从自动驾驶到机器人，集体智能将掀开AI下一华章？

09-14 265阅读 0评论

文 | 极智GeeTech

在近期的2024 Inclusion·上海外滩大会上，Kevin Kelly对未来国际做出了新的设想：全球主义正在敏捷推动，正在一起构建一个依据技能的“超级核算机”。每一台手机、笔记本电脑和数据服务器都将连接成一个巨大的核算体系，而每一台设备都是其间的一个小小的“神经元”。

“咱们正在打造一个巨大的、全球性的、如行星般规划的机器。”他以为，尽管人们或许对设备和内容有不同的偏好，但这些差异只是交互办法上的不同，根本上它们都归属于同一个渠道。国际上的一切数字技能，包含人工智能，都运转在这个新渠道上。

现在，这台“超级核算机”正在以史无前例的规划和速度运转。这也驱动着立异加快，让新发明和新思想的传播速度越来越快。比方人们经过增强实践和虚拟实践技能来训练人员；经过机器及其他传感器来感知国际；经过ChatGPT等东西去学习新的东西。

人工智能团体才智亟待开发

尽管当时的人工智能具有了根本逻辑才能，但还处于前期展开阶段。人们首要将人工智能运用于一些东西型使命，价值首要表现在进步功率。AI最有价值的当地在于它具有和人类不一样的思想，未来假如融入想象力、主观能动性，能够处理单靠人类无法处理的社会问题。

机器学习权威、美国“三院院士”Michael I. Jordan以为，“缺少对团体性、不确定性和激励机制的重视，是当时对人工智能的评论中缺失的三个方面。”

他表明，“日子自身充溢了不确定性，人也是十分不确定，彼此交流则是发明了一种下降不确定性的文明，这是人类做得十分好的作业之一。但当时的人工智能体系并没有很好地做到这一点，其不善于考虑不确定性，也不善于团结起来应对不确定性。相较之下，人类在面临不确定性时表现出色，尤其是团体协作一起应对时。”

除了进步单个智能体的才能，他呼吁树立一种能够表现团体才智的协同智能体体系。他以为，在AI的构建中，设法让机器具有相似的团体协作才能，成为了一个亟待处理的要害课题。只是将人类的才智融入人工智能中仍然是不行的，现代信息技能在医疗、交通、金融科技和商业范畴的运用，需求树立团体性的智能体系。但怎么让当时的人工智能体系也具有相似的团体协作才能，仍是一个未解的要害问题。

智能的第2次呈现

人工智能阅历了两次智能呈现，第一次智能呈现是神经网络的神经元到达必定量级后发生了突变。模型技能至今现已展开许多年了，包含最早2018年Bert自身也是大模型，之所以GPT带来革命性的影响，是因为其参数超过了必定量级，突破了100亿、1000亿，GPT-4参数量乃至到达万亿等级，由突变发生突变。

第2次团体智能呈现的实质是，当单体Agent足够多，各行各业都有专业的Agent，假如把这些Agent都集合起来，协同协作去完结某项使命，这个进程中有或许会发生新的发现。

事实上，人类很早就已认识到，经过团体协作群策群力，处理问题的成效能够大过个别才智的总和。关于团体才智的力气，在科学上有个经典的试验：在玻璃罐中放满糖块，然后请试验者来猜想糖块的数量，记载每个人的答案、答案的平均数及其与正确答案之间的联系。

以美国哥伦比亚商学院的试验为例，糖块实践数目为1116颗，73个学生参加试验，73人的个人答案有多有少，但都离1116相差甚远，而73人个人答案的平均值却为1115颗，与糖块实在数量仅1颗之差。这实质上是个猜测问题，其成果正表现了团体的才智。

卡内基梅隆大学安排行为学专家Anita Woolley表明，影响一个团队发挥团体才智的最大要素正是成员之间的和谐程度。尽管团体的协作能带来1+1>2的作用，但知易行难。

而跟着人类社会文明的进化，从农耕年代、工业年代到常识网络年代、数据智能年代，人工智能技能的深入展开，在浸透社会日子的一起，也辐射到了团体才智。在机器文明年代下，能否将人类的团体才智融入人工智能，构成单体智能的扩大效应，然后进一步开释人类社会的潜能，是一个值得考虑的议题。

当单个智能体彼此相关并协作时，它们能够构成一个杂乱而强壮的团体智能体系，然后发生出愈加杰出的智能呈现行为，这成为人工智能近年来一个重要的展开方向。

团体智能（Swarm Intelligence，SI）最早源于对以蚂蚁、蜜蜂等为代表的社会性昆虫的团体行为的研讨，自1991年意大利学者Dorigo提出蚁群优化（Ant Colony Optimization，ACO）理论开端，团体智能作为一个理论被正式提出，并逐渐招引了大批学者的重视，然后掀起了研讨高潮。

1995年，Kennedy等学者提出粒子群优化算法（Particle Swarm Optimization，PSO），尔后团体智能研讨敏捷打开。现在，团体智能的研讨首要包含智能蚁群算法和粒子群算法，智能蚁群算法首要包含蚁群优化算法、蚁群聚类算法和多机器人协同协作体系。其间，蚁群优化算法和粒子群优化算法在求解实践问题时运用最为广泛。

团体智能的中心在于分布式决议方案和协作，它经过算法让许多小型智能单元协同作业，一起处理杂乱问题。这种技能的运用规划广泛，从交通优化、城市规划、工业生产到智能医疗等范畴，都能看到其身影。

例如，在一个智能交通体系中，每辆车都是一个智能体，它们需求依据路况和交通规则来挑选适宜的速度和路途，一起也需求与其他车辆和行人进行交流和和谐，以防止磕碰和拥堵。在一个智能医疗体系中，每个医师、护理、患者和设备都是一个智能体，它们需求依据病况和资源的分配来拟定合理的治疗方案，一起也需求与其他智能体进行信息的同享和决议方案的洽谈，以进步医疗的功率和质量。

以交通为例，公路驾车团体是依照交通规则，以公路体系为渠道，由一群具有单体智能的人类驾驭或主动驾驭车辆所构成。单体智能的缺点在于个别感知、通讯和操控的局部性，与其行为决议方案对大局的影响性之间的对立。

对人类驾驭员而言，因为交通互动的无序和对不知道交通环境的不了解，很难在遇到突发交通状况、并道或绕过路障时坚持正常车速，往往会因为下降车速而构成路途拥堵。

关于主动驾驭车辆，其内行进进程中，处理问题的优先级一般是以自身为起点，也便是以自身的安全与功率最大化为条件。假如每辆车都如此规划的时分，就会带来许多抵触对立，比方在路口会遇到因为彼此博弈而卡住不动的状况。跟着主动驾驭轿车规划的逐渐进步，这类问题将愈加杰出。

假如没有外力的参加，单纯依托主动驾驭车辆自身的决议方案体系，缺乏以对大局构成更好的成果，这时就需求一个能够把握大局性信息的团体智能体系进行大局和谐。尽管团体智能所发生的成果关于单体来讲或许不是最优，乃至会呈现功率下降的状况，但对大局而言，则是一个功率最高的最优解，能够完结体系效能的进步。

比方在一个路口，大局最优解是要保证一切人的通行时刻都被节约，而不是某一个特例或许某一台车的时刻被节约。

现在国家正在大力推广的车路云一体化，便是群智智能的典型代表，其经过各类传感器、云控渠道、感知算法、数据交融、猜测模型等设备和技能，把每一辆车、每一台基站等智能个别，都变成一个信息节点，它们互联互通，构成一个能够同享信息、协同运转的智能体网络。这个智能体网络从大局视角，为主动驾驭车辆供给最优行进途径主张，处理交通功率问题。

站在体系展开视点看，主动驾驭寻求越来越极致的智能化，而车路云一体化则寻求的是极致的体系智能。一个是单点的智能化，一个是体系的智能化，只要这样才能在不同维度上处理不同的问题。假如是单点的问题，就交给单车去处理；假如是体系的问题，就交给体系去处理，必定是在不同层面用不同的办法去处理，而不是用一套办法来处理一切问题。

未来，当无人机、机器人、机器狗等更多智能体接入车路云网络，就能够直接取得城市愈加丰厚、完好的信息，比方主动驾驭车辆能够取得完好的交通信息，无人机能够取得空域的数字化信息，机器狗、机器人能够取得各自行进途径上相应的环境信息，这样就构建起了一个完好、安全、高效、实时的超级智能体网络，以此为根底的智能城市也将由此诞生。

Science 2016年的论文“团体之力气”（The Power of Crowds）以为：结合团体才智与机器功能来处理快速增长难题时，群智核算按难易程度分为三种类型：完结使命分配的众包形式、较杂乱支撑作业流形式的群智、最杂乱的协同求解问题的生态体系形式。

在具身智能范畴，由大模型驱动的多智能体高效协作是要点研讨方向之一。

此前，大模型在具身智能中首要用于处理单智能体的使命规划问题。但是，因为大模型常识和特定的具身环境没有对齐，大模型发生的规划往往难以在实践环境中履行。

举例来说，在清扫房间的使命中，大模型给出的规划或许是首要找到吸尘器。但是，环境中或许没有吸尘器，只能经过扫帚能完结该使命。

此刻，大模型需求经过和环境的多轮交互和反应来使其习惯于具身环境，因而具有昂扬的交互价值。

在多智能体环境中，每个智能体都运用大模型进行操控。而当多个智能体协同完结一项使命时，除了会遇到相似单智能体的环境不适配问题，还存在多智能体怎么高效交流和协作的难题。

假如直接经过多智能体对话洽谈，来进行协作的办法是低效的。一方面，很难彻底经过对话得出有用的协同战略；另一方面，无法衡量单个智能体对整体使命方针的奉献（即信度分配），难以驱动每个智能体改善战略来进步整体收益。

因而，多智能体协作体系（Multi-Agent Collaboration Systems，MACS）就十分必要，其方针是使多个智能体能够有用地协作，以完结一些超出单个智能体才能规划的使命。该体系能够用于模仿和优化交通、动力、物流等杂乱体系，也能够用于智能家居、智能城市、智能工厂等场景的规划和完结。

在MACS下，多智能体协作结构（Multi-Agent Collaboration Framework，MACF）供给了完结智能体间协作与竞赛的办法和东西，包含智能体建模、交互和谐、评价优化、习惯演化和人机交互等方面，首要用于和谐和操控多个智能体，以完结一起方针或处理一起问题。其间心是平衡智能体间的协作与竞赛，处理使命分配、战略挑选、信息同享、学习办法和人类参加等要害问题。

MACF的分布式协作办法强调在涣散环境中智能体间的信息同享和使命分配，经过强化学习、反应、智能合约等手法进步功能和习惯性。当时，比较干流的多智能体技能结构包含AutoGen、MetaGPT、XAgent、AutoAgent、CrewAI等，这些项目从不同视点提出智能体体系规划模块的改善主张，其间包含长短期规划、规划输出格局、用户提示拓宽解说、反应迭代机制等，为多智能体高效协作奠定技能根底。

需求指出的是，多智能体发生团体智能的条件是单智能体自身现已具有较高的智能化水平。单智能体的才能鸿沟很大程度上影响着团体智能的才能发挥，就比如蚁群或蜂群的个别数量再多、安排再紧密，也无法制造出摩天大楼。因而，充沛激发单智能体的才能是开释团体智能价值的条件，而团体智能也将对单体智能体的潜力进一步开发，构成互为支撑、彼此交融、彼此促进的良性联系。