人工智能概念-10-群体智能
这一节我们来一起看一下神奇的群体智能。
群体智能Swarm Intelligence是指在集体层面表现的分散的、去中心化的自组织行为。
比如蚁群、蜂群构成的复杂类社会系统，鸟群、鱼群为适应空气或海水而构成的群体迁移，以及微生物、植物在适应生存环境时候所表现的集体智能。
群体智能SI一词最早在1989年由Gerardo和Jing Wang提出，当时是针对电脑屏幕上细胞机器人的自组织现象而提出的，而最知名的细胞机器人系统，如兰顿的蚂蚁和康韦的生命游戏，我们在生物智能小节中已经详细谈论过。
依赖于每个格子单元（细胞）的几条简单运动规则，就可以使细胞集合的运动表现出超常的智能行为。群体智能不是简单的多个体的集合，而是超越个体行为的一种更高级表现，这种从个体行为到群体行为的演变过程往往极其复杂，以至于无法预测。
蚁群能够搭建身体浮桥跨越缺口地形，并不是偶然事件。一个蚁群可能在同时搭建了超过50个蚂蚁桥梁，每个桥梁从1只蚂蚁到50只蚂蚁不等。
蚂蚁不仅可以建造桥梁，而且能够有效评估桥梁的成本和效率之间的平衡，比如在V字形道路上，蚁群会自动调整到合适的位置建造桥梁，既不是靠近V顶点部分，也不是V开口最大的部分。
生物学家对蚁群桥梁研究的算法表面，每只蚂蚁并不知道桥梁的整体形状，它们只是在遵循两个基本原则：
- 如果我身上有其他蚂蚁经过，那么我就保持不动
- 如果我身上经过的蚂蚁数量频率低于某个阈值，我就加入行军，不在充当桥梁
数十只蚂蚁可以一起组成木筏raft渡过水面。当蚁群迁徙的时候，整个木筏可能包含数万只或更多蚂蚁。
每只蚂蚁都不知道木筏的整体形状，也不知道木筏将要漂流的方向。但蚂蚁之间非常巧妙的互相连接，形成一种透气不透水的三维立体结构，即使完全沉在水里的底部蚂蚁也能生存。而这种结构也使整个木筏包含超过75%空气体积，所以能够顺利的漂浮在水面。
蚁群往往在地面形成非常复杂的寻找食物和搬运食物的路线，似乎整个集体总是能够找到最好的食物和最短的路线，然而每只蚂蚁并不知道这种智能是如何形成的，每只蚂蚁只遵循两条基本的规则：
- 寻找到食物的蚂蚁会在更高品质的路线上留下更强的生物信息素
- 蚂蚁总是倾向加入信息素更强的路线，并在不断的往返过程中与其他蚂蚁进行反馈，从而让更短的路线被不断加强
使用樟脑丸在蚂蚁经过的路线上涂抹会导致蚂蚁迷路，这是因为樟脑的强烈气味严重干扰了蚂蚁生物信息素的识别。
科学家们从蚁群依赖信息获取最优路径的方法上获得启发，创建了AOC算法（Ant colony optimization），即蚁群优化算法，广泛应用于车辆、店铺、人员等各种资源的调度和分配中。
将金属液体或其他固定成型剂倒入蚁穴，可以看到蚁群在底下建造的复杂结构宫殿。
蚁群ants colony可能包含很少的个体，通常在数百到数千不等，2000年后，科学家们在日本、欧洲和澳大利亚都发现了在地下绵延数公里甚至数十公里的超级蚁群，都包含数亿只甚至更多的蚂蚁，并且证据表明，它们很可能是全球巨型蚁群的一部分。
蚁群具有复杂的等级结构，女王可以通过特殊的信息素影响到其他蚂蚁，甚至能够调节其他蚂蚁的生育繁殖。但女王并不会对工蚁下达任何具体任务，每个蚂蚁都是一个自主的单位，它的行为完全取决于对周边环境的感知和自身的遗传编码规则。
尽管缺乏集中决策，但蚁群仍能表现出很高的智能水平，这种智能也称之为分布式智能Distributed Intelligence，蚁群看上去就像一个具有集体智慧的“超级心灵Super mind”。
不仅蚂蚁，几乎所有膜翅目昆虫都表现出很强的群体智能行为，另一个知名的例子就是蜂群。
蚁群和蜂群被广泛的认为是具有真社会化属性Eusociality的生物种群，这是指它们具有以下三个特征：
- 繁殖分工。种群内分为能够繁殖后代的单位和无生育能力的单位，前者一般为女王和王，后者一般为工蜂、工蚁等。
- 世代重叠。即上一代和下一代共同生活，这也决定了下一个特征。
- 协作养育。种群单位共同协作养育后代。
这个真社会化属性和我们人类的社会化属性Sociality并不是同一概念。
鸟类在群体飞行中往往能表现出一种智能的簇拥协同行为，尤其是在长途迁徙过程中，以特定的形状组队飞行可以充分利用互相产生的气流，从而减少体力消耗。
常见的簇拥鸟群是迁徙的大雁，它们数量不多，往往排成一字型或者人字形，据科学估计，这种队形可以让大雁减少15~20%的体力消耗。
体型较小的欧椋鸟组成的鸟群的飞行则更富于变化，它们往往成千上万只一起在空中飞行，呈现出非常柔美的群体造型。
鸟群可以基于三个简单规则就能创建出极复杂的交互和运动方式，形成奇特的整体形状，绕过障碍和躲避猎食者。
- 分离，和临近单位保持距离，避免拥挤碰撞
- 对齐，调整飞行方向，顺着周边单位的平均方向飞行
- 凝聚，调整飞行速度，保持在周边单位的中间位置
鸟群没有中央控制，每只鸟都是独立自主的，实际上每只鸟只考虑周边球形空间内的5~10只鸟的情况。
曾经获得奥斯卡技术奖的计算机图形学家Craig Reynolds，1986年开发了Boids鸟群算法，这种算法仅仅依赖分离、对齐、凝聚三个简单规则就能实现各种动物群体行为的模拟。
1987年动画短片，《Stanley and Stella in: Breaking the Ice》中成功的实现了鸟群和鱼群的模拟。而《蝙蝠侠》系列电影中的蝙蝠群动画也是这种算法的效果。
除了电影动画，鸟群算法还被应用在多通道网络信号、视觉信息等领域的优化算法中。
点击进入腾讯视频观看Stanley and Stella in
鱼群的群体行为和鸟群非常相似。金枪鱼、鲱鱼、沙丁鱼等很多鱼类都成群游行，如果我们把其中一只鱼分离出来，就会观察到这只鱼变得情绪紧张脉搏加快。
这些鱼总是倾向于加入数量大的、体型大小与自身更相似的鱼群，所以有的鱼群并不是完全由同一种鱼组成。
群体游行不仅可以更有效利用水动力减少成员个体消耗，而且更有利于觅食和生殖，以及躲避捕食者的猎杀。
鱼群中的绝大多数成员都不知道自己正在游向哪里。鱼群使用共识决策机制，个体的决策会不断地参照周边个体的行为进行调整，从而形成集体方向。
据估计，北大西洋中的鲱鱼群可能超过4.8立方千米，数量超过数十亿条。
磷虾群在海洋中的密度可能超过每立方米50000只，而卫星追踪到的最大磷虾群占地450平方千米，深200米，可能包含200多万吨的磷虾。
磷虾群被认为可能是世界上生物量最大的群体，另一个也极其庞大的群体是浮游桡足类，他们数量庞大，对全球的碳循环系统有着极为重要的影响。
在哺乳动物中也常见群体行为，尤其是陆上的牛、羊、鹿，或者南极的企鹅。迁徙和逃脱猎杀时候，它们能表现出很强的集体意志。
研究表明，畜群的整体行为很大程度上取决于个体的模仿和跟风行为，而遇到危险的时候，则是个体的自私动机决定了整体的行为方向。
英国进化生物学家汉密尔顿WD Hamilton在1971年提出了自私群体理论，另外一个知名的理论是羊群效应，或者叫从众效应。
与鸟群鱼群不同，畜群只在平面空间上行动，很多时候群体中的意见领袖的作用非常明显，但这仍是一个去中心化的组织，往往是多个意见领袖同时起推动作用，而且这些意见领袖是自发形成且自发变化的。
人群的行为很多时候看上去和羊群相似，绝大部分人的行为是盲目跟风的，他们只是根据周边人的行为来行动，如果人群中5%改变了方向，其他人就都会跟随，进而让整个群体改变方向。
当人群中突然出现危险因素的时候，整个人群就会像鱼群遇到鲨鱼一样躲避，但由于个体年龄体质问题导致行为能力相差很大，互相之间更缺乏鸟类之间的气流或者鱼类之间的水流动力，因此很容易在紧急情况下造成混乱，甚至踩踏伤亡。
人类的群体行为更多的表现在交通、股票、营销和传媒领域，越来越多的企业和机构，正在利用大量的用户数据信息和优秀的算法，对人群行为进行模拟，从而实现更好的经济目标或社会目的。
在计算机图形动画领域，人群模拟技术Crowd simulation，利用为个体设定较为简单的行动规则，进而生成大规模群体行为效果。以这项技术著称的MASSIVE软件，在2001年上映的著名电影《指环王》中创建惊人规模的战争场面。
这场战争中，动画师仅依赖300多个设定好的动作，加上每个单位被赋予的若干条规则，就获得了最终数十万军队的整体战斗效果。
MASSIVE软件之后被广泛应用于好莱坞和全世界的电影特效当中。
电影动画中所使用的群体模拟至今仍然以设定好的个体行为规则来作为驱动。
1992年，计算机科学家克里斯·沃特金斯提出了Q-learning理论，它可以让群体中的个体执行各种操作，并能够根据从环境中获得的奖励或惩罚来优化其行为，使用这种算法，伴随着大量可能的行为和复杂的环境，个体将以现实和不可预测的方式行动，并形成更强大的集体意识。
Q-Learning至今仍是机器学习中的重要算法之一，通常称作强化学习。
2011年，哈佛大学的拉德希卡·纳泊尔和迈克尔鲁宾斯坦开始开发微型的群体机器人kilobot，每个kilobot高3.3厘米，造价15美元，行为极为简单：
- 通过身上的小灯发光或闪烁
- 通过红外发射器和接收器互相通信
- 通过振动器实现每秒1厘米的速度移动
kilobots可以上千个一起合作，你不需要对每个机器人进行编程，而只要通过空中的红外发射器向它们发送整体信息，就可以使机器人们组成各种图形或者进行有规律的闪烁，甚至可以模拟蚂蚁寻找食物的路径行为。
2004年，两位科学家Ayusman Sen和Thomas E. Mallouk制造出仅有4微米的纳米马达nanomotor，这些小家伙们可以一起进入人体细胞内运动。
Kilobots为了降低成本而没有使用传统的电机驱动行为，而在微观领域也需要有更特殊的能量驱动方式。
纳米马达可以依赖超声波共振来运动，或者自身与环境元素发生化学反应进行驱动，这种运动本质是很像是人体细胞的ATP营养物质，其化学反应为细胞提供了动力。
纳米马达的行为能力往往非常简单，但我们可以通过在外部释放的磁场信号来对他们施加影响，让他们在人体内进行有效的医疗治愈行为。最新一些的纳米马达具有光感知能力，通过外部光的照射来改变其行为。
细菌和植物也能够以特殊的方式表现出群体智能行为。
培养皿中的枯草芽孢杆菌根据营养组合物和培养基的粘度，整个群体从中间向四周有规律的扩散迁移，形成随机但非常有规律的数值型状。
而植物的根系作为一个集体，各个根尖之间存在某种通信，遵循范围最大化且互相保持间隔的规律生长，进而能够最有效的利用空间吸收土壤中的养分。
群体智能Swarm Intelligence可以视为系统智能System Intelligence的一个特殊情况，更多的分析和汇总将在下一节中讨论。
每个人的智能决策新时代
如果您发现文章错误，请不吝留言指正；
如果您觉得有用，请点喜欢；
如果您觉得很有用，欢迎转载~
END
