群体智能新论：个体过于聪明会导致群体死板

From J. Cepelewicz 集智俱乐部 2019-04-11

俯冲飞行的椋鸟群，就好像有成百上千的鸟被集中引导，但每一只都有自己的选择。| © Joaquin

导语

随着去中心化集体系统的行为研究更加深入，一些初始假设开始受到质疑。因为最新的证据表明，搭建更大的网络或者让它的部件更智能并不总能使整体性能优化。这些“反直觉”的发现或许正酝酿着多主体智能探索的第二次浪潮。

编译：集智俱乐部翻译组
来源：quantamagazine
原题：
Smarter Parts Make Collective Systems Too Stubborn

诗人约翰·多恩（John Donne）使得“没有人是一座孤岛”的理念深入人心，但事实证明，大多数其他物种也都不是孤岛。许多自然和人工系统都具有集体性的特点——从神经元同步发放（neurons firing in sync）、免疫细胞聚集，到鱼群鸟群和谐迁徙，再到新的商业模式、没有中心领导者的机器人集群。

“集体系统更多的是规则与秩序，而不是例外。”
——Albert Kao，圣塔菲研究所研究员

去中心化一定更好吗？

无论是生物、技术、经济还是社会，集体系统通常被认为是“分散的（decentralized）”——控制动作分布在各组件之中，组件根据本地信息做出自己的决定；复杂行为则通过各个组件的互动产生。这意味着它们缺乏协调各个组件的主控制中心。这种设置也许是有利的，比如它具有弹性：如果一个部件不能正常工作，系统可以继续运行。

去中心化已经引发了一波炒作，特别是希望通过区块链技术和政府去集权化彻底改变市场的那些人。但是，“大多数讨论过于简单。”Jessica Flack说道。

圣菲研究所的进化生物学家和复杂科学家Jessica Flack，集体计算小组（Collective Computation Group）主任 | © Quantamagazine

中心化和去中心化之间的界限往往模糊不清，对于这些网络中信息的流动和聚合的深层质疑仍然存在，即使是关于它们最基本和最直观的假设也需要进一步的核查。因为最新的证据表明，搭建更大的网络或使其部件更复杂并不总能使整体性能更好。

例如，2019年2月前发表在Science Advances杂志上的一篇论文中，由现任乔治华盛顿大学物理学家Neil Johnson领导的一个小组证明，在“金发女孩条件（Goldilocks conditions）”下，组件既不过于简单也不过于强势的去中心化模型表现最佳。

金发女孩条件（Goldilocks conditions），即合适的条件。过冷或者过热都不会有生命出现，与地球生存条件一样的行星就叫做金发女孩行星。| ©bighistoryproject.com

这一发现与复杂性研究中关于信息的最佳使用方式以及独立性和相关性之间的权衡等其他结果相呼应。这一新的见解可以帮助我们找出机器人，自动驾驶车辆，医疗机构和公司结构的去中心化设计的优势和局限 ——甚至可能有助于自然进化领域的解释。

论文题目：
Getting closer to the goal by being less capable
论文地址：
http://advances.sciencemag.org/content/advances/5/2/eaau5902.full.pdf

从金融市场到实验室模拟

Johnson的研究最开始是为了理解金融系统中的反馈循环：每个交易者都试图在遵守某些规则的同时最大化利润，做出有助于总体结果的决策——比如股票价格的变动——而这反过来影响了交易员的后续决策。

论文作者 Neil Johnson，乔治·华盛顿大学物理学教授，致力于复杂性与数据科学的研究。

Johnson还在迈阿密大学任教时的一天，他的注意力被一位同事的工作所吸引，他们研究着看似与华尔街毫不相关的事情：蝇幼虫的运动。幼虫自动爬到既不太热也不太冷的位置，但它并不依赖于它的大脑来指导这一行程。相反，它身体的每个部分通过在一侧或另一侧收缩来响应来自温度感测神经元的信号，身体各部分的运动结合起来完成幼虫的转向。

由此产生的热源轨迹使Johnson想到了财务模型——所以他决定用它们来寻找所有去中心化系统的共同规律。

Johnson和他的团队建立了一个模仿幼虫表现的模型。像幼虫的身体各部分一样，模型中的智能体集合有一个共同的目标，但无法沟通并协调它们的动作。每个智能体根据之前的决定会导致整个系统更接近或远离指定目标，来反复选择向左或向右移动。为了指导其决策，每个智能体从分配给它的可能性子集中抽取策略。如果给定的策略表现良好，则智能体继续使用它；否则，更换另一个。

灰色的是分散系统中朝向目标的路径。不同颜色表示系统中组件的不同的内存容量。随着组件路径变大，搜索路径并没有变得更简单直接。内存为5时，路径最高效。

研究人员观察到，当智能体只能记住一两个结果时，更少的策略可选，因此更多的智能体会以同样的方式回应。但是由于智能体的行为太过相关，模型中的集体运动沿着一条曲折的路线行进，所用步骤远比达到目标所必需的多。

相反，当智能体记住七个或更多之前的结果时，他们变得过于不相关：他们倾向于坚持相同的策略进行更多轮次，将一小段近期的负面结果视为例外而不是趋势。根据 Johnson 的说法，这种模式变得不那么灵活，而且更“顽固”。

在一项实验中，去中心化系统的运动取决于其组成部分的独立决策，这些决策记录了一些过去的结果。在内存容量达到某个阈值后，系统执行得更糟。

当智能体的内存容量在中间的某个位置，大约记得5个过去的事件结果时，轨迹是最高效的。随着智能体数量的增加，这个数字略有增长，但无论模型使用了多少智能体，总会有一个内存容量的最优点。

“这是违反直觉的，”迈阿密大学的博士后助理兼Science Advances论文的联合作者Pedro Manrique说。 “你会认为提高组件的复杂程度，在这种情况下是指内存容量，会改善生物体的整体性能。”

这是多主体系统研究的
第二次浪潮吗？

Kao认为Johnson和Manrique的研究结果与他自己关于人群行为的研究之间存在惊人的联系。在过去几年中，他和其他人发现，中等规模的动物或人类群体是决策的最佳选择。 Kao说，这个结论违背了关于“群体智慧”的标准信念，即“群体越大，集体表现就越好。” 成功在于在系统组件之间实现协调和独立之间的适当平衡。

“这就像是多主体系统研究的第二次浪潮，”Kao说。 “第一波浪潮是对这些集体体系的单纯热情。现在，感觉就像......开始质疑我们最初做出的许多假设，并发现更复杂的行为。“

现在还需要进一步研究组件的复杂性、互连性和其他参数如何影响网络的整体稳健性和局限性。 Johnson和其他人计划研究信息的可用性将如何影响各种情形，如选民的意见形成，先进机器人的行为，以及从神经疾病中恢复的潜在机制。他们还希望这项工作可以帮助解释为什么自然进化使生物体成为集中式和去中心化系统的混合体。Johnson认为，这些结果可能有助于证明“为什么我们不仅仅是奇异的幼虫”。

归根结底，自然界的复杂性并不仅仅是从毫不相关的愚蠢个体集群中涌现出的简单理论——而是希望有朝一日能够探究出的关于合作、协调和集体信息处理的更普适的原则。