文/陈根
人类很早就已认识到，群体合作集思广益，其解决问题的成效可以大过个体各自智慧的总和。关于群体智慧的力量，在科学上有个经典的实验：在玻璃罐中放满糖果，然后请试验者来猜测糖果的数量，记录每个人的答案、答案的平均数及其与正确答案之间的关系。
以2007年在哥伦比亚商学院的实验为例，糖果实际数目为1116颗，73个学生参加实验，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，与糖果真实数量仅1颗之差。这本质上是个预测问题，其结果正体现了群体的智慧。
卡内基梅隆大学组织行为学专家安妮塔 伍莱（Anita Woolley）表示，影响一个团队发挥群体智慧的最大因素正是成员之间的协调程度。尽管群体的协作能带来1+1>2的效果，但知易行难。
而随着人类社会文明的进化，从农耕时代、工业时代到知识网络时代、数据智能时代，人工智能技术的深入发展，在渗透社会生活的同时，也辐射到了群体智慧。在机器文明时代下，是否能够在人类群体中加入智能工具，形成个体智能的放大效应，从而进一步释放人类社会的潜能、促进社会经济的发展？
从群体智能到优化算法
回顾生命进化史，生物多数以群居为主，比如自然界的鸟类和蜜蜂，鱼和蚂蚁，它们形成了自己的社会团体，并通过共同努力放大智力。也正是基于对自然界群居生物的观察，人们提出了群体智能。简单来说，群体智能是一种生物现象，即群体结合个体的见解，在解决问题和做出决策时展现出超个体的智慧。
受到这种生物群体行为研究的启发，研究人员开发出了创建群体计算模型，它们表现出了与单个个体完全不同的非凡计算能力，而群智能优化算法为计算智能和人工智能提供了新一个方向，这对于人类群体的决策也具有重要意义。
目前，群智能优化算法主要包括：人工蜂群（ABC）优化算法、粒子群优化（PSO）算法、蚁群优化（ACO）算法、人工鱼群优化算法。
人工蜂群算法是模仿蜜蜂行为提出的一种优化方法，是群体智能思想的一个具体应用。蜜蜂在进化过程中，首先形成了大脑，让它们可以处理信息，但是由于飞行需要最大程度减轻身体的负担使得它们的大脑不能够变大。事实上，蜜蜂的大脑比一粒沙子还要小，其中只有不到一百万个神经元。
尽管一百万个神经元依旧是一个庞大的数字，但与人类850亿个神经元相比。不管人类有多聪明，除以85000，就是一只蜜蜂的智慧。
所以一只蜜蜂仅为一个非常简单的有机体，但是它们依旧要面临许多困难的生存问题。其中，被研究最多的一个问题，就是蜜蜂对筑巢地点的选择。对于蜜蜂的进化来说，它们选择的筑巢地点越好，对于物种的生存就会越有利。
为了解决这个问题，蜜蜂形成蜂群思维，即群体智能。从收集信息到选择，通过振动产生的信号代表它们是否支持某个特定的筑巢地点。而成千上万的蜜蜂同时振动它们的身体时，就是一个多维的选择问题。它们揣度每个决定，探索所有不同的选择，在这个相互推动和拉扯，汇聚它们各自的知识、智慧、洞察力和直觉于一体的过程中达成一致的决定，就是最佳的智力决策。
基于蜜蜂的群体智能，主要特点是不需要了解问题的特殊信息，只需要对问题进行优劣比价，通过各人工蜂的局部寻优行为，最终在群体中使全局最优值凸显出来，有着较快的收敛速度。
粒子群优化算法初期只是设想模拟鸟群觅食行为过程，但是后来研究发现PSO算法是一种很好用的优化工具。其基本思想源于对鸟类觅食过程中迁移和聚集行为的模拟，通过鸟之间的集体协作和竞争达到目的。
采用粒子群优化算法可以求解交通信号配时问题，航班进尝离场调度问题，机器人全局路径规划问题。该算法还有另外一个重要应用领域是图像处理，因为图像信息多样性和复杂性特征，目前在图像处理领域，建模困难、处理不完整等问题普遍存在。而粒子优化算法在图形处理领域中取得了一定的成功。
蚂蚁优化算法是对自然界蚂蚁的寻径方式进行模拟而得到的一种仿生算法。在蚂蚁寻找食物过程中，蚁群总能找到一条从食物到巢穴之间的左右路径，这是因为蚂蚁在寻找路径时，会在路径上释放出一种特殊的信息素。当它们碰到一个还没有走过的路口时，就随机挑选一条路径前行，与此同时释放出与路径长度有关的信息素，路径越长，信息素越低。
而在后来的蚂蚁碰到这个路口时，就选择信息素浓度高的路径，这就形成了一个正反馈，最优路径上信息素浓度越来越大，其他路径上信息素越来越低，最终蚁群会找到最优路径。蚁群优化算法可应用于其他组合优化问题，如旅行商问题、指派问题、车辆路由问题、网络路由问题等。
人工鱼群算法则是在动物群体智能行为研究基础上提出的一种新型仿生群智能优化算法。该算法根据水域鱼生存数目最多的地方就是该水域中富含营养物质最多的地方这一特点来模拟鱼群的觅食行为而实现寻优。
其主要利用鱼的三个基本行为：觅食、聚群和追尾行为，人工鱼是真实鱼的抽象化、虚拟化的一个实体，其中封装了自身的数据和一系列行为，可以接受环境的刺激信息，做出相应的活动。它的下一刻状态取决于自身状态和环境状态，并通过自身活动影响环境，进而影响其他人工鱼的活动。人工鱼群算法收敛速度快，可用于解决实时性要求高的问题。
从人工智能到群体智慧
当然，基于群体智能的算法能够在智能制造、智能城市、智能农业和智能医疗等方面发挥出群体智能的潜力，但要做到将人类聚集在一起并且发挥“群体智能”，设计出能够与人类团队良好融合的技术，却可能会面对巨大的困难。
人类智能和人工智能是两套不同的智能，人工智能或许将具备更强大的自我进化能力和在各方面都超越人类，但人工智能却没有几亿年的进化史留在人类身上的刻痕，没有生物的直觉和本能，这给使得利用人类的社交智慧来构建人工智能带来了困难。
因为机器仍然很难捕捉到支配着人类群体动态的那种微妙而难以言喻的社交表达方式，而机器系统只有在人类真正信任人工智能决策，并且用户只接受系统的轻微提示的情况下才能工作。一旦系统过度干涉用户，人们就会想办法让其失效，这令智能工具进入人类群体变得更加不确定。
要想解决人类对人工智能的存疑和不信任，一个好的方法是将人类智慧和人工智能智慧结合在一起，赋予人工智能技术更多的人性元素，更好地指导其决策。
这也意味着，仅仅会分析、计算还不够，还需要具有“主动性”。所谓“主动性”，就是当人工智能在感知到人们的需求时，无需指令就能主动去“询问”“关怀”和“交流”，并能独立处理原本应该“人为”的事件，这也可以看出，人工智能还将经历从运算智能、感知智能阶段，发展到认知智能阶段。
此外，人工智能的人性化需要避免数据歧视。事实上，人工智能算法所依赖的大数据并非中立。它们从真实社会中抽取，必然带有社会固有的不平等、排斥性和歧视的痕迹。而在数字化生存下，不管是“社会人”还是“经济人”，都首先是“数字人”。现实空间的我们被数据所记载、所表达、所模拟、所处理、所预测，现实空间的歧视也将如此。
对数据的规制不仅需要国家层面的治理，更包含对个人和群体行为的引导。但不管是国家管理还是对个体抑或群体行为引导，技术与法律往往都不可缺位。
人工智能和人类智慧的协作已经成为机器时代的大势所趋，尽管我们可以让一些非常聪明的人单独研究问题的不同方面，但是如果群体不协力合作，没有集思广益，将很难取得任何进展。而关键之处是要让人工智能帮助这些单打独斗的工作实现集群化，以面对需要集体行动才能解决的群体性问题。
