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，正在共同構建一個基于技術的“超級計算機”。每一臺手機、筆記本電腦和數據服務器都將連接成一個巨大的計算系統，而每一臺設備都是其中的一個小小的“神經元”。

“我們正在打造一個巨大的、全球性的、如行星般規模的機器。”他認為，盡管人們可能對設備和內容有不同的偏好，但這些差異只是交互方式上的不同，根本上它們都歸屬于同一個平臺。世界上的所有數字技術，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模和速度運行。這也驅動著創新加速，讓新發明和新思想的傳播速度越來越快。比如人們通過增強現實和虛擬現實技術來培訓人員；通過機器及其他傳感器來感知世界；通過ChatGPT等工具去學習新的東西。

人工智能群體智慧亟待開發

雖然當前的人工智能具備了基本邏輯能力，但還處于早期發展階段。人們主要將人工智能應用于一些工具型任務，價值主要體現在提升效率。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。

機器學習泰斗、美國“三院院士”MichaelI. Jordan認為，“缺乏對集體性、不確定性和激勵機制的關注，是當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。但當前的人工智能系統并沒有很好地做到這一點，其不善于思考不確定性，也不善于團結起來應對不確定性。相較之下，人類在面對不確定性時表現出色，尤其是集體協作共同應對時。”

除了提升單個智能體的能力，他呼吁建立一種能夠體現集體智慧的協同智能體系統。他認為，在AI的構建中，設法讓機器具備類似的群體協作能力，成為了一個亟待解決的關鍵課題。僅僅將人類的智慧融入人工智能中仍然是不夠的，現代信息技術在醫療、交通、金融科技和商業領域的應用，需要建立集體性的智能系統。但如何讓當前的人工智能系統也具備類似的集體協作能力，仍是一個未解的關鍵問題。

智能的第二次涌現

人工智能經歷了兩次智能涌現，第一次智能涌現是神經網絡的神經元達到一定量級后產生了質變。模型技術至今已經發展很多年了，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，是因為其參數超過了一定量級，突破了100億、1000億，GPT-4參數量甚至達到萬億級別，由量變產生質變。

第二次群體智能涌現的本質是，當單體Agent足夠多，各行各業都有專業的Agent，如果把這些Agent都聚集起來，協同合作去完成某項任務，這個過程中有可能會產生新的發現。

事實上，人類很早就已認識到，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。關于群體智慧的力量，在科學上有個經典的實驗：在玻璃罐中放滿糖果，然后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系。

以美國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。盡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，人工智能技術的深入發展，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，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，從而進一步釋放人類社會的潛能，是一個值得思考的議題。

當單個智能體相互關聯并協作時，它們能夠形成一個復雜而強大的群體智能系統，從而產生出更加卓越的智能涌現行為，這成為人工智能近年來一個重要的發展方向。

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年意大利學者Dorigo提出蟻群優化（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者的關注，從而掀起了研究高潮。

1995年，Kennedy等學者提出粒子群優化算法（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化算法、蟻群聚類算法和多機器人協同合作系統。其中，蟻群優化算法和粒子群優化算法在求解實際問題時應用最為廣泛。

群體智能的核心在于分布式決策和協作，它通過算法讓眾多小型智能單元協同工作，共同解決復雜問題。這種技術的應用范圍廣泛，從交通優化、城市規劃、工業生產到智能醫療等領域，都能看到其身影。

例如，在一個智能交通系統中，每輛車都是一個智能體，它們需要根據路況和交通規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行溝通和協調，以避免碰撞和擁堵。在一個智能醫療系統中，每個醫生、護士、患者和設備都是一個智能體，它們需要根據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行信息的共享和決策的協商，以提高醫療的效率和質量。

以交通為例，公路駕車群體是按照交通規則，以公路系統為平臺，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境的不了解，很難在遇到突發交通狀況、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，處理問題的優先級通常是以自身為出發點，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，不足以對全局形成更好的結果，這時就需要一個能夠掌握全局性信息的群體智能系統進行全局協調。雖然群體智能所產生的結果對于單體來講可能不是最優，甚至會出現效率降低的情況，但對全局而言，則是一個效率最高的最優解，可以實現系統效能的提升。

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

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、數據融合、預測模型等設備和技術，把每一輛車、每一臺基站等智能個體，都變成一個信息節點，它們互聯互通，形成一個可以共享信息、協同運行的智能體網絡。這個智能體網絡從全局視角，為自動駕駛車輛提供最優行駛路徑建議，解決交通效率問題。

站在系統發展角度看，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智能。一個是單點的智能化，一個是系統的智能化，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；如果是系統的問題，就交給系統去解決，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，當無人機、機器人、機器狗等更多智能體接入車路云網絡，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字化信息，機器狗、機器人可以獲得各自行駛路徑上相應的環境信息，這樣就構建起了一個完整、安全、高效、實時的超級智能體網絡，以此為基礎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）認為：結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：實現任務分配的眾包模式、較復雜支持工作流模式的群智、最復雜的協同求解問題的生態系統模式。

在具身智能領域，由大模型驅動的多智能體高效協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規劃問題。然而，由于大模型知識和特定的具身環境沒有對齊，大模型產生的規劃往往難以在實際環境中執行。

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

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

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

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

因此，多智能體協作系統（Multi-Agent CollaborationSystems，MACS）就十分必要，其目標是使多個智能體能夠有效地協作，以實現一些超出單個智能體能力范圍的任務。該系統可以用于模擬和優化交通、能源、物流等復雜系統，也可以用于智能家居、智能城市、智能工廠等場景的設計和實現。

在MACS下，多智能體協作框架（Multi-Agent Collaboration Framework，MACF）提供了實現智能體間合作與競爭的方法和工具，包括智能體建模、交互協調、評估優化、適應演化和人機交互等方面，主要用于協調和控制多個智能體，以實現共同目標或解決共同問題。其核心是平衡智能體間的合作與競爭，解決任務分配、策略選擇、信息共享、學習方式和人類參與等關鍵問題。

MACF的分布式協作方式強調在分散環境中智能體間的信息共享和任務分配，通過強化學習、反饋、智能合約等手段提高性能和適應性。當前，比較主流的多智能體技術框架包括AutoGen、MetaGPT、XAgent、AutoAgent、CrewAI等，這些項目從不同角度提出智能體系統規劃模塊的改進建議，其中包括長短期規劃、規劃輸出格式、用戶提示拓展解釋、反饋迭代機制等，為多智能體高效協作奠定技術基礎。

需要指出的是，多智能體產生群體智能的前提是單智能體本身已經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揮，就好比蟻群或蜂群的個體數量再多、組織再嚴密，也無法制造出摩天大樓。因此，充分激發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一步開發，形成互為支撐、相互融合、相互促進的良性關系。

道路曲折無礙前途光明

盡管存在算法復雜性、環境不確定性、人機交互和倫理法律遵守等挑戰，但群體智能的發展前景依然廣闊，其可以廣泛應用于機器人、交通、教育、軍事等各個領域，在提高系統性能和效率、增強系統魯棒性和可擴展性、促進系統與人類的協同和互動方面發揮重要作用。

在機器人領域，群體智能可以使機器人能夠完成更復雜和更困難的任務，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訂單的內容和優先級，選擇合適的貨物和路徑，同時也需要在群體智能系統下，與其他機器人開展協作，提高倉庫的運營效率和客戶滿意度。

在智能救援場景中，機器人需要根據災害的類型和程度，選擇合適的工具和方法，同時也需要與其他機器人進行協同和支持，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環境變化和任務需求，自動調整救援策略，并與其他機器人或人類進行有效協作。

針對教育場景，群體智能可以調動教師、學生、課程等各類資源，根據學習者特征、學習需求、學習目標、學習進度等，制定科學合理的教學和學習計劃，從而提升教育效果。

在軍事領域，群體智能還可以開啟未來戰場的全新模式。比如在超視距偵察系統中，無人機、衛星、雷達和傳感器作為相互獨立的智能體，需要在群體智能的系統框架下，根據任務要求和資源限制，與其他智能體開展合作，進行信息收集和全面分析，提高偵察的準確性和及時性。

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，確保科技進步的每一步都為人類福祉服務。