自然界中，「螞蟻覓食」是一種尋常但奇特的現象。

成群結隊的螞蟻，總是能夠在食物與蟻巢之間尋找到最佳路徑，快速地將食物搬運至蟻巢中。這引起了生物學家的廣泛注意，在經過多次研究實驗之后，他們發現：

螞蟻在尋找食物過程時具備隨機性，沒有固定的方向和目標，但只要有一只螞蟻發現食物，這只螞蟻在搬運食物回巢時，就會留下一種微弱的氣味，即一種叫做「信息素」的物質。其它螞蟻會沿著該氣味尋找到食物，然后再次留下氣味蹤跡。最終，越來越多的螞蟻加入其中，形成了一條最優化的路徑。

這種特性讓螞蟻在覓食行動中，群體的效率遠高于個體，不需要浪費更多的時間與精力。換句話說，單只螞蟻覓食低效而低智，而當螞蟻成群，就能爆發出一種隱形的群體智能，通過協作達到「整體最優」。

類似的現象在自然界中比比皆是：大雁在遷徙時會排成陣列，在「人」和「一」中來回切換；鯡魚在面臨捕獵者時會相互「預警」；蜜蜂則擁有高效的「決策系統」。

就連人類本身，也存在類似的「群體智能」：「世上本是沒有路的，走的人多了，也便有了路。」

人們從A點走到B點，起初會有無數條路徑，但最終會出現一條最優的路徑，這正是人們在實踐中進行無數次「探索」和不知覺中協作的結果。

因此，不論是處于食物鏈頂端的人，還是諸如螞蟻、蜜蜂等低等動物，在形成群體之后，都能爆發出一種群體智慧。這種智慧來源于群體各成員之間的「默契」與「配合」，進而給群體帶來整體利益的「最優解」。

當這些現象被觀察、解析之后，其內在的群體智慧邏輯被借鑒至多個學科，例如社會學、組織行為學、經濟學等等。

也有不少學者將其應用到人工智能領域，做了一系列研究，成果涵蓋從最初的「蟻群優化算法」、「粒子群優化算法」到后來的群體智能、眾包、群體計算等概念，并產生了比較多的應用，如無人機協作、智能電網等等。

其中，「群體智能」作為未來人工智能的5個重大方向之一（《新一代人工智能發展規劃》，國務院，2017），在學術界已經引起廣泛關注，不少學者紛紛將「群體智能」與自身研究方向相結合，試圖以「群體智能」的視角來重新探索各種涉及到組織協作、參與者人數較多的問題的解決之道。

黃建偉正是其中之一。

作為IEEE通信學會杰出講師，他于2016年當選IEEE Fellow，當選時年僅37歲，是當年全球最年輕的幾個Fellow之一。官方給出的原因是，表彰其「在無線通訊網絡的資源管理及分配機制上的重大貢獻」。

在具體研究方向上，黃建偉長期專注于網絡優化、群體智能和經濟學交叉領域的開創性研究，總共發表了7本英文學術專著，300多篇國際一流期刊和會議論文，谷歌學術總引用超過14400次。

他的論文九次獲得國際會議和期刊的最佳論文獎，包含2011年「IEEE馬可尼無線通信論文獎」（無線通信領域最重要的獎項之一）。此外，他還曾獲得2009年IEEE通信協會亞太杰出青年研究學者獎、2014年香港中文大學青年研究學者獎。

過去5到6年的時間里，黃建偉在「網絡+經濟」的基礎上，拓展出群體智能的方向，著重探索解決群體智能領域一個長期的公開問題：群智決策中如何驗證事實正誤。

而在群體智能這個領域，他的研究也深入到了聯邦學習、群智決策等細分方向，并且將成果應用到了碳中和、交通、智慧城市等多個場景之中。

近日，雷峰網-AI科技評論與黃建偉博士就「群體智能」這一話題進行了對話，后者從「群體智能」的定義、研究內容、應用、未來研究方向等多個方面進行了深入淺出的講解。雷峰網(公眾號：雷峰網)-AI科技評論將其整理成文，以饗讀者。

讓我們先來看看，什么是「群體智能」。

1、從個體到團隊：不同研究對象的群體智能
1992年，意大利學者Marco Dorigo 受螞蟻覓食的靈感，在其博士論文里提出了「一種用來在圖中尋找優化路徑的概率型算法」，即「螞蟻優化算法」（ACO）；三年后，社會心理學家James Kennedy和電氣工程師 Russell Eberhart 通過模擬鳥群覓食行為，提出了「粒子群優化算法」（PSO）。

這兩種算法出現之后，關于「群體智能」的研究開始涌現，相關論文逐年增加。

由于這兩種算法都是受動物覓食啟發，研究的是幾乎沒有智能的昆蟲（螞蟻、蜜蜂等）在形成整體之后，涌現出很強的智能性。因此，群體智能最早的含義，在英語語境下，被稱為“Swarm Intelligence”。

根據Marco Dorigo的闡述，從廣義的角度看，「群體智能」指的是群居性生物通過協作而表現出的集體智能行為；而從學科研究的角度看，「群體智能」則指受自然界中群體協作行為啟發，研究問題求解算法或分布式系統理論與方法的學科。

后來，不少學者將「群體智能」與各類學科融合在一起，如社會學、組織行為學、人工智能等，來研究社區、團體內，成員之間進行互動，來實現整體收益的最優。從這個角度看，群體智能又被稱為「Collective Intelligence」。

「兩種說法很多時候沒什么區別，大家也都是混用，只是從不同的角度出發而已。」

黃建偉告訴雷峰網-AI科技評論，實際上，如果按照研究對象分，「群體智能」在業內還有另一種叫法——Crowd Intelligence。與前兩種相比，Crowd Intelligence 以人為主，旨在研究大量的人如何實現智能決策的問題。因而，Crowd Intelligence主要關注兩方面：

組織問題的計算化；

計算問題的組織化。

所謂組織問題的計算化，即將某個整體組織協調的問題的計算變成分布式計算。

比如，在一些網約車平臺上，每個司機都是獨立的個體，如何把這些司機有效地組織起來，來實現整體資源的最優分配，就需要將整個問題通過去中心化的分布式計算來實現供需平衡。

計算問題的組織化，即將復雜問題拆解為多個模塊，每個模塊由不同的單元負責，最終將問題消解掉。用比較通俗的話講，就是「大事化小、小事化了」。

引用國內北航的兩位學者，李偉和吳文峻對于 Crowd Intelligence 的相關研究，其與 Collective Intelligence 的關系如圖所示： 從圖1不難看出， Crowd Intelligence 在數學意義上屬于Collective Intelligence 的子集，Crowd sourcing（眾包，一種分解任務的方法）和 Human computation（人類計算，一種計算方式） 的交集。

因此，Crowd Intelligence 屬于群體智能（Collective Intelligence） 的一種，這也是黃建偉的研究方向之一，后續文章提到的「群體智能」，如無特別指出，皆指代Crowd Intelligence。

Crowd Intelligence 的研究對象以 Crowd（人群）為主，旨在通過借鑒簡單類群居生物表現出的群體智能，來解決人類生活中面臨的實際問題，其與各學科的交融，尤其是與AI的融合，可在多個領域應用。

以聯邦學習為例：

傳統生產人工智能模型依賴大量數據，在進行數據預處理、標注等環節之后，在大算力的服務器上進行訓練，然后調參、優化等，最終產生模型。

然而在實際應用中，數據量并不一定足夠，因為許多用戶出于隱私的考慮，不愿貢獻數據。那么該怎樣去生產一個復雜有效的模型呢？

聯邦學習就是一個「群體智能」的應用案例：用戶通過本地數據做計算，然后將計算模型貢獻給中央服務器，進行相互交流、調優；通過這種不接觸本地數據的方法，也可以產生有效的人工智能模型，且規避了數據泄露的風險。

在具體應用方面，「群體智能」已經被廣泛運用到智慧城市的各個場景，例如智慧交通、智慧物流、智能電網、碳中和等等。