當日光在八哥棲息地消退時,八哥會發出低語聲。 Shutterstock /阿爾伯特·博克霍夫
“蜂群”這個詞常常帶有負面含義——想想聖經中的蝗災,或者聖誕節高峰期間擠滿最後一刻購物者的大街。 然而,集群對於許多動物群體的生存至關重要。 現在,對蜂群的研究也有可能改變人類的生活。
蜜蜂成群結隊地製造它們的 尋找新的殖民地 更加有效。 成群的八哥使用 發出令人眼花繚亂的低語來躲避和迷惑掠食者。 這只是自然界中的兩個例子,但在動物王國的幾乎每個角落都可以看到集群現象。
數學家、生物學家和社會科學家的研究正在幫助我們了解集群並利用其力量。 它已經被用於 維持人群秩序, 交通管理 並了解 傳染病的傳播。 最近,它開始影響我們如何將數據用於醫療保健、在軍事衝突中操作無人機,並被用來在體育賽事中擊敗幾乎無法克服的投注賠率。
群體是一個大於各個部分之和的系統。 正如許多神經元形成具有思考、記憶和情感能力的大腦一樣,動物群體可以一致行動形成“超級大腦”,表現出個體動物所沒有的高度複雜的行為。
人工生命專家克雷格·雷諾茲 (Craig Reynolds) 於 1986 年發表了 群落模型 計算機模擬。 Boids 模型將集群分解為一組簡單的規則。
模擬中的 Boids(類鳥),就像電子遊戲中的化身或角色,被指示與其鄰居朝同一方向移動,朝鄰居的平均位置移動,並避免與其他 boid 發生碰撞。
與真實群體相比,群體模擬極其準確。
Boids 模型表明,集群不需要領導者來協調行為——就像市中心的行人而不是導遊帶領的博物館參觀一樣。 我們在群體中看到的複雜行為源於個體之間並行遵循相同簡單規則的相互作用。 用物理學的語言來說,這種現像被稱為 出現.
蜂巢思維
2016年,美國科技公司 一致的AI 利用群體智能的力量 贏得肯塔基德比“superfecta”賭注,成功預測了美國著名賽馬比賽的第一名、第二名、第三名和第四名騎手。
行業專家 和 傳統機器學習算法 做出了大量錯誤的預測。 然而,Unanimous AI 招募的業餘賽車愛好者匯集了他們的知識,擊敗了 541/1 賠率.
Shutterstock / 謝麗爾·安·奎格利
志願者的成功在於他們做出預測的方式。 志願者沒有對乘客進行投票並彙總他們的選擇,而是使用 Unanimous AI的群體智能平台 受成群的鳥類和蜜蜂啟發,參加實時數字拔河比賽。
所有志願者同時將旋鈕拉向各自的選擇。 這使得人們能夠根據他人的行為改變自己的偏好(例如,如果一個人看到 A 和 B 明顯是最喜歡的,那麼他們可能會轉向他們的第二選擇 B,而不是他們的第一選擇 C ) 。
Unanimous AI 的志願者通過實時相互響應,集體表現優於其他志願者 消息靈通的個人.
更重要的是,如果志願者最頻繁的個人選擇決定了順序,那麼只有 2016獲勝者 和 賭徒的最愛, 奈奎斯特,將被正確放置。
健康問題
類似的集群技術也越來越受到人們的關注 醫療保健 部門,其中 談論人工智能革命 正在提示 對患者隱私的擔憂日益增加.
由於依賴於 醫療保健中的數據驅動技術 增加,對廣泛患者數據集的需求也在增加。 滿足這些要求的一種方法是 匯集機構之間以及在某些情況下國家之間的信息.
然而,患者數據的傳輸通常會受到 嚴格的數據保護法規。 解決此問題的方法是僅使用內部數據,儘管這通常會犧牲診斷準確性。
另一種選擇是蜂擁而至。 研究人員認為群體智能可以 保持診斷準確性 無需機構之間交換原始數據。
初步研究 已經表明,將數據存儲分散到交互節點的網絡中可以為機構帶來共享智慧的好處。 這意味著沒有一個協調信息流的中央樞紐,機構也無法訪問彼此的私人患者數據。
集中式機器學習使用上傳到共享中心的數據,在該中心使用所有可用數據進行機器學習。 在去中心化系統中,每個機構將其數據單獨存儲在自己的節點中。 機器學習在每個節點本地進行(僅使用內部數據),但機器學習的結果在網絡之間共享,以使所有節點受益。 此過程可確保原始患者數據不會在機構之間交換,從而保護患者隱私。
Shutterstock / 安迪·迪恩攝影
蜂群與戰爭
無人機技術越來越多地應用於前線作戰,最近最引人注目的是 烏克蘭軍隊 ,在 持續不斷的俄羅斯與烏克蘭衝突。 然而,就目前情況而言,傳統無人機技術需要 一對一督導.
當前的國防研究 旨在促進無人機之間的通信,允許一個控制器操作一群無人機。 此類技術的發展有望大大改善 可擴展性, 偵察 和 引人注目 通過允許無人機組內連續信息中繼來增強作戰無人機的能力。
隨著研究對集群的深入研究,我們發現集體行動創造了複雜性、適應性和效率。 隨著技術的發展,群體智能的作用將會不斷增強,將我們的世界與群體的迷人動態交織在一起。
關於作者