在线客服
企业微信
成群结队的蚂蚁，总是能够在食物与蚁巢之间寻找到最佳路径，快速地将食物搬运至蚁巢中。这引起了生物学家的广泛注意，在经过多次研究实验之后，他们发现：
蚂蚁在寻找食物过程时具备随机性，没有固定的方向和目标，但只要有一只蚂蚁发现食物，这只蚂蚁在搬运食物回巢时，就会留下一种微弱的气味，即一种叫做「信息素」的物质。其它蚂蚁会沿着该气味寻找到食物，然后再次留下气味踪迹。最终，越来越多的蚂蚁加入其中，形成了一条最优化的路径。
这种特性让蚂蚁在觅食行动中，群体的效率远高于个体，不需要浪费更多的时间与精力。换句话说，单只蚂蚁觅食低效而低智，而当蚂蚁成群，就能爆发出一种隐形的群体智能，通过协作达到「整体最优」。
类似的现象在自然界中比比皆是：大雁在迁徙时会排成阵列，在「人」和「一」中来回切换；鲱鱼在面临捕猎者时会相互「预警」；蜜蜂则拥有高效的「决策系统」。
就连人类本身，也存在类似的「群体智能」：「世上本是没有路的，走的人多了，也便有了路。」
人们从A点走到B点，起初会有无数条路径，但最终会出现一条最优的路径，这正是人们在实践中进行无数次「探索」和不知觉中协作的结果。
因此，不论是处于食物链顶端的人，还是诸如蚂蚁、蜜蜂等低等动物，在形成群体之后，都能爆发出一种群体智慧。这种智慧来源于群体各成员之间的「默契」与「配合」，进而给群体带来整体利益的「最优解」。
当这些现象被观察、解析之后，其内在的群体智慧逻辑被借鉴至多个学科，例如社会学、组织行为学、经济学等等。
也有不少学者将其应用到人工智能领域，做了一系列研究，成果涵盖从最初的「蚁群优化算法」、「粒子群优化算法」到后来的群体智能、众包、群体计算等概念，并产生了比较多的应用，如无人机协作、智能电网等等。
其中，「群体智能」作为未来人工智能的5个重大方向之一（《新一代人工智能发展规划》，国务院，2017），在学术界已经引起广泛关注，不少学者纷纷将「群体智能」与自身研究方向相结合，试图以「群体智能」的视角来重新探索各种涉及到组织协作、参与者人数较多的问题的解决之道。
黄建伟正是其中之一。
作为IEEE通信学会杰出讲师，他于2016年当选IEEE Fellow，当选时年仅37岁，是当年全球最年轻的几个Fellow之一。官方给出的原因是，表彰其「在无线通讯网络的资源管理及分配机制上的重大贡献」。
在具体研究方向上，黄建伟长期专注于网络优化、群体智能和经济学交叉领域的开创性研究，总共发表了7本英文学术专著，300多篇国际一流期刊和会议论文，谷歌学术总引用超过14400次。
他的论文九次获得国际会议和期刊的最佳论文奖，包含2011年「IEEE马可尼无线通信论文奖」（无线通信领域最重要的奖项之一）。此外，他还曾获得2009年IEEE通信协会亚太杰出青年研究学者奖、2014年香港中文大学青年研究学者奖。
过去5到6年的时间里，黄建伟在「网络+经济」的基础上，拓展出群体智能的方向，着重探索解决群体智能领域一个长期的公开问题：群智决策中如何验证事实正误。
而在群体智能这个领域，他的研究也深入到了联邦学习、群智决策等细分方向，并且将成果应用到了碳中和、交通、智慧城市等多个场景之中。
近日，雷峰网-AI科技评论与黄建伟博士就「群体智能」这一话题进行了对话，后者从「群体智能」的定义、研究内容、应用、未来研究方向等多个方面进行了深入浅出的讲解。雷峰网(公众号：雷峰网)-AI科技评论将其整理成文，以飨读者。
让我们先来看看，什么是「群体智能」。
1、从个体到团队：不同研究对象的群体智能
1992年，意大利学者Marco Dorigo 受蚂蚁觅食的灵感，在其博士论文里提出了「一种用来在图中寻找优化路径的概率型算法」，即「蚂蚁优化算法」（ACO）；三年后，社会心理学家James Kennedy和电气工程师 Russell Eberhart 通过模拟鸟群觅食行为，提出了「粒子群优化算法」（PSO）。
这两种算法出现之后，关于「群体智能」的研究开始涌现，相关论文逐年增加。
由于这两种算法都是受动物觅食启发，研究的是几乎没有智能的昆虫（蚂蚁、蜜蜂等）在形成整体之后，涌现出很强的智能性。因此，群体智能最早的含义，在英语语境下，被称为“Swarm Intelligence”。
根据Marco Dorigo的阐述，从广义的角度看，「群体智能」指的是群居性生物通过协作而表现出的集体智能行为；而从学科研究的角度看，「群体智能」则指受自然界中群体协作行为启发，研究问题求解算法或分布式系统理论与方法的学科。
后来，不少学者将「群体智能」与各类学科融合在一起，如社会学、组织行为学、人工智能等，来研究社区、团体内，成员之间进行互动，来实现整体收益的最优。从这个角度看，群体智能又被称为「Collective Intelligence」。
「两种说法很多时候没什么区别，大家也都是混用，只是从不同的角度出发而已。」
黄建伟告诉雷峰网-AI科技评论，实际上，如果按照研究对象分，「群体智能」在业内还有另一种叫法——Crowd Intelligence。与前两种相比，Crowd Intelligence 以人为主，旨在研究大量的人如何实现智能决策的问题。因而，Crowd Intelligence主要关注两方面：
组织问题的计算化；
计算问题的组织化。
所谓组织问题的计算化，即将某个整体组织协调的问题的计算变成分布式计算。
比如，在一些网约车平台上，每个司机都是独立的个体，如何把这些司机有效地组织起来，来实现整体资源的最优分配，就需要将整个问题通过去中心化的分布式计算来实现供需平衡。
计算问题的组织化，即将复杂问题拆解为多个模块，每个模块由不同的单元负责，最终将问题消解掉。用比较通俗的话讲，就是「大事化小、小事化了」。
引用国内北航的两位学者，李伟和吴文峻对于 Crowd Intelligence 的相关研究，其与 Collective Intelligence 的关系如图所示：
因此，Crowd Intelligence 属于群体智能（Collective Intelligence） 的一种，这也是黄建伟的研究方向之一，后续文章提到的「群体智能」，如无特别指出，皆指代Crowd Intelligence。
Crowd Intelligence 的研究对象以 Crowd（人群）为主，旨在通过借鉴简单类群居生物表现出的群体智能，来解决人类生活中面临的实际问题，其与各学科的交融，尤其是与AI的融合，可在多个领域应用。
以联邦学习为例：
传统生产人工智能模型依赖大量数据，在进行数据预处理、标注等环节之后，在大算力的服务器上进行训练，然后调参、优化等，最终产生模型。
然而在实际应用中，数据量并不一定足够，因为许多用户出于隐私的考虑，不愿贡献数据。那么该怎样去生产一个复杂有效的模型呢？
联邦学习就是一个「群体智能」的应用案例：用户通过本地数据做计算，然后将计算模型贡献给中央服务器，进行相互交流、调优；通过这种不接触本地数据的方法，也可以产生有效的人工智能模型，且规避了数据泄露的风险。
在具体应用方面，「群体智能」已经被广泛运用到智慧城市的各个场景，例如智慧交通、智慧物流、智能电网、碳中和等等。
