從自動駕駛到機器人，群體智能將掀開AI下一篇章？

在近期的2024 Inclusion·上海外灘大會上，Kevin Kelly對未來世界做出了新的假想：全球主義正在迅速推進(jìn)，正在共同構(gòu)建一個基于技術(shù)的“超級計算機”。每一臺手機、筆記本電腦和數(shù)據(jù)服務(wù)器都將連接成一個巨大的計算系統(tǒng)，而每一臺設(shè)備都是其中的一個小小的“神經(jīng)元”。

“我們正在打造一個巨大的、全球性的、如行星般規(guī)模的機器?！彼J(rèn)為，盡管人們可能對設(shè)備和內(nèi)容有不同的偏好，但這些差異只是交互方式上的不同，根本上它們都?xì)w屬于同一個平臺。世界上的所有數(shù)字技術(shù)，包括人工智能，都運行在這個新平臺上。

如今，這臺“超級計算機”正在以前所未有的規(guī)模和速度運行。這也驅(qū)動著創(chuàng)新加速，讓新發(fā)明和新思想的傳播速度越來越快。比如人們通過增強現(xiàn)實和虛擬現(xiàn)實技術(shù)來培訓(xùn)人員；通過機器及其他傳感器來感知世界；通過ChatGPT等工具去學(xué)習(xí)新的東西。

人工智能群體智慧亟待開發(fā)

雖然當(dāng)前的人工智能具備了基本邏輯能力，但還處于早期發(fā)展階段。人們主要將人工智能應(yīng)用于一些工具型任務(wù)，價值主要體現(xiàn)在提升效率。AI最有價值的地方在于它具備和人類不一樣的思維，未來如果融入想象力、主觀能動性，可以解決單靠人類無法解決的社會問題。

機器學(xué)習(xí)泰斗、美國“三院院士”MichaelI. Jordan認(rèn)為，“缺乏對集體性、不確定性和激勵機制的關(guān)注，是當(dāng)前對人工智能的討論中缺失的三個方面。”

他表示，“生活本身充滿了不確定性，人也是非常不確定，互相交流則是創(chuàng)造了一種降低不確定性的文化，這是人類做得非常好的事情之一。但當(dāng)前的人工智能系統(tǒng)并沒有很好地做到這一點，其不善于思考不確定性，也不善于團結(jié)起來應(yīng)對不確定性。相較之下，人類在面對不確定性時表現(xiàn)出色，尤其是集體協(xié)作共同應(yīng)對時?！?/p>

除了提升單個智能體的能力，他呼吁建立一種能夠體現(xiàn)集體智慧的協(xié)同智能體系統(tǒng)。他認(rèn)為，在AI的構(gòu)建中，設(shè)法讓機器具備類似的群體協(xié)作能力，成為了一個亟待解決的關(guān)鍵課題。僅僅將人類的智慧融入人工智能中仍然是不夠的，現(xiàn)代信息技術(shù)在醫(yī)療、交通、金融科技和商業(yè)領(lǐng)域的應(yīng)用，需要建立集體性的智能系統(tǒng)。但如何讓當(dāng)前的人工智能系統(tǒng)也具備類似的集體協(xié)作能力，仍是一個未解的關(guān)鍵問題。

智能的第二次涌現(xiàn)

人工智能經(jīng)歷了兩次智能涌現(xiàn)，第一次智能涌現(xiàn)是神經(jīng)網(wǎng)絡(luò)的神經(jīng)元達(dá)到一定量級后產(chǎn)生了質(zhì)變。模型技術(shù)至今已經(jīng)發(fā)展很多年了，包括最早2018年Bert本身也是大模型，之所以GPT帶來革命性的影響，是因為其參數(shù)超過了一定量級，突破了100億、1000億，GPT-4參數(shù)量甚至達(dá)到萬億級別，由量變產(chǎn)生質(zhì)變。

第二次群體智能涌現(xiàn)的本質(zhì)是，當(dāng)單體Agent足夠多，各行各業(yè)都有專業(yè)的Agent，如果把這些Agent都聚集起來，協(xié)同合作去完成某項任務(wù)，這個過程中有可能會產(chǎn)生新的發(fā)現(xiàn)。

事實上，人類很早就已認(rèn)識到，通過群體合作集思廣益，解決問題的成效可以大過個體智慧的總和。關(guān)于群體智慧的力量，在科學(xué)上有個經(jīng)典的實驗：在玻璃罐中放滿糖果，然后請試驗者來猜測糖果的數(shù)量，記錄每個人的答案、答案的平均數(shù)及其與正確答案之間的關(guān)系。

以美國哥倫比亞商學(xué)院的實驗為例，糖果實際數(shù)目為1116顆，73個學(xué)生參加實驗，73人的個人答案有多有少，但都離1116相差甚遠(yuǎn)，而73人個人答案的平均值卻為1115顆，與糖果真實數(shù)量僅1顆之差。這本質(zhì)上是個預(yù)測問題，其結(jié)果正體現(xiàn)了群體的智慧。

卡內(nèi)基梅隆大學(xué)組織行為學(xué)專家Anita Woolley表示，影響一個團隊發(fā)揮群體智慧的最大因素正是成員之間的協(xié)調(diào)程度。盡管群體的協(xié)作能帶來1+1>2的效果，但知易行難。

而隨著人類社會文明的進(jìn)化，從農(nóng)耕時代、工業(yè)時代到知識網(wǎng)絡(luò)時代、數(shù)據(jù)智能時代，人工智能技術(shù)的深入發(fā)展，在滲透社會生活的同時，也輻射到了群體智慧。在機器文明時代下，能否將人類的群體智慧融入人工智能，形成單體智能的放大效應(yīng)，從而進(jìn)一步釋放人類社會的潛能，是一個值得思考的議題。

當(dāng)單個智能體相互關(guān)聯(lián)并協(xié)作時，它們能夠形成一個復(fù)雜而強大的群體智能系統(tǒng)，從而產(chǎn)生出更加卓越的智能涌現(xiàn)行為，這成為人工智能近年來一個重要的發(fā)展方向。

群體智能（Swarm Intelligence，SI）最早源于對以螞蟻、蜜蜂等為代表的社會性昆蟲的群體行為的研究，自1991年意大利學(xué)者Dorigo提出蟻群優(yōu)化（Ant Colony Optimization，ACO）理論開始，群體智能作為一個理論被正式提出，并逐漸吸引了大批學(xué)者的關(guān)注，從而掀起了研究高潮。

1995年，Kennedy等學(xué)者提出粒子群優(yōu)化算法（Particle SwarmOptimization，PSO），此后群體智能研究迅速展開。目前，群體智能的研究主要包括智能蟻群算法和粒子群算法，智能蟻群算法主要包括蟻群優(yōu)化算法、蟻群聚類算法和多機器人協(xié)同合作系統(tǒng)。其中，蟻群優(yōu)化算法和粒子群優(yōu)化算法在求解實際問題時應(yīng)用最為廣泛。

群體智能的核心在于分布式?jīng)Q策和協(xié)作，它通過算法讓眾多小型智能單元協(xié)同工作，共同解決復(fù)雜問題。這種技術(shù)的應(yīng)用范圍廣泛，從交通優(yōu)化、城市規(guī)劃、工業(yè)生產(chǎn)到智能醫(yī)療等領(lǐng)域，都能看到其身影。

例如，在一個智能交通系統(tǒng)中，每輛車都是一個智能體，它們需要根據(jù)路況和交通規(guī)則來選擇合適的速度和路線，同時也需要與其他車輛和行人進(jìn)行溝通和協(xié)調(diào)，以避免碰撞和擁堵。在一個智能醫(yī)療系統(tǒng)中，每個醫(yī)生、護士、患者和設(shè)備都是一個智能體，它們需要根據(jù)病情和資源的分配來制定合理的診療方案，同時也需要與其他智能體進(jìn)行信息的共享和決策的協(xié)商，以提高醫(yī)療的效率和質(zhì)量。

以交通為例，公路駕車群體是按照交通規(guī)則，以公路系統(tǒng)為平臺，由一群具備單體智能的人類駕駛或自動駕駛車輛所構(gòu)成。單體智能的弱點在于個體感知、通訊和控制的局部性，與其行為決策對全局的影響性之間的矛盾。

對人類駕駛員而言，由于交通互動的無序和對未知交通環(huán)境的不了解，很難在遇到突發(fā)交通狀況、并道或繞過路障時保持正常車速，往往會由于降低車速而形成道路擁堵。

對于自動駕駛車輛，其在行駛過程中，處理問題的優(yōu)先級通常是以自身為出發(fā)點，也就是以自身的安全與效率最大化為前提。如果每輛車都如此規(guī)劃的時候，就會帶來很多沖突矛盾，比如在路口會遇到由于相互博弈而卡住不動的情況。隨著自動駕駛汽車規(guī)模的逐步提升，這類問題將愈加突出。

如果沒有外力的加入，單純依靠自動駕駛車輛自身的決策系統(tǒng)，不足以對全局形成更好的結(jié)果，這時就需要一個能夠掌握全局性信息的群體智能系統(tǒng)進(jìn)行全局協(xié)調(diào)。雖然群體智能所產(chǎn)生的結(jié)果對于單體來講可能不是最優(yōu)，甚至?xí)霈F(xiàn)效率降低的情況，但對全局而言，則是一個效率最高的最優(yōu)解，可以實現(xiàn)系統(tǒng)效能的提升。

比如在一個路口，全局最優(yōu)解是要保證所有人的通行時間都被節(jié)省，而不是某一個特例或者某一臺車的時間被節(jié)省。

目前國家正在大力推行的車路云一體化，就是群智智能的典型代表，其通過各類傳感器、云控平臺、感知算法、數(shù)據(jù)融合、預(yù)測模型等設(shè)備和技術(shù)，把每一輛車、每一臺基站等智能個體，都變成一個信息節(jié)點，它們互聯(lián)互通，形成一個可以共享信息、協(xié)同運行的智能體網(wǎng)絡(luò)。這個智能體網(wǎng)絡(luò)從全局視角，為自動駕駛車輛提供最優(yōu)行駛路徑建議，解決交通效率問題。

站在系統(tǒng)發(fā)展角度看，自動駕駛追求越來越極致的智能化，而車路云一體化則追求的是極致的系統(tǒng)智能。一個是單點的智能化，一個是系統(tǒng)的智能化，只有這樣才能在不同維度上解決不同的問題。如果是單點的問題，就交給單車去解決；如果是系統(tǒng)的問題，就交給系統(tǒng)去解決，一定是在不同層面用不同的方式去解決，而不是用一套方法來解決所有問題。

未來，當(dāng)無人機、機器人、機器狗等更多智能體接入車路云網(wǎng)絡(luò)，就可以直接獲得城市更加豐富、完整的信息，比如自動駕駛車輛可以獲得完整的交通信息，無人機可以獲得空域的數(shù)字化信息，機器狗、機器人可以獲得各自行駛路徑上相應(yīng)的環(huán)境信息，這樣就構(gòu)建起了一個完整、安全、高效、實時的超級智能體網(wǎng)絡(luò)，以此為基礎(chǔ)的智能城市也將由此誕生。

Science2016年的論文“群體之力量”（The Power of Crowds）認(rèn)為：結(jié)合群體智慧與機器性能來解決快速增長難題時，群智計算按難易程度分為三種類型：實現(xiàn)任務(wù)分配的眾包模式、較復(fù)雜支持工作流模式的群智、最復(fù)雜的協(xié)同求解問題的生態(tài)系統(tǒng)模式。

在具身智能領(lǐng)域，由大模型驅(qū)動的多智能體高效協(xié)作是重點研究方向之一。

此前，大模型在具身智能中主要用于解決單智能體的任務(wù)規(guī)劃問題。然而，由于大模型知識和特定的具身環(huán)境沒有對齊，大模型產(chǎn)生的規(guī)劃往往難以在實際環(huán)境中執(zhí)行。

舉例來說，在打掃房間的任務(wù)中，大模型給出的規(guī)劃可能是首先找到吸塵器。然而，環(huán)境中可能沒有吸塵器，只能通過掃帚能完成該任務(wù)。

此時，大模型需要通過和環(huán)境的多輪交互和反饋來使其適應(yīng)于具身環(huán)境，因而具有高昂的交互代價。

在多智能體環(huán)境中，每個智能體都使用大模型進(jìn)行控制。而當(dāng)多個智能體協(xié)同完成一項任務(wù)時，除了會遇到類似單智能體的環(huán)境不適配問題，還存在多智能體如何高效溝通和協(xié)作的難題。

如果直接通過多智能體對話協(xié)商，來進(jìn)行協(xié)作的方法是低效的。一方面，很難完全通過對話得出有效的協(xié)同策略；另一方面，無法衡量單個智能體對總體任務(wù)目標(biāo)的貢獻(xiàn)（即信度分配），難以驅(qū)動每個智能體改進(jìn)策略來提升總體收益。

因此，多智能體協(xié)作系統(tǒng)（Multi-Agent CollaborationSystems，MACS）就十分必要，其目標(biāo)是使多個智能體能夠有效地協(xié)作，以實現(xiàn)一些超出單個智能體能力范圍的任務(wù)。該系統(tǒng)可以用于模擬和優(yōu)化交通、能源、物流等復(fù)雜系統(tǒng)，也可以用于智能家居、智能城市、智能工廠等場景的設(shè)計和實現(xiàn)。

在MACS下，多智能體協(xié)作框架（Multi-Agent Collaboration Framework，MACF）提供了實現(xiàn)智能體間合作與競爭的方法和工具，包括智能體建模、交互協(xié)調(diào)、評估優(yōu)化、適應(yīng)演化和人機交互等方面，主要用于協(xié)調(diào)和控制多個智能體，以實現(xiàn)共同目標(biāo)或解決共同問題。其核心是平衡智能體間的合作與競爭，解決任務(wù)分配、策略選擇、信息共享、學(xué)習(xí)方式和人類參與等關(guān)鍵問題。

MACF的分布式協(xié)作方式強調(diào)在分散環(huán)境中智能體間的信息共享和任務(wù)分配，通過強化學(xué)習(xí)、反饋、智能合約等手段提高性能和適應(yīng)性。當(dāng)前，比較主流的多智能體技術(shù)框架包括AutoGen、MetaGPT、XAgent、AutoAgent、CrewAI等，這些項目從不同角度提出智能體系統(tǒng)規(guī)劃模塊的改進(jìn)建議，其中包括長短期規(guī)劃、規(guī)劃輸出格式、用戶提示拓展解釋、反饋迭代機制等，為多智能體高效協(xié)作奠定技術(shù)基礎(chǔ)。

需要指出的是，多智能體產(chǎn)生群體智能的前提是單智能體本身已經(jīng)具有較高的智能化水平。單智能體的能力邊界很大程度上影響著群體智能的能力發(fā)揮，就好比蟻群或蜂群的個體數(shù)量再多、組織再嚴(yán)密，也無法制造出摩天大樓。因此，充分激發(fā)單智能體的能力是釋放群體智能價值的前提，而群體智能也將對單體智能體的潛力進(jìn)一步開發(fā)，形成互為支撐、相互融合、相互促進(jìn)的良性關(guān)系。

道路曲折無礙前途光明

盡管存在算法復(fù)雜性、環(huán)境不確定性、人機交互和倫理法律遵守等挑戰(zhàn)，但群體智能的發(fā)展前景依然廣闊，其可以廣泛應(yīng)用于機器人、交通、教育、軍事等各個領(lǐng)域，在提高系統(tǒng)性能和效率、增強系統(tǒng)魯棒性和可擴展性、促進(jìn)系統(tǒng)與人類的協(xié)同和互動方面發(fā)揮重要作用。

在機器人領(lǐng)域，群體智能可以使機器人能夠完成更復(fù)雜和更困難的任務(wù)，提高機器人的靈活性和可靠性。比如在智能倉庫中，每個機器人需要根據(jù)訂單的內(nèi)容和優(yōu)先級，選擇合適的貨物和路徑，同時也需要在群體智能系統(tǒng)下，與其他機器人開展協(xié)作，提高倉庫的運營效率和客戶滿意度。

在智能救援場景中，機器人需要根據(jù)災(zāi)害的類型和程度，選擇合適的工具和方法，同時也需要與其他機器人進(jìn)行協(xié)同和支持，以提升救援的成功率和安全性。群體智能可以讓機器人根據(jù)環(huán)境變化和任務(wù)需求，自動調(diào)整救援策略，并與其他機器人或人類進(jìn)行有效協(xié)作。

針對教育場景，群體智能可以調(diào)動教師、學(xué)生、課程等各類資源，根據(jù)學(xué)習(xí)者特征、學(xué)習(xí)需求、學(xué)習(xí)目標(biāo)、學(xué)習(xí)進(jìn)度等，制定科學(xué)合理的教學(xué)和學(xué)習(xí)計劃，從而提升教育效果。

在軍事領(lǐng)域，群體智能還可以開啟未來戰(zhàn)場的全新模式。比如在超視距偵察系統(tǒng)中，無人機、衛(wèi)星、雷達(dá)和傳感器作為相互獨立的智能體，需要在群體智能的系統(tǒng)框架下，根據(jù)任務(wù)要求和資源限制，與其他智能體開展合作，進(jìn)行信息收集和全面分析，提高偵察的準(zhǔn)確性和及時性。

雖然目前還沒有一個完整的框架用來理解人工智能和群體智能間的交互，但作為人工智能的新興分支，群體智能不僅展示了技術(shù)的革新力量，也為我們勾勒出一個智能社會的未來圖景。在這個充滿可能性的時代，我們期待群體智能為人類帶來更多的驚喜和便利，同時，也需要保持警惕，確?？萍歼M(jìn)步的每一步都為人類福祉服務(wù)。