集群动物如何帮助人类和人工智能做出更好的决策
“蜂群”这个词常常带有负面含义——想想圣经中的蝗灾，或者圣诞节高峰期间挤满最后一刻购物者的大街。然而，集群对于许多动物群体的生存至关重要。现在，对蜂群的研究也有可能改变人类的生活。
蜜蜂成群结队是为了更有效地寻找新的蜂群。成群的八哥用令人眼花缭乱的低语来躲避和迷惑捕食者。这只是自然界中的两个例子，但在动物王国的几乎每个角落都可以看到集群现象。
(相关资料图)
数学家、生物学家和社会科学家的研究正在帮助我们了解集群并利用其力量。它已经被用于人群控制、交通管理和了解传染病的传播。最近，它开始影响我们如何将数据用于医疗保健、在军事冲突中操作无人机，并被用来在体育赛事中击败几乎无法克服的投注赔率。
群体是一个大于各个部分之和的系统。正如许多神经元形成具有思考、记忆和情感能力的大脑一样，动物群体可以一致行动形成“超级大脑”，表现出个体动物所没有的高度复杂的行为。
人工生命专家CraigReynolds于1986年发表了Boids模型计算机模拟，彻底改变了集群研究。Boids模型将集群分解为一组简单的规则。
模拟中的Boids(类鸟)，就像电子游戏中的化身或角色，被指示与其邻居朝同一方向移动，朝邻居的平均位置移动，并避免与其他boids发生碰撞。
与真实群体相比，群体模拟极其准确。
Boids模型表明，集群不需要领导者协调行为，就像市中心的行人而不是导游带领的博物馆参观一样。我们在群体中看到的复杂行为源于个体之间并行遵循相同简单规则的相互作用。用物理学的语言来说，这种现象被称为涌现。
蜂巢思维
2016年，美国科技公司UnanimousAI利用群体智能的力量赢得了肯塔基德比“superfecta”赌注，成功预测了美国著名赛马比赛中第一名、第二名、第三名和第四名的骑手。
行业专家和传统的机器学习算法做出了大量错误的预测。然而，UnanimousAI招募的业余赛车爱好者汇集了他们的知识，打破了541/1的赔率。
志愿者的成功在于他们做出预测的方式。志愿者们没有对骑手进行投票并汇总他们的选择，而是使用UnanimousAI的群体智能平台参与实时数字拔河比赛，其灵感来自于成群的鸟类和蜜蜂。
所有志愿者同时将旋钮拉向各自的选择。这使得人们能够根据他人的行为改变自己的偏好(例如，如果一个人看到A和B明显是最喜欢的，那么他们可能会转向他们的第二选择B，而不是他们的第一选择C)。
相互实时响应使得UnanimousAI的志愿者整体表现优于消息灵通的个体。
更重要的是，如果由志愿者最频繁的个人选择来决定顺序，那么只有2016年获胜者和博彩公司最喜欢的奈奎斯特才能被正确排列。
健康问题
类似的集群技术在医疗保健领域也引起了越来越多的兴趣，人工智能革命的讨论引发了人们对患者隐私的日益担忧。
随着医疗保健领域对数据驱动技术的依赖不断增加，对广泛患者数据集的需求也随之增加。满足这些需求的一种方法是在机构之间、在某些情况下在国家之间共享信息。
然而，患者数据的传输通常受到严格的数据保护法规的约束。解决此问题的方法是仅使用内部数据，尽管这通常会牺牲诊断准确性。
另一种选择是蜂拥而至。研究人员认为，群体智能可以保持诊断的准确性，而无需在机构之间交换原始数据。
初步研究表明，将数据存储分散到交互节点网络中可以为机构带来共享智慧的好处。这意味着没有一个协调信息流的中央枢纽，机构也无法访问彼此的私人患者数据。
集中式机器学习使用上传到共享中心的数据，在该中心使用所有可用数据进行机器学习。在去中心化系统中，每个机构将其数据单独存储在自己的节点中。机器学习在每个节点本地进行(仅使用内部数据)，但机器学习的结果在网络之间共享，以使所有节点受益。此过程可确保原始患者数据不会在机构之间交换，从而保护患者隐私。
蜂群与战争
无人机技术越来越多地用于前线战斗，最近最引人注目的是乌克兰在持续的俄罗斯-乌克兰冲突中的应用。然而，就目前情况而言，传统的无人机技术需要一对一的监管。
当前的国防研究旨在促进无人机之间的通信，使一名控制器能够操作一群无人机。此类技术的发展有望通过允许无人机组内的连续信息中继来大幅提高作战无人机的可扩展性、侦察和打击能力。
随着研究对集群的深入研究，我们发现集体行动创造了复杂性、适应性和效率。随着技术的发展，群体智能的作用将会不断增强，将我们的世界与群体的迷人动态交织在一起。
由对话提供
标签：