文/陳根

人類很早就已認(rèn)識到，群體合作集思廣益，其解決問題的成效可以大過個體各自智慧的總和。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2007年在哥倫比亞商學(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)專家安妮塔?伍萊（Anita Woolley）表示，影響一個團(tuán)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(jī)器文明時代下，是否能夠在人類群體中加入智能工具，形成個體智能的放大效應(yīng)，從而進(jìn)一步釋放人類社會的潛能、促進(jìn)社會經(jīng)濟(jì)的發(fā)展？

從群體智能到優(yōu)化算法

回顧生命進(jìn)化史，生物多數(shù)以群居為主，比如自然界的鳥類和蜜蜂，魚和螞蟻，它們形成了自己的社會團(tuán)體，并通過共同努力放大智力。也正是基于對自然界群居生物的觀察，人們提出了群體智能。簡單來說，群體智能是一種生物現(xiàn)象，即群體結(jié)合個體的見解，在解決問題和做出決策時展現(xiàn)出超個體的智慧。

受到這種生物群體行為研究的啟發(fā)，研究人員開發(fā)出了創(chuàng)建群體計算模型，它們表現(xiàn)出了與單個個體完全不同的非凡計算能力，而群智能優(yōu)化算法為計算智能和人工智能提供了新一個方向，這對于人類群體的決策也具有重要意義。

目前，群智能優(yōu)化算法主要包括：人工蜂群（ABC）優(yōu)化算法、粒子群優(yōu)化（PSO）算法、蟻群優(yōu)化（ACO）算法、人工魚群優(yōu)化算法。

人工蜂群算法是模仿蜜蜂行為提出的一種優(yōu)化方法，是群體智能思想的一個具體應(yīng)用。蜜蜂在進(jìn)化過程中，首先形成了大腦，讓它們可以處理信息，但是由于飛行需要最大程度減輕身體的負(fù)擔(dān)使得它們的大腦不能夠變大。事實上，蜜蜂的大腦比一粒沙子還要小，其中只有不到一百萬個神經(jīng)元。

盡管一百萬個神經(jīng)元依舊是一個龐大的數(shù)字，但與人類850億個神經(jīng)元相比。不管人類有多聰明，除以85000，就是一只蜜蜂的智慧。

所以一只蜜蜂僅為一個非常簡單的有機(jī)體，但是它們依舊要面臨許多困難的生存問題。其中，被研究最多的一個問題，就是蜜蜂對筑巢地點(diǎn)的選擇。對于蜜蜂的進(jìn)化來說，它們選擇的筑巢地點(diǎn)越好，對于物種的生存就會越有利。

為了解決這個問題，蜜蜂形成蜂群思維，即群體智能。從收集信息到選擇，通過振動產(chǎn)生的信號代表它們是否支持某個特定的筑巢地點(diǎn)。而成千上萬的蜜蜂同時振動它們的身體時，就是一個多維的選擇問題。它們揣度每個決定，探索所有不同的選擇，在這個相互推動和拉扯，匯聚它們各自的知識、智慧、洞察力和直覺于一體的過程中達(dá)成一致的決定，就是最佳的智力決策。

基于蜜蜂的群體智能，主要特點(diǎn)是不需要了解問題的特殊信息，只需要對問題進(jìn)行優(yōu)劣比價，通過各人工蜂的局部尋優(yōu)行為，最終在群體中使全局最優(yōu)值凸顯出來，有著較快的收斂速度。

粒子群優(yōu)化算法初期只是設(shè)想模擬鳥群覓食行為過程，但是后來研究發(fā)現(xiàn)PSO算法是一種很好用的優(yōu)化工具。其基本思想源于對鳥類覓食過程中遷移和聚集行為的模擬，通過鳥之間的集體協(xié)作和競爭達(dá)到目的。

采用粒子群優(yōu)化算法可以求解交通信號配時問題，航班進(jìn)場、離場調(diào)度問題，機(jī)器人全局路徑規(guī)劃問題。該算法還有另外一個重要應(yīng)用領(lǐng)域是圖像處理，因為圖像信息多樣性和復(fù)雜性特征，目前在圖像處理領(lǐng)域，建模困難、處理不完整等問題普遍存在。而粒子優(yōu)化算法在圖形處理領(lǐng)域中取得了一定的成功。

螞蟻優(yōu)化算法是對自然界螞蟻的尋徑方式進(jìn)行模擬而得到的一種仿生算法。在螞蟻尋找食物過程中，蟻群總能找到一條從食物到巢穴之間的左右路徑，這是因為螞蟻在尋找路徑時，會在路徑上釋放出一種特殊的信息素。當(dāng)它們碰到一個還沒有走過的路口時，就隨機(jī)挑選一條路徑前行，與此同時釋放出與路徑長度有關(guān)的信息素，路徑越長，信息素越低。

而在后來的螞蟻碰到這個路口時，就選擇信息素濃度高的路徑，這就形成了一個正反饋，最優(yōu)路徑上信息素濃度越來越大，其他路徑上信息素越來越低，最終蟻群會找到最優(yōu)路徑。蟻群優(yōu)化算法可應(yīng)用于其他組合優(yōu)化問題，如旅行商問題、指派問題、車輛路由問題、網(wǎng)絡(luò)路由問題等。

人工魚群算法則是在動物群體智能行為研究基礎(chǔ)上提出的一種新型仿生群智能優(yōu)化算法。該算法根據(jù)水域魚生存數(shù)目最多的地方就是該水域中富含營養(yǎng)物質(zhì)最多的地方這一特點(diǎn)來模擬魚群的覓食行為而實現(xiàn)尋優(yōu)。

其主要利用魚的三個基本行為：覓食、聚群和追尾行為，人工魚是真實魚的抽象化、虛擬化的一個實體，其中封裝了自身的數(shù)據(jù)和一系列行為，可以接受環(huán)境的刺激信息，做出相應(yīng)的活動。它的下一刻狀態(tài)取決于自身狀態(tài)和環(huán)境狀態(tài)，并通過自身活動影響環(huán)境，進(jìn)而影響其他人工魚的活動。人工魚群算法收斂速度快，可用于解決實時性要求高的問題。

從人工智能到群體智慧

當(dāng)然，基于群體智能的算法能夠在智能制造、智能城市、智能農(nóng)業(yè)和智能醫(yī)療等方面發(fā)揮出群體智能的潛力，但要做到將人類聚集在一起并且發(fā)揮“群體智能”，設(shè)計出能夠與人類團(tuán)隊良好融合的技術(shù)，卻可能會面對巨大的困難。

人類智能和人工智能是兩套不同的智能，人工智能或許將具備更強(qiáng)大的自我進(jìn)化能力和在各方面都超越人類，但人工智能卻沒有幾億年的進(jìn)化史留在人類身上的刻痕，沒有生物的直覺和本能，這給使得利用人類的社交智慧來構(gòu)建人工智能帶來了困難。

因為機(jī)器仍然很難捕捉到支配著人類群體動態(tài)的那種微妙而難以言喻的社交表達(dá)方式，而機(jī)器系統(tǒng)只有在人類真正信任人工智能決策，并且用戶只接受系統(tǒng)的輕微提示的情況下才能工作。一旦系統(tǒng)過度干涉用戶，人們就會想辦法讓其失效，這令智能工具進(jìn)入人類群體變得更加不確定。

要想解決人類對人工智能的存疑和不信任，一個好的方法是將人類智慧和人工智能智慧結(jié)合在一起，賦予人工智能技術(shù)更多的人性元素，更好地指導(dǎo)其決策。

這也意味著，僅僅會分析、計算還不夠，還需要具有“主動性”。所謂“主動性”，就是當(dāng)人工智能在感知到人們的需求時，無需指令就能主動去“詢問”“關(guān)懷”和“交流”，并能獨(dú)立處理原本應(yīng)該“人為”的事件，這也可以看出，人工智能還將經(jīng)歷從運(yùn)算智能、感知智能階段，發(fā)展到認(rèn)知智能階段。

此外，人工智能的人性化需要避免數(shù)據(jù)歧視。事實上，人工智能算法所依賴的大數(shù)據(jù)并非中立。它們從真實社會中抽取，必然帶有社會固有的不平等、排斥性和歧視的痕跡。而在數(shù)字化生存下，不管是“社會人”還是“經(jīng)濟(jì)人”，都首先是“數(shù)字人”?，F(xiàn)實空間的我們被數(shù)據(jù)所記載、所表達(dá)、所模擬、所處理、所預(yù)測，現(xiàn)實空間的歧視也將如此。

對數(shù)據(jù)的規(guī)制不僅需要國家層面的治理，更包含對個人和群體行為的引導(dǎo)。但不管是國家管理還是對個體抑或群體行為引導(dǎo)，技術(shù)與法律往往都不可缺位。

人工智能和人類智慧的協(xié)作已經(jīng)成為機(jī)器時代的大勢所趨，盡管我們可以讓一些非常聰明的人單獨(dú)研究問題的不同方面，但是如果群體不協(xié)力合作，沒有集思廣益，將很難取得任何進(jìn)展。而關(guān)鍵之處是要讓人工智能幫助這些單打獨(dú)斗的工作實現(xiàn)集群化，以面對需要集體行動才能解決的群體性問題。