导读：在自然界当中，群体智能广泛存在，诸如蜂群、蚁群以及鱼群的聚集。而从宏观上说，人类社会的不断发展和演化也是一种群体智能现象，绝大多数文明成果都是人类个体在长期群体化、社会化的生产生活中逐渐演化形成的产物。
数十年来，科学家们尝试对「群体智能」现象做出解释。1959 年，法国动物学家 Pierre-Paul Grasse 提出环境激发效应（Stigmergy），用于解释低等生物群体中的智能现象。Stigmergy 一词由两个希腊词根构成：stigma（刺激）和 ergon（工作），即受到刺激而进行工作。
人类社会中也存在大量「群体智能」现象，例如：在没有规划和指挥的情况下，草坪上会涌现出弯弯曲曲的小路；任何一个草坪上的小路放任不管，没有规划也没有人的指挥，会形成几条弯弯曲曲的小路。法国心理学家勒庞在群体心理学经典著作《乌合之众》中指出，受到有效激励和鼓励后，群体汇聚的能力会产生惊人破坏力。中国俗语「三个臭裨将，顶个诸葛亮」生动形象地说明了智力平平的个体团结在一起也可能做出高质量的决策。市场经济中「看不见的手」也可以对大规模市场资源进行有效配置。
2005 年，《科学》杂志曾提出过 125 个有待研究的科学问题。其中，排名第 16 的问题为「人类合作行为如何演化形成」。科学家们观察到，合作行为在低等生物之间以及人类社会中广泛存在。达尔文曾指出「互惠」是一种有效的个体适应策略，从而试图解释这种合作行为。
2014 年，研究人员在《美国科学院院刊》（PNAS）上发表了 EteRNA，展示了利用群体的力量在游戏环境中设计 RNA 分子结构。基于群体智能开发的 UnanimousAI 平台可以来用群体的力量求解单项选择题，实现了更准确的肺炎诊断。
理想形态的群体智能具有两种基本的性质，即「智能放大效应」和「规模可扩展性」，规模庞大的群体可以有效放大个体的智能。从本质上说，群体智能来源于自主个体之间的大规模有效协同。从哲学的角度来看，可以用「量变产生质变」来解释群体智能现象。从复杂系统的视角来看，可以认为这「涌现」和「自组织」也体现了自主个体的大规模协同。因此可以将群体智能理解为一种利用群体力量求解复杂问题的方法，无法仅依靠个体有效求解这种复杂问题，即存在「1+1>2」的放大效应。
从微观层次上看，群体智能呈现出两种基本原理：
在物理空间中利用群智机理的难度较大，可行性较低。首先，从表层意义上来说，物理空间中群体智能的可控性较差，时间跨度过大。从深层因素上说，在物理空间中召集足够参与者的成本太高，信息的传播速率太慢，信息依赖于具有足够宽广的知识面的重要人物才能融合。此外，物理空间的信息反馈是被动的，要求个体主动寻找信息。
群体智能的构造性模型 EIFL 如上图所示，「信息激发、信息融合、信息反馈」循环中，梅宏院士首先尝试有效激发每个个体提供问题相关信息片段的积极性，再对不同个体提供的信息进行有效融合，最后考虑如何将融合后的信息有效地反馈给每个个体。
根据群体智能发生的空间（物理空间、网络空间）和信息融合的方式（自然、半人工、人工），可以将群体智能系统按照如上图所示的方法进行分类。
如前文所示，可以基于「探索-融合-反馈」机制构建能够解答单项选择题的 Swarm AI 智能体。好比将问题的选项都放在冰面上，冰面上有一个铁质的冰壶，每个个体（选择的可能答案）都持有一个磁铁。在探索时，每个个体用磁铁对冰壶施加引力；在融合时，所有施加在冰壶上的力汇聚成一个合力；在反馈时，合力会导致冰壶发生移动，每一个个体可以观察到冰壶的移动。合力走向会影响每个个体的判断，每个个体观察冰壶的移动也可能改变主意。
EteRNA是按照游戏方式来进行 RNA 分子结构设计，有许多人参与，大约一周完成一次「探索-融合-反馈」循环。在探索时，每个个体在各自的工作空间中设计 RNA 分子结构并提交；在融合时，每个个体对他人提交结果进行投票，选出前 8 名，8 个设计方案综合在一起并采用特定的指标对综合结果进行评估；在反馈时，融合的结果对所有个体公布，个体在此基础上进行下一轮探索工作。
人类文明中知识体系的形成大体也遵循「探索-融合-反馈」的机制。对于任何一个问题、很多个体、小团体总在不断的探索和尝试。在某一个时刻，出现一个重要的人物，把探索结果汇聚起来，将前人的经验、实践结果融合成论著。论著被广泛传播以后又反过来改进人类对现实世界的认知。在互联网诞生后，人类的知识创新能力又得到了进一步提升。
08
在电影《超能陆战队》中，存在一种磁力机器人，能够大规模聚集在一起，组成各种形状。受此启发，研究者也研究能否采用「探索-融合-反馈」的基本原理，通过构造性模型，实现大规模群体在非中心控制情况下的自我成型。
梅宏院士团队借鉴昆虫的「趋光性」设计了一种人工光场进行信息的融合和反馈。团队根据每个个体的当前位置确定光场状态，光场驱动个体进一步改变位置。
如上图所示，没有被占据的网格位置融合形成蓝光光场，已经被占据的网格融合形成红光光场，这是融合过程。每个个体可以得到周围局部光场的信息，并根据局部光场信息得到了反馈意见，再进行新的探索。实验结果表明，在具有充分多样性的形状的任务集合上，该方法展现出很好的效率、规模可扩展性、稳定性。
基于「探索-融合-反馈」机制的群体拼图过程如上图所示。在探索过程中，每一个体自主进行拼图，拼图结果被表示为由图块以及图块之间的邻接关系形成的图；在融合时，所有个体当前时刻的拼图结果被融合在一起，形成当前时刻的群体观点图，个体遇到困难时，系统会显式地从当前群体观点图中获取共识。在反馈时，研究者根据个体当前时刻的拼图动作将当前时刻群体观点图中相关的具有较高可信度的邻接关系反馈给当前个体，与当前个体关注点相关的共识被用于即时辅助，作为响应式反馈。在后续的拼图过程中，随着问题求解的推进和群体共识的收敛，反馈会持续增强。
10
知识图谱是人工智能领域的研究热点。目前，研究者还不能完成对专业领域的知识图谱的自动化构建，必须要求大量人类专家的参与。研究者尝试基于「探索-融合-反馈」的群体智能技术研发能够帮助知识图谱构建的工具。
在探索阶段，每个参与者根据自己的理解构建个体知识图谱，个体与个体之间的联系表现为节点和节点之间的带标签有向图。在每次探索活动中，个体根据自己的探索结果提供知识片段，建立并完善实体及其属性信息。针对未定义的实体/关系类型进行自定义补充。
在融合阶段，可以通过熵最小化形成对齐个体知识图谱。在多人协同构建知识图谱时，平台将多人构建的知识主动融合，形成群体知识图谱。
基于广义熵最小化的知识图谱融合算法，与当前最好方法比，在 Hit@1 指标上取得 1% 到 27% 的提升。通过在知识图谱融合中加入反馈响应信息，指标又有所提升。在包含 1-64 个个体的人类群体中，对四大名著等多个领域知识图谱进行构建：随着群体规模不断提升，个体构建效率和群体制品规模不断提升，算法表现出良好的规模可拓展性。
11
该研究关注的科学问题是：互联网环境下，软件开发群体智能的形成、度量、调控。该科学问题又可以被分解为以下三个重要的子问题：面向软件开发的互联网群体智能形成核心因素是什么？如何对群智化软件开发的质量和效率进行量化度量分析？如何对于群智化软件开发能不能进行有目的的调整、影响和控制？
该研究包含 5 项具体的研究内容：
当下的开源平台汇聚群智的能力仍然不足。在没有符合要求的国产开源平台进行测试的情况下，研究者采用了众包测试平台开展了一系列实验。
研究者根据测试问题特殊性，建立了人机协同机制，以测试报告为核心的迭代式的探索融合反馈回路，支持群体构成、测试需求及策略等动态调整。
16
回顶部