從人工智慧到群體智慧,人機協作之未來

文/陳根

人類很早就已認識到，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。關於群體智慧的力量，在科學上有個經典的實驗：在玻璃罐中放滿糖果，然後請試驗者來猜測糖果的數量，記錄每個人的答案、答案的平均數及其與正確答案之間的關係。

以2007年在哥倫比亞商學院的實驗為例，糖果實際數目為1116顆，73個學生參加實驗，73人的個人答案有多有少，但都離1116相差甚遠，而73人個人答案的平均值卻為1115顆，與糖果真實數量僅1顆之差。這本質上是個預測問題，其結果正體現了群體的智慧。

卡內基梅隆大學組織行為學專家安妮塔‧伍萊（Anita Woolley）表示，影響一個團隊發揮群體智慧的最大因素正是成員之間的協調程度。儘管群體的協作能帶來1+1>2的效果，但知易行難。

而隨著人類社會文明的進化，從農耕時代、工業時代到知識網絡時代、數據智能時代，人工智慧技術的深入發展，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，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，從而進一步釋放人類社會的潛能、促進社會經濟的發展？

從群體智能到優化算法

回顧生命進化史，生物多數以群居為主，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體，並通過共同努力放大智力。也正是基於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象，即群體結合個體的見解，在解決問題和做出決策時展現出超個體的智慧。

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

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

人工蜂群算法是模仿蜜蜂行為提出的一種優化方法，是群體智能思想的一個具體應用。蜜蜂在進化過程中，首先形成了大腦，讓它們可以處理信息，但是由於飛行需要最大程度減輕身體的負擔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元。

儘管一百萬個神經元依舊是一個龐大的數字，但與人類850億個神經元相比。不管人類有多聰明，除以85000，就是一隻蜜蜂的智慧。

所以一隻蜜蜂僅為一個非常簡單的有機體，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，就是蜜蜂對築巢地點的選擇。對於蜜蜂的進化來說，它們選擇的築巢地點越好，對於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，通過振動產生的信號代表它們是否支持某個特定的築巢地點。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、洞察力和直覺於一體的過程中達成一致的決定，就是最佳的智力決策。

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

粒子群優化算法初期只是設想模擬鳥群覓食行為過程，但是後來研究發現PSO算法是一種很好用的優化工具。其基本思想源於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作和競爭達到目的。

採用粒子群優化算法可以求解交通信號配時問題，航班進場、離場調度問題，機器人全局路徑規劃問題。該算法還有另外一個重要應用領域是圖像處理，因為圖像信息多樣性和複雜性特徵，目前在圖像處理領域，建模困難、處理不完整等問題普遍存在。而粒子優化算法在圖形處理領域中取得了一定的成功。

螞蟻優化算法是對自然界螞蟻的尋徑方式進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。當它們碰到一個還沒有走過的路口時，就隨機挑選一條路徑前行，與此同時釋放出與路徑長度有關的信息素，路徑越長，信息素越低。

而在後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路徑。蟻群優化算法可應用於其他組合優化問題，如旅行商問題、指派問題、車輛路由問題、網絡路由問題等。

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

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據和一系列行為，可以接受環境的刺激信息，做出相應的活動。它的下一刻狀態取決於自身狀態和環境狀態，並通過自身活動影響環境，進而影響其他人工魚的活動。人工魚群算法收斂速度快，可用於解決實時性要求高的問題。

 

從人工智慧到群體智慧

當然，基於群體智能的算法能夠在智能製造、智能城市、智能農業和智能醫療等方面發揮出群體智能的潛力，但要做到將人類聚集在一起並且發揮「群體智能」，設計出能夠與人類團隊良好融合的技術，卻可能會面對巨大的困難。

人類智能和人工智慧是兩套不同的智能，人工智慧或許將具備更強大的自我進化能力和在各方面都超越人類，但人工智慧卻沒有幾億年的進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建人工智慧帶來了困難。

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

要想解決人類對人工智慧的存疑和不信任，一個好的方法是將人類智慧和人工智慧智慧結合在一起，賦予人工智慧技術更多的人性元素，更好地指導其決策。

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」，就是當人工智慧在感知到人們的需求時，無需指令就能主動去「詢問」「關懷」和「交流」，並能獨立處理原本應該「人為」的事件，這也可以看出，人工智慧還將經歷從運算智能、感知智能階段，發展到認知智能階段。

此外，人工智慧的人性化需要避免數據歧視。事實上，人工智慧算法所依賴的大數據並非中立。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。而在數位化生存下，不管是「社會人」還是「經濟人」，都首先是「數字人」。現實空間的我們被數據所記載、所表達、所模擬、所處理、所預測，現實空間的歧視也將如此。

對數據的規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。但不管是國家管理還是對個體抑或群體行為引導，技術與法律往往都不可缺位。

人工智慧和人類智慧的協作已經成為機器時代的大勢所趨，儘管我們可以讓一些非常聰明的人單獨研究問題的不同方面，但是如果群體不協力合作，沒有集思廣益，將很難取得任何進展。而關鍵之處是要讓人工智慧幫助這些單打獨鬥的工作實現集群化，以面對需要集體行動才能解決的群體性問題。