人工集体智能：三个臭皮匠如何胜过一个诸葛亮

（原标题：人工集体智能：三个臭皮匠如何胜过一个诸葛亮）

编者注：蜜蜂、鱼类还有鸟类是 1+1>2 的典型。在集体决策方面它们的智慧远胜我们人类，而这个是值得我们学习的地方。此篇文章介绍的是我们初步的学习尝试。

自 1950年 代以来，研究人员就开始寻找建立人工智能的办法，其中大部分的焦点主要集中在发展人工神经网络上面，也就是说从零开始来建立智能。有个办法却是反其道而行之，采用了不同的方式来利用自然的力量：通过利用一群人的思想去预测现实世界的事件，这就是所谓的 “人工群体智能”。

Unanimous AI 的 CEO Louis Rosenberg 博士正在开发一个软件平台，名字叫做 UNU，它能够利用不同人群来做出集体决策。“这个平台的不同之处在于它基本上能够把人留在上面，” 他说：“我们专注于利用软件来放大人类智能。”

从技术上来讲，这不是人工智能，路易斯维尔大学网络安全实验室主任 Roman Yampolskiy 说，“如果没有人程序就不智能的话，就不能叫做人工智能。” 而 “群体智慧” 这个概念源自以人为基础的计算模型，至少已经有 10 几年的历史了。Yampolskiy 本人曾经开发过一个类似的算法，叫做 “人工群体的智慧（Wisdom of Artificial Crowds）”，它利用了一组 “模拟的智能代理” 来做出预测。

但 Unanimous AI 表现出的决策能力依然令人印象深刻。迄今为止 UNU 平台在预测去年奥斯卡、超级碗甚至政治竞选等方面的准确度令人吃惊。

群体智慧背后的智慧是向大自然学习。“这就是鱼要结队鸟要成群蜜蜂总是一大片的原因，” Rosenberg 说：“简而言之，这能够让群体比个人做出更好的决定。” 不过要注意的是，这类群体智慧跟另一种 “flocking”（群集运动，机器人应用）是很不一样的。“Flocking” 是一群对象利用环境通过相互帮助来有效地进行导航的办法。

“群体当中蕴藏这海量的知识和智慧，我们希望能够利用这些来创造出能够放大其自然能力的智能。” Rosenberg 说。

把其他自然环境的规则应用到人类身上

蜜蜂在决策方面尤其值得注意，这正是 Rosenberg 开发的这类系统的灵感来源。“大部分人并不懂得欣赏蜜蜂的神奇，” Rosenberg 说。

想象一下，每年蜜蜂都要离开自己的殖民地派遣一个蜂群去寻找新家。为了找到合适的新家，成百上千的侦察兵有的侦察范围可以达到 30 平方英里，所有的侦察情况最后都要汇总到蜂巢，由集体对新环境进行评估。400 到 600 只蜜蜂会跳 “摇摆舞”，把信息传达给决策的群体。这是一种非常复杂的决策机制。需要考虑一堆的冲突变量。

康奈尔大学的 Healy 教授发现，蜜蜂 80%的时间都能找到最佳的驻地。而蜜蜂的迷人之处在于单靠一个蜜蜂的力量永远也没有办法做出这样的决定。

人类错在哪里

蜜蜂采取的是 “实时协商” 机制，而人类在预测时往往采用的是不同的办法，但这种办法精确度却没那么高。人类一般会采用民意调查或者投票的办法，在 Rosenberg 看来，这种做法很 “原始”。他说这种往往是错的，因为会两极分化（polarizing）。“这种机制会迫使人保住自己的预测而不是寻找共同点，导致找出对集体最好的答案变得更加困难。”

所以 Unanimous AI 的做法是模仿蜜蜂来避免这种弊端。“蜜蜂的做法已经过了数百万年的演进，能确保做出的决定对整个群体是最佳的。”

群体智慧是如何工作的？

UNU 是一个网上平台，任何人都可以登录进去以集体的形式回答问题。“相对于一人一票，大家组成像蜜蜂、鱼以及鸟那样的实时系统时是有好处的，” Rosenberg 说。

Rosenberg 说集体智慧的运作方式有点像一块 “大规模的网上显灵板。” 会有一个水晶球给到参与者，然后有这些人共同推动这个球走。每个人都有一块小磁铁，同时会有几百人同时推动同一个水晶球—既然不能一起跳摇摆舞。

比方说，每个人都会看到类似 “谁会赢得最佳演员？” 这个问题，问题下面会有一系列的选项。群体的每一个成员选择了其中一个选项后水晶球就会开始移动，而当水晶球开始移动时每个人都可以实时改变自己的意见。比方说，你本来还在犹豫，不过当你看到水晶球正在朝你选的方向移动时，你可以就会坚定自己的选择。关键是所有人都可以改变和切换自己的选择。也就是说如果这群人达不成共识的话，就没法办法取得进展。

而要想取得进展就需要协商，找到互利的解决方案。

群体预测的结果

这种做法的效果如何呢？UNU 此前有一个例子。他们找了 50 个此前没有做过此类事情经验的人一起预测奥斯卡金像奖得主。这些人先是自行单独做出预测。平均的准确率是 15 中 6。而专家的准确率是 15 中 9。但集体预测的结果却达到了 15 中 11.也就是说从个体平均的 40%提高到了集体决策额 70%。之所以有这么大的改进，是因为这些人彼此弥补了各自的知识不足。

这一点意义深远。虽然预测奥斯卡或体育赛事活动并没有多少实质性的影响，但是像 UNU 这类的软件可以有许多商业应用，比如决定某个商业策略能不能成功。这同样可以应用到政治竞选这样的比赛上。6 个月前，UNU 让大家预测新一届美国总统的结果。“群体对 Bernie Sanders 和 Donald Trump 表现出了强烈的偏好，” Rosenberg 说。

也就是那个时候，他认为算法可能是出问题了。