非常稀薄的空气对高速内燃发动机的限制，后者已经不可避免地变得过于复杂了。在很多其他不断进化的系统中也是这样。突然涌现的简单性，往往会切断原先的复杂性增长之路，并建立一个全新的基础，让复杂性再次增长。总的来说，在这种复杂性与简单性之间的“拉锯战”中，在更多时间内占据上风的通常是复杂性。
到目前为止，我已经阐述了两种明显不同的机制。第一种机制是，生态系统，即许多个体的集合，在进化过程中变得越来越复杂、越来越多样化。第二种机制是，生态系统内的个体在进化过程中，内部变得越来越复杂、结构变得越来越深化。当然，在许多系统中，这两种机制是同时发挥作用的，而且它们会相互作用、互相交替，甚至彼此竞争。
这一点在克里斯蒂安·林格伦对博弈论的策略进化的研究中，可以很清楚地看出来。林格伦构建了一个基于计算机的模型，让各种策略为获得收益而相互竞争。这是一个有限的多次重复的囚徙困境博弈，策略之间的配对是随机的，博弈是一对一进行的。这些相互竞争的策略用编好码的位串来表示。在位串中的“位”代表对先前行动的记忆，而行动是由策略决定的。策略偶尔会发生变异。在这种共生的环境中，成功的策略将迅速繁衍，而不成功的策略则会消失。在林格伦的世界中，我们可以清楚地观察到，随着新的、不断进化的策略创造了更新的策略可以利用的生态位，策略的多样性会不断增加。这种情况与我在上面讨论过的第一种机制相当类似。但是与此同时，策略本身也变得越来越“深”，在这里“深度”指代码串或记忆的长度，竞争中得到的回报也随策略变得越来越微妙而上升，这就是符合第二种机制的情况。事实上，这两种机制是相互作用的，一个新的、成功的、更“深”的策略一旦出现，就会使许多以前的、更加简单的策略消失。这样一来，多样性坍塌了，随多样性而来的许多利基也不复存在。但是在这之后出现的又是这样一个阶段：更新的、更“深”的策略突变出来并得到增殖，从而使得多样性再次增长。因此，新的、更“深”的策略就可以破坏旧的多样性，也可以在新的、更“深”的策略当中引发新一轮的多样性增长。这样一来，共生多样性的增长以一种偶发的方式，随着策略的结构深度的增长而交替变化。在生物进化史上，不难找到明显类似于这种过程的例子。例如，许多生物学家认为，多细胞、真核生物的出现意味着生物系统的“深度”的增加，而且也促进了距今6亿年以前寒武纪的多样性爆发。
