图|群体行为结构性转变的三步简单过程（图片来源：拉夫堡大学）

该研究发表在Scientific Reports上，其主要作者为英国拉夫堡大学（Loughborough University）应用数学讲师Marco Mazza博士，他表示像这样的群体，大多由成千上万只动物组成，看起来像是靠集体智慧行动的。但在现实中，这只能归结为基本的生存本能。

Mazza博士说：“自古以来，大自然就一直给艺术家、哲学家和科学家带来无限灵感。候鸟迁徙或鱼群集体行动等看似极其和谐，但却又无法解释。而我们的目标是在自然界、动物界和世界中获得具有一般特征的一个最小群体模型。保证选择最大化的原则其实很简单，毕竟再无足轻重的野心都会产生复杂的组织模式，这又称之为Goldstone模式，这是从事无生命物质研究的物理学家所熟悉的概念。简单来说，这种Goldstone模式就是一群椋鸟怎样做到突然改变方向，好像它们有一个中央大脑似的，但其实并没有这种促集体行为的核心智能。”

Mazza博士及其合作者Hannes Hornischer、 Stephan Herminghaus教授一起建立了一组简单的计算机模拟，能模拟自然界中发现的粒子群体。

他们揭示了复杂的模式和同步群体行为的出现，是由群体中的单一的个体以一种简单的方式对来自其最周边个体的微小影响而做出的反应。

图|计算机模拟粒子如何从无序模式（a）开始并重组，直到达到目标（f）（图片来源：拉夫堡大学）

在该模型中，每一个体都被赋予一个目标，以最大限度地增加其可能性，达到最终目标。由此产生的信息波纹导致整个群体的运动并呈现出不同的表现结果。

当一群体根据新的信息重新组织成更复杂的阵型时，它会对自己重新评估。并不断地收集、交换信息，然后再重新组织阵型，直到每一个体周围的空间都最大化为止。这一过程是以前从未观察到的，有可能是促使大群动物、鱼类甚至人类产生集体行为的原因。

在自然界，几乎所有的生物都有这种单一的目标，如防御捕食者。

学习更多有关生物如何处理和对环境做出反应的知识，可以帮助人工智能系统获得基本的认知技能，从而减少对人类干预的依赖，从而提高人工智能的水平。

Mazza博士说：“目前的人工智能模式过于依赖大量数据，如大型神经网络极其依赖训练数据。这样的策略可能具有一些局限性，尤其面对新的突发情况时，当前的人工智能方法还需要特定的人工干预和培训，花费大量的时间和金钱。最具潜力的改进方法是开发像大脑一样能够处理新信息的算法。然后再根据信息确定处理方式，这些方法对新输入的信息是开放的且易适应。该论文中的方法具有这种潜力，因为它的灵感源于生物，这些经过数百万年进化已能适应处理和解决挑战的生物们。”

参考：https://techxplore.com/news/2019-09-nature-beautiful-artificial-intelligence.html

[关于转载]：本文为“AMiner”官网文章。转载本文请联系原作者获取授权，转载仅限全文转载并保留文章标题及内容，不得删改、添加内容绕开原创保护，且文章开头必须注明：转自“AMiner”官网。谢谢您的合作。