观点：群体智能的四个发展阶段

摘要： 中国学者发起的新一代人工智能研究顺应了信息新环境变化的需求，力图将传统人工智能（人工智能1.0）推进到人工智能2.0的新阶段。作为人工智能的重要组成部分之一，群体智能1.0（群智能）正在向群体智能2.0（众智能）阶段发展。通过深度剖析和翔实论证，发现群体智能1.0与群体智能2.0存在不相容性，据此搭建它们之间的桥梁——以生物合作行为仿生为主的群体智能1.5，作为群体智能1.0到群体智能2.0的过渡，以实现两者的相容。进而对钱学森提出的大成智慧作出新的诠释，将其作为人类智慧仿生的高级阶段——群体智能3.0，指出深度不确定性下的大模型和大数据的双轮驱动是从群体智能2.0通向群体智能3.0的进化途径并加以阐述，由此提出群体智能的4个发展阶段，形成由上述阶段共居一体所组成的群体智能发展的完整架构，这些不同阶段渐进发展，具有良好的相容性。鉴于合作在群体智能发展阶段中的主导作用，分别论述群体智能中的3种合作类型：低等生物的间接调节型合作、高等生物的直接沟通型合作和人的共享意向型合作。在群体智能中，分工乃是实现合作的主要形式，为此阐释分工行为复杂性与分工类型的关系。最后，基于对所提出的群体智能4个发展阶段整体架构的全方位认识，对群体智能未来的发展方向和研究前景进行展望。 

关键词： 群体智能；大成智慧；不相容性；劳动分工；合作行为；群智涌现；大语言模型 

01 问题的提出

1956年的达特茅斯会议一般被公认为是人工智能的起点，这一年在美国达特茅斯（Dartmouth）召开的人工智能夏季研讨会（Summer Research Project on Artificial Intelligence）标志着一门新兴学科——人工智能（AI）——的诞生[1]。60多年来，人工智能取得了长足进步，虽有一些波折，出现3次低谷[2]，但总体上发展迅速。目前人工智能研究业已形成符号主义（功能主义）、连接主义（结构主义）、行为主义（进化主义）3大流派，针对3大流派并存的态势，钟义信将机制主义人工智能理论视为一种通用型人工智能理论，力图在机制主义人工智能理论框架下实现3者的统一[3]。张钹等提出“第三代人工智能”的概念，即融合了第一代的知识驱动和第二代的数据驱动的人工智能，其核心是利用知识、数据、算法和算力4个要素，建立新的可解释和鲁棒的AI理论与方法，发展安全、可信、可靠和可扩展的AI技术[4]。

随着信息新环境的出现（互联网的普及、传感网的渗透、大数据的涌现、信息社区的崛起），以及数据和信息在人类社会、物理空间和信息空间之间的交叉融合与相互作用，当今人工智能发展所处的外部环境和数据基础已发生深刻变化，人工智能的科学基础和实现载体面临新的突破，正在迈向一个新阶段。这个源于传统人工智能而又与之不同的新一代人工智能被称为人工智能2.0（AI 2.0）[2]。中国工程院于2015年12月批准实施“中国人工智能2.0发展战略研究”重大咨询研究项目，率先提出并启动“人工智能2.0计划”[5]。项目组完成了《新一代人工智能规划建议研究报告》和《新一代人工智能重大科技项目实施方案》的编制工作，在2016年提出人工智能2.0的核心理念[2]。2017年7月，国务院发布《新一代人工智能发展规划》，表明新一代人工智能研究业已上升成为国家意志。《新一代人工智能发展规划》在基础理论体系方面，明确了大数据智能、跨媒体感知计算、人机混合智能、群体智能、自主协同与决策等5个主攻方向。其中群体智能理论研究的重点在于突破群体智能的组织、涌现、学习的理论与方法，形成基于互联网的群体智能理论体系。

将新一代人工智能称为人工智能2.0是相对于传统人工智能而言的，这意味着传统人工智能所处阶段为人工智能1.0。文献[6]是关于中国人工智能发展的全景展示论文，论述人工智能的主要发展方向和国家层面的规划，对中国产学研合作经验以及实际应用成果进行深入解读，描绘了中国未来人工智能发展生态系统的蓝图。

群体智能（collective intelligence, CI）有时也被称为集体智能，可看作不同于个体智力的群体型智能形态。它起源于人们对自然界群居生物的行为观察、分析和研究，该形态下群体涌现出的整体智能水平往往会超越其组成个体的智能水平[7]。群体智能是人工智能的重要组成部分，相应地，人工智能2.0下的群体智能理应称作群体智能2.0，它的核心内涵是基于互联网的群体智能；而基于社会性昆虫行为仿生的传统群体智能则应称为群体智能1.0。近年来，人类群体智能受到越来越多关注[8-10]。环境激发效应对群体智能现象的形成提供了一种事后解释性模型，在这一概念的基础上，文献[11]主要关注如何构造求解特定问题群体智能系统，据此提出群体智能的构造性模型EIFL，它由3个环进行信息激发、融合和反馈；个体探索之后形成片段，融合之后反馈回来，通过多轮迭代形成一个解决方案。这些工作都应归属群体智能2.0的范畴。

既然目前群体智能存在着群体智能1.0和群体智能2.0之分，包括这样两个不同的发展阶段，那么群体智能1.0与群体智能2.0之间是否具有整体层面上的相容性和关联性，从而可以共居一体呢？下面通过分析阐释，给出一种解答。

02 群体智能两个阶段的不相容性

2.1  不相容性分析

随着科学技术和人类社会的发展演进，群体智能在不同学科或领域中被赋予不同的含义，其研究方向也各有不同[12]。总体上看，可以分为两大类：一类是以生物为中心，一类是以人为中心。例如，Bonabeau等在对自然生物的行为研究中提出群体智能的概念定义，即任何受群居性昆虫系统及其他生物的社会行为机制启发所设计得到的算法或分布式问题求解策略，均属于群体智能[13]；他们将这类以生物为中心的群体智能称为swarm intelligence（本文统一表述为“群智能”，记为SI）。李未等提出人工智能2.0时代的群体智能新形态，认为人工智能2.0下的群体智能提供了一种聚集人类群体的智慧解决问题的新模式，该模式与共享经济的快速发展相适应[14]；他们将这类以人为中心的群体智能称为crowd intelligence（本文统一表述为“众智能”，记为CrI）。一般来说，群体智能1.0对应的是群智能，而群体智能2.0对应的是众智能。

群智能（群体智能1.0）起源于人类对社会性生物的群体行为的探索，如蚁群、鸟群、蜂群等。虽然单一个体的行为简单、能力有限，但整个种群总体上却能够表现出强大的自我调节能力和生存能力，可以完成复杂任务[15]。群智能在群体智能领域发展迅速，研究内容和成果也颇为丰富，因此其概念相对明确，一般是指模拟以社会性昆虫为主的动植物等生物的群体智能，即众多行为简单的个体在相互作用过程中涌现产生的整体智能行为。众智能（群体智能2.0）可理解为以人为个体的群体智能，中文也被称为众人智能或者人群智能，是一种新兴的群体智能概念。众智能的参与者一般限定为人类这样的高智能体，强调的是大量参与者以网络、社交媒体为渠道进行的互联与协作行为中涌现的智慧现象[14]。特别是随着网络技术的发展和移动终端的普及，群体智能的发展逐渐转向人类智能与智能机器互相融合的思路上，因此众智能将成为未来群体智能领域的主要研究方向[16]。

群智能在中文表述中也常被称为群集智能或集群智能[7]，它在个体层面强调简单性，其个体智力水平相似且较低，且个体间只有局部感知与交互能力[17]；而在整体层面展现出涌现性[7]。众智能的核心思想在于多个人类个体组成的集体可以通过个体间的各类交互行为获得大大高于单一个体的整体层次上的知识与智能（智慧的涌现）。由此可见，群智能和众智能都展现出整体涌现性，不过两者的实现方式存在着明显差异。

群智能强调对生物原型（以社会性昆虫这样的群居性低等生物为主）的典型行为进行仿生[7]，其群体中的个体行为趋于简单化（主要是低等生物的觅食行为），遵循简单的规则。例如粒子群优化算法就是对鸟群觅食行为进行搜索寻优过程仿生所抽象形成的一类优化算法：鸟群在某个区域随机搜索食物，并且这个区域里只有一块食物；所有的鸟都不知道食物的摆放之处，但知道当前位置离食物还有多远。显然，寻找该食物的最简单有效的策略就是搜索当前离食物最近的鸟的周围区域；而在这一搜索过程中，每个鸟都是根据下面3个量的“矢量和”来确定自己飞行的速率和方向：①当前的速率和方向；②全局最优位置；③该鸟自身经历过的最优位置。与鸟群觅食类似，鸟群的飞翔也遵循简单的规则，Reynolds展示的人工鸟Boid在飞翔时遵循以下规则[18]：①分离规则：不要过分地靠近任何东西，包括其他的Boid；②对准规则：尽量使自己的速度与周围其他Boid的速度保持一致；③内聚规则：任何情况下都要朝着附近Boid组成的集团中心靠近。

众智能是对人群行为的仿生，它与群智能相比，存在着比较明显的差异。人作为万物之灵，其群体中的个体行为趋于多样化，通常难以提炼形成简单的规则。由于众智能模仿的是以合作行为为主的人类多样化行为，作为生物原型的人群典型行为的概括和提炼比较困难，因此众智能在生物原型方面，缺乏典型行为作为依托。换言之，人群行为的多样性和复杂性导致众智能缺乏特定情景下的仿生原型，其研究工作有不少属于定量研究，但通常针对的是特定领域（如意见动力学[19]），难以挖掘提炼出一般性规律。而群智能以定量研究为主，总体上采用还原论（reductionism）的研究范式，与现有通用科学规范（即分门别类研究的分科之学）相匹配；它比较适宜解决优化型分配问题[12]，具有较强的可解释性。相对而言，众智能的研究范式与涌现论（emergentism）较为接近，突显的是交叉融通；它适宜解决的是协调型分配问题[12]，但在可解释性方面比较欠缺。

与众智能相比，群智能显然处于智能层次的低端，众智能则体现出较高水平的智能。表1是上述关于群智能与众智能对比分析的概括性总结，从中可知，群智能与众智能有着明显区别；它们作为群体智能的两个阶段，需要考察两者之间的相容性（compatibility），也就是说，两者是否相容（compatible）。

表1 群智能与众智能的比较

事物发展的不同阶段，彼此之间因共居一体而存在一定的关联关系，应该是和而不同；若是自然提升（natural promotion），则是相容的；若是非自然提升，则要针对具体问题进行具体分析。图1是群体智能两个发展阶段的相容性分析图，该图中，带箭头的双实直线代表自然提升，有叉的带箭头双实直线代表非自然提升。从图1中可以看出，群智能是传统人工智能的组成部分；为应对信息新环境的冲击，人工智能1.0发展到人工智能2.0（新一代人工智能）阶段，这是一个自然提升过程；众智能则是新一代人工智能的5大主攻方向之一[6]。该图还表明，直接从群体智能1.0到群体智能2.0的自然提升路径并不存在（如图中有叉的带箭头双实直线所示），群体智能1.0到群体智能2.0的提升是通过群体智能1.0→人工智能1.0→人工智能2.0→群体智能2.0的路径间接生成的（如该图中带箭头的顺时针双实线所示）。

图1 相容性分析图

既然群智能到众智能是非自然提升，其相容性有赖于具体问题具体分析。由表1可知，群智能以生物为中心，众智能则以人为中心，显然两者之间存在本质区别，难以共居一体，因此它们并不相容（incompatible）。

2.2  化解群智能与众智能的不相容性

要想化解群智能与众智能的不相容性，就需要构造过渡桥梁，建立它们之间的衔接关系，使之转化为具有相容性。由于这个桥梁正在群体智能1.0和群体智能2.0中间的位置，所以 将 它所处的阶段 命名 为群体智能1.5。 

目前，国内相关研究提到的群智能在通常情况下已有既定含义，一般特指群智能优化，主要以蚁群优化和粒子群优化为代表 [7] 。群智能优化主要是通过对群居生物觅食行为仿生来处理优化型分配问题，我们 致力于 倡导从群智能优化到群智能进化的发展路径，提出群智能今后发展的主流方向——群智能进化 [20] 。该文所说的群智能进化 的基本内涵主要是指 群体智能1.5， 它 是以群居生物非觅食行为（如劳动分工）主导的合作行为仿生来解决协调型分配问题。 以 群智能进化 为主导 的群体智能1.5以生物为中心，仍然属于群智能范畴 ； 但它摒弃了传统群智能主要是对低等生物觅食行为的模拟，聚焦群居生物合作行为的仿生，这一点又接近于众智能。 

由此可见，借助群体智能1.5的连接作用，将其作为群智能到众智能之间的过渡，可以建立群智能与众智能的自然衔接关系，使得两者具有相容性。这与可拓学解决实际问题的思路 融通 一致 [21] 。 

03 群体智能1.5

3.1  群体智能1.5的研究意义

群体智能1.5的核心理念是借助针对群居生物合作行为的仿生途径来解决协调型分配问题，其仿生对象既包括低等生物，又涵盖高等生物。它通过模仿以合作行为为主的低等生物非觅食行为和高等生物复杂行为，力求搭建连接和贯通群智能与众智能的桥梁，建立起两者之间的衔接关系，以实现群智能与众智能的相容。

目前已有一些关于低等生物非觅食行为（如劳动分工）的研究成果，文献[22]进行了相应的综述及分析。而针对高等生物的仿生研究主要关注的是搜索主导的寻优行为，对高等生物合作行为的仿生研究显得有些薄弱。

3.2  群体智能1.5的研究范围

下面论述群体智能1.5的主体研究内容，通过明确其边界，旨在说明哪些研究属于群体智能1.5的范围。 

3.2.1  低等生物的非觅食行为仿生

目前群智能一般特指群智能优化，通常以算法的形式体现出来。这些优化算法主要是受低等群居生物觅食行为的启发而得到的，其中最有影响的3种群智能优化算法（蚁群优化算法、粒子群优化算法、人工蜂群算法）都是对低等群居生物觅食行为的仿生，例如蚁群优化算法就是模拟蚁群找到从其巢穴到食物源的一条最短路径的觅食行为[23]。此外，细菌觅食优化算法是基于大肠杆菌生物模型理论，模仿大肠杆菌觅食行为的一种仿生全局随机搜索算法[24]；麻雀搜索算法是一种模拟麻雀觅食行为和反捕食行为的群智能优化算法[25]；乌鸦搜索算法模仿的是乌鸦群体之间相互追踪窃取食物的社会行为[26]；天牛须搜索算法是受到天牛觅食原理的启发提出的一种新的群智能优化算法[27]；这样的算法不断出现，在此就不一一列举。

群智能中的低等生物仿生之所以集中在觅食行为，主要原因在于：①觅食行为相对而言比较直观，有规可循，适宜建立优化模型，便于进行规范性研究；②群智能优化是基于搜索完成的，而觅食行为正是一种比较简单的搜索，相对于其他较为复杂的搜索（如蝙蝠的回声定位）处于基础性位置。

不过对低等生物觅食行为的模仿一般只能有效解决优化问题。从资源禀赋的角度，广泛意义下的待解决问题基本上可以归结为资源有限情况下的分配问题——资源分配问题，正如经济学对自身的界定[28]。资源分配问题通常简称为分配问题（allocation problem），解决分配问题通常会尽量追求优化，它是一种广义趋优；而优化问题则受制于数学模型的表达形式，只是一种狭义优化。据此分配问题总体上分为两大类型：相对稳态情形下的优化型分配问题和复杂动态情形下的协调型分配问题[20]。在以低等生物为对象的群智能仿生中，对觅食行为的模仿解决的是优化型分配问题；而要解决协调型分配问题，模仿觅食行为难以奏效，需要模仿的是低等生物的非觅食行为，其重点是以劳动分工为主的合作行为，这样的群智能超越了群体智能1.0的范围，向众智能迈进一步，从而成为群体智能1.5的组成部分。

关于群智能中的劳动分工，国内外已有不少研究，我们在文献 [7, 29] 中作 了系统性总结论述，在此不再赘述。 

3.2.2  高等生物的复杂行为仿生 

这里所说的高等生物具有群居性，但不包括人，其典型代表有狼群、狮群。高等生物行为较之低等生物行为（以觅食行为为主）来说，趋于复杂（以合作行为为主），对高等生物复杂行为的仿生仍然是为了解决协调型分配问题。 

从仿生对象来说，低等生物以觅食（foraging）行为为主 ， 高等生物则以狩猎（hunting）行为为主 。 高等生物的狩猎（如狼群狩猎）与低等生物的觅食（如蚂蚁觅食）相比，难度大得多，主要依赖于高等生物个体之间的紧密配合，因此狩猎行为从根本上讲是一种合作行为。 

目前也有某些关于高等生物狩猎行为的仿生研究，如模仿狼群狩猎行为提出狼群算法（WPA） [30] 。狩猎行为作为一种合作行为，其主体行为应以合作为主，其搜索方式应以探索主导 [20] 。WPA的提出存在明显的局限性，由于总体思路是力图提出一种新的优化算法，跳不出优化的框框，其主体行为是以竞争为主，其搜索方式是以开发主导，未能深入挖掘狼群狩猎行为隐含的合作机制。所以WPA仍然属于群体智能1.0的范围。 

同样，关于狮群的仿生研究存在类似的问题，即并未充分关注狮群的合作行为，而是拘泥于提出一种新的优化算法。由于对狮群行为的简单化认识，难免出现盲人摸象的情形，从而导致根据所依托的局部现象仿生形成多种不同的狮群优化算法 [31-34] ，彼此之间缺乏关联关系。 

与低等生物仿生相比，高等生物仿生的难度要大得多，一个重要原因是难以像低等生物那样进行可控实验（如蚁群的二元桥实验 [13] ），缺乏有效的检验和验证的手段。 

目前关于高等生物复杂行为仿生（以合作行为为主）的研究仍然少见，它作为群体智能1.5的高端部分，有关研究对于群体智能1.5来说具有更为重要的意义，因此它是今后研究关注的焦点，也是有待开拓的前沿领域。 

3.2.3  群体智能发展阶段的比较分析 

上面 引入一个新的群体智能阶段——群体智能1.5，旨在架设从群体智能1.0到群体智能2.0的桥梁，使得群体智能的 3 个发展阶段（群体智能1.0、群体智能1.5和群体智能2.0）成为一个具有相容性的整体，进而针对这 3 个阶段进行深层次剖析和阐释。表2对群体智能1.0、群体智能1.5和群体智能2.0做了比较，从中可以得知： 

1. 作为群体智能1.0 到 群体智能2.0的过渡 阶段 ，群体智能1.5介于两者之间，兼具群体智能1.0和群体智能2.0的特性。从生物原型来看，群体智能1.5与群体智能1.0相近；从主要仿生行为和适宜问题类型来看，群体智能1.5与群体智能2.0相近。 

2.  如表2所示， ① 和 ③ 的仿生属于群体智能1.0， ② 和 ④ 的仿生属于群体智能1.5，由此对群体智能1.0和群体智能1.5进行了明确区分。 

3. 表2中的 ① 在国内外已有大量研究， ② 和 ③也 有 一些 研究， 关于④的研究工作较少， 有待开拓， 它将 成为今后研究的重点。 

表2 群体智能不同发展阶段的比较

3.2.4 小结

这里对群体智能1.5的主要特征进行简要说明。群体智能1.5的仿生原型仍然是生物体而非人群，从这一点看，它与群体智能1.0相近，仍然属于群智能范畴；但群体智能1.5的仿生行为以合作行为为主，就此而言，群体智能1.5又与群体智能1.0不同，而与模仿人群合作行为的群体智能2.0接近；因此，群体智能1.5介于群体智能1.0与群体智能2.0之间，是从群智能过渡到众智能的桥梁。

04 作为群体智能3.0的大成智慧

一方面，第3节搭建了连接群智能与众智能的桥梁——群体智能1.5，化解了它们之间的不相容性，形成一个具有相容性的群体智能整体架构，这一新的架构既区分了不同发展阶段，又建立了它们之间的衔接关系，使得各个阶段能够共居一体。另一方面，在群体智能2.0被提出时，突出了钱学森的学术思想——综合集成研讨厅体系的引导作用[5]。文献[5]写道：著名科学家钱学森先生在20世纪90年代曾提出综合集成研讨厅体系，强调专家群体以人机结合的方式进行协同研讨，共同对复杂巨系统的挑战性问题进行研究。《新一代人工智能发展规划》所提出的群体智能研究方向，实质上正是综合集成研讨厅在人工智能新时代的拓展和深化。

基于上面论述，本节将进一步探讨钱学森综合集成学术思想与群体智能的关系。首先简要回顾钱学森综合集成学术思想的发展历史。

1990年，钱学森等提出开放的复杂巨系统（OCGS）的概念，并将其视为一个科学新领域[35]，进而指出有效处理开放的复杂巨系统的方法论就是定性定量相结合的综合集成方法（meta-synthesis approach）。后来钱学森又将定性定量相结合的综合集成方法提升为从定性到定量的综合集成方法，它引领了一个时代的科学研究方向，这种科学方法论将在科学的交叉、融合发展中，更加体现出其重要作用[36]。

1992年，钱学森进一步提出从定性到定量的综合集成研讨厅体系，这是综合集成方法运用的实践形式和组织形式[37]，预示着“人机结合的大成智慧”新时代的来临，而大成智慧（meta-synthesis of wisdom）正是沉浸在广阔的信息空间里形成的网络智慧。研讨厅体系中的“厅”是指由高速信息网络、现代化的通信设备及计算机软硬件构成的，使人们共同讨论解决问题时就有身临其境之感的“虚拟现实”技术环境。

2011年以来，综合集成方法研究的首要议题是大成智慧（meta-synthesis of wisdom）的重新关注，智慧地球的探索、智慧城市的建设成为热门话题[38]。融入了大成智慧的综合集成可实现自上而下的协调控制与自下而上的智慧涌现的双向互动[39]，从而将综合集成方法研究推进到创新升华的新阶段[38]。

上面简要的回顾表明综合集成研讨厅体系主要是技术环境的支持，属于外部表现形式；大成智慧才是综合集成创新升华的主导因素，乃是内在驱动力量。追根究底，群体智能2.0的提出是在大成智慧的指导和引领下完成的。因此，就群体智能领域来说，相对于群体智能2.0（众智能），钱学森提出的大成智慧高屋建瓴，统领全局，显然处于更高级的阶段，据此将其称之为群体智能3.0。

众智能主要源于感知层面，其基本形式是依托感知信息完成复杂任务（如众包），形象的描述就是众人划桨开大船。大成智慧主要源于认知层面，其基本形式是心理行为驱动下的高级智慧涌现（如创意生成），形象的比喻就是众人拾柴火焰高。两者存在较大差别，如表3所示。

表3 众智能与大成智慧的比较

作为群体智能3.0的大成智慧与群体智能2.0（众智能）都是互联网时代的人类智能仿生，两者都突出和强调了互联网的重要作用和互联网时代的特点及要求，因此它们之间必然存在着关联关系。明确群体智能2.0与群体智能3.0之间的关联关系，进而提出从群体智能2.0到群体智能3.0的进化途径，就显得至关重要。

大成智慧通俗地解读就是“集大成得智慧”，它力求实现综合集成式的人类群体智能，这与当今方兴未艾的通用人工智能（artificial general intelligence, AGI）所追求的目标一致。传统人工智能主要解决特定领域的专业问题和专门任务，而通用人工智能能够在解决诸如推理决策、自主学习、交流沟通等跨学科领域的复杂问题和任务中表现出类似人类的智能水平[40]，这样的跨学科领域的复杂问题和任务往往处于深度不确定性之中[41]，它们不仅无法被概率刻画，甚至人们并不清楚未来哪些状态、因素或情形可能出现，表现出一种非常规的不确定性。

通用人工智能的标志性成果是OpenAI公司于2022年11月发布的一款名为ChatGPT的软件，该软件在发布后2个月内的活跃用户数突破1亿。ChatGPT是在大语言模型的基础上实现的；大语言模型（large language model, LLM）简称大模型，是指经过大量文本训练并具有复杂结构和参数的深度学习模型。ChatGPT展现出来的强大对话生成能力源于大模型的涌现性[42]，由此推动生成式人工智能（generative artificial intelligence）爆发式崛起。生成式人工智能能够进行归纳总结，进而采用深度学习技术自动生成全新的原创性内容[43]，ChatGPT业已成为展现生成式人工智能威力的有力证明，预示着“万物皆可生成”时代的到来。而大成智慧从本质上讲是群体智慧的涌现，它与生成式人工智能相容一致。事实上，基于大模型的生成式人工智能正成为实现大成智慧的一种重要途径。除了大模型之外，大数据的快速发展打破了统计学中基于局部样本概率分布假设的局限性[44]，使得人工智能的应用场景更加广阔，也在促使人工智能向通用性方向推进。

综上所述，深度不确定性下的大模型和大数据的双轮驱动是从群体智能2.0（众智能）通向群体智能3.0（大成智慧）的进化途径。

05 群体智能中的合作与分工

群体智能3.0的引入使得群体智能的发展扩大到4个阶段。上面阐释的群体智能4个发展阶段的完整框架中，突出合作行为在群体智能发展过程中的重要性，相应的阶段划分的主要依据是基于合作行为的发展水平，而不是仿生原型类别。

群体智能的仿生原型涵盖3类群居性生物：低等生物、高等生物（不包含人）和人。深入考察低等生物、高等生物和人3类仿生原型的合作行为，可以发现它们各有特点，下面进行论述说明：

1. 低等生物的间接调节型合作

诸如蚁群、蜂群这样的低等生物之间的合作（如劳动分工）是通过信息素（pheromone）的传递，采用stigmergy的间接方式[13, 45]交互完成的，它是一种在自然界和人工系统中观察到的间接协作机制，也是一种社会网络中生物个体自治的信息协调机制，通过在环境中留下信息刺激来引导其他个体的行为，在没有中枢控制和接触交流的情况下，群体借助同频共振，达到信息对称，个体独立行动，彼此互相适应以实现自我更新，逐步完善群体的生态环境。由此可见，低等生物之间的合作本质上属于间接调节型合作。

2. 高等生物直接沟通型合作

以狼群、狮群为代表的高等生物具备更丰富和直接的沟通合作能力。例如狮群能够通过体态、面部表情、声音、梳理毛发、气味等通讯方式传递信息。其中，咆哮是狮子的范围最广、最直接、主动的沟通方式。狮子是所有猫科动物中吼声最大，也是次声波传播最远的猫科动物。Schaller[46]发现狮群咆哮拥有强调存在、避免接触、加强群体联系、强化个体能力等丰富功能。文献[47-48]发现狮子能够通过咆哮招募新伙伴并与伙伴协调行动。文献[49]描述了雄狮通过咆哮警示和驱逐外敌远离其领地。可见，通过咆哮的直接沟通方式，高等生物能够更高效地实现群体合作。

3. 人的共享意向型合作

许多物种，从蚂蚁到虎鲸，再到人类的灵长类表亲，都会在野外生存中合作。但只有人类群体的合作才有共同愿景（shared vision）[50]，具备共享意向的能力，即人可以直观地了解其他人在想什么，并且为共同的目标一起努力。这种颇为强大的认知能力使得人类这个物种走上了非同寻常的进化之旅，帮助人类锻造出语言、工具和文明。人类的合作需要以下条件：存在若干个个体能够洞察到彼此的意图并据此形成一个共同的目标；不同的个体分别扮演不同的角色并最终能够整合各自的努力。这些活动依赖于高等生物（如黑猩猩）所不具有的认知能力[51-52]。因此，人群之间合作的主导形式是共享意向型合作。

总体而言，低等生物缺乏认知能力，其群体行为是在感知层面展现出来的，并且以竞争为主，以合作为辅。高等生物以个体感知为主导，也有少许认知方面的能力，其群体行为以常规性合作为主，以竞争为辅。人作为万物之灵，则以认知为其所长，其群体行为以集体意向为基础，以共享型合作为主，竞争只是处于从属位置。

群体智能在本质上追求的是合作的涌现（emergence of cooperation）[53]，低等生物、高等生物和人在合作行为方面显示出一致性，即实现合作的主要形式就是分工，不过分工行为的复杂性在逐渐增加。对于低等生物而言，竞争是其生存的一种普遍本能和基本能力，低等生物的合作行为很少，水平也很低，合作的主要形式是简单的劳动分工（division of labor）[22]。高等生物合作行为较之低等生物有所提升，其主要形式是感知驱动的角色分工（division of role）[54]。人的合作行为更为复杂多样，发展到既有感知驱动，又有认知驱动，并且以认知驱动为主的社会分工（division of society）形态。上述群体智能分工的演进过程如图2所示。无论是劳动分工还是角色分工都属于群体智能1.5的范畴，而社会分工对应的是群体智能2.0和群体智能3.0的高级阶段。

图2 群体智能分工的演进过程

06 总结与展望

6.1 研究总结

随着互联网普及等信息新环境的出现，传统人工智能（人工智能1.0）正在迈向新一代人工智能（人工智能2.0）的新阶段[2]。作为人工智能的重要组成部分，群体智能也由群体智能1.0（群智能/群智能优化）进入到群体智能2.0（众智能/基于互联网的群体智能）阶段[14]。本文通过深度剖析和论证，发现群体智能1.0与群体智能2.0之间存在不相容性。为化解这种不相容性，提出群体智能1.5作为连接两者的过渡桥梁，其仿生原型以高等生物为主，以低等生物为辅，主要模仿生物的合作行为，由此形成一个包含群体智能1.0、群体智能1.5和群体智能2.0这样3个阶段并具有相容性的整体。群体智能2.0的提出是在钱学森大成智慧学术思想的指导和引领下完成的，相对于群体智能2.0，大成智慧处于更高级的阶段——群体智能3.0。这就给出由上述阶段共居一体所组成的群体智能发展的完整架构，如图3所示。这些不同阶段渐进发展，具有良好的相容性；同时，群体智能2.0和群体智能3.0所解决的协调型分配问题又有差别，群体智能2.0解决的是一般协调型分配问题（如生产调度问题），而群体智能3.0要解决的协调型分配问题以社会系统为主，相对来说复杂得多，称为社会协调型分配问题。

图3 群体智能发展阶段

本文提出的群体智能4个发展阶段的整体架构对该领域研究具有启发性和促进作用，该架构把目前群体智能发展结构从两阶段推进到4阶段，将对未来一段时间群体智能的发展起到相应的引领作用。本文研究的主要发现和贡献体现在以下3个方面：

1. 发现了群体智能1.0与群体智能2.0的不相容性，进行了相应的深度剖析，提出两者之间的过渡阶段——群体智能1.5，明确了其主要内涵和覆盖范围。借助群体智能1.5的连接作用，有效化解了群体智能1.0与群体智能2.0的不相容性。

2. 基于对目前高等生物仿生存在问题的分析，指出其局限性，明确了群体智能1.5研究的主攻方向。通过寻根溯源的分析，突出高等生物合作行为仿生的重要性，提出研究高等生物狩猎行为的新视角。

3. 将钱学森 提出的大成智慧 作为 众智能（ 群体智能2.0 ） 发展 的 高级阶段， 即 群体智能 3 .0，提出构建 大成智慧 与 众智能 的关联关系 ， 分析表明深度不确定性 下的 大模型和 大数据的 双轮 驱动是 从 群体智能2.0 通向 群体智能3.0 （大成智慧）的进化 途径。 

6.2 研究展望

目前关于群体智能的前沿研究方兴未艾，呈现出良好发展势头，成为学术探索的热门选题。基于对本文提出的群体智能4个发展阶段整体架构的认识，下面对群体智能未来发展方向和研究课题进行展望：

1. 现已提出的群体智能1.0（群智能优化）的具体算法已有很多[23]，虽然研究文献层出不穷，但难以引起特别关注。群体智能1.0今后的研究重点应关注具有普适意义的通用机理性问题，如探索与开发的平衡问题[55]；同时要研究针对特殊问题（如超多目标优化问题[56]）的群智能求解算法。

2. 高等生物（如狮群、狼群）合作行为的仿生研究是群体智能1.5的主体部分，目前仍显薄弱，有关成果较少。它的提出顺应了智能行为复杂性的发展要求，与文献[57]提出的面向复杂动态对象的精准智能理论构想的思路一致。因此，群体智能1.5将是今后群体智能研究关注的焦点，也是有待开拓的前沿领域。

3. 钱学森的大成智慧学术思想高屋建瓴，同时也比较抽象，目前的研究文献基本上是对大成智慧的解读性论述，缺乏延伸探讨和深化发展。本文将大成智慧视为群体智能3.0的高级阶段，将其与群体智能2.0联系起来，深化大成智慧的内涵，将为群体智能的研究注入新的活力。

4. 作为群体智能的不同发展阶段，群体智能2.0与群体智能3.0目前还相距甚远。因此要进一步明确两者的关系，进而寻找实现两个不同阶段连通的一系列台阶，作为它们之间的衔接载体。例如新近发表的研究文献[58]提出一个概念框架，用于研究复杂社会认知系统中的群体适应性，该框架由社会整合策略、社会环境和问题结构的动态交互驱动；关于群体适应性的探索就是从群体智能2.0到群体智能3.0的一系列台阶中的一个，值得深入研究。

5. 群智涌现（swarm intelligence emergence）乃是群体智能理论体系中的核心内容之一。低等生物、高等生物和人群的涌现机理既有一定相关性，又呈现不同表现形式，有待进一步研究。

参考文献

向下滑动阅读

1. 尼克. 人工智能简史[M]. 2版. 北京: 人民邮电出版社, 2021. 

2. Pan Y H. Heading toward artificial intelligence 2.0[J]. Engineering, 2016, 2(4): 409-413. 

3. 钟义信. 机制主义人工智能理论——一种通用的人工智能理论[J]. 智能系统学报, 2018, 13(1): 2-18. 

4. Zhang B, Zhu Jun, Su H. Toward the third generation artificial intelligence[J]. Science China Information Sciences, 2023, 66(2): 121101. 

5. 中国人工智能2.0发展战略研究项目组. 中国人工智能2.0发展战略研究（上册）[M]. 杭州: 浙江大学出版社, 2018. 

6. Wu F, Lu C, Zhu M, ChenH, Zhu J, Yu K, Li L, Li M, Chen Q, Li X, Cao X, Wang Z, Zha Z, Zhuang Y, Pan Y. Towards a new generation of artificial intelligence in China[J]. Nature Machine Intelligence, 2020, 2(6): 312-316. 

7. 肖人彬, 等. 面向复杂系统的群集智能[M]. 北京: 科学出版社, 2013. 

8. Riedl C, Young Kim J, Gupta P, Malone T W, Woolley A W. Quantifying collective intelligence in human groups[J]. Proceedings of the National Academy of Sciences, 2021, 118(21): e2005737118. 

9. Wu L, Wang D, Evans J A. Large teams develop and small teams disrupt science and technology[J]. Nature, 2019, 566(7744): 378-382. 

10. Bernstein E, Shore J, Lazer D, How intermittent breaks in interaction improve collective intelligence[J]. Proceedings of the National Academy of Sciences, 2018, 115(35): 8734–8739. 

11. Zhang W, Mei H. A constructive model for collective intelligence[J]. National Science Review, 2020, 7(8): 1273-1277.12. 

12. 肖人彬, 冯振辉, 王甲海. 群体智能的概念辨析与研究进展及应用分析[J]. 南昌工程学院学报, 2022, 41(1): 1-21. 

13. Bonabeau E, Dorigo M, Theraulaz G. Swarm intelligence: from natural to artificial systems[M]. New York: Oxford University Press, 1999. 

14. Li W, Wu W J, Wang H M, Cheng X Q, Chen H J, Zhou Z H, Ding R. Crowd intelligence in AI 2.0 era[J]. Frontiers of Information Technology & Electronic Engineering, 2017, 18(1): 15-43. 

15. Lin S J, Dong C, Chen M Z, Zhang F, Chen J H. Summary of new group intelligent optimization algorithms[J]. Computer Engineering and Applications, 2018, 54(12): 1-9. 

16. Predic B, Stojanovic D. Enhancing driver situational awareness through crowd intelligence[J]. Expert Systems with Applications, 2015, 42(11): 4892-4909. 

17. Kennedy J, Eberhart R C, Shi Y H. Swarm intelligence[M]. San Francisco: Morgan Kaufmann Publishers, 2001. 

18. Reynolds C W. Flocks, herds and schools: a distributed behavioral model[J]. Computer Graphics, 1987, 21(4): 25-34. 

19. 陈曦, 肖人彬. 谣言传播与舆论演化计算实验研究[M]. 武汉: 华中科技大学出版社, 2023. 

20. 肖人彬, 陈峙臻. 从群智能优化到群智能进化[J]. 南昌工程学院学报, 2023, 42(1): 1-10. 

21. 蔡文, 杨春燕. 可拓学的基础理论与方法体系[J]. 科学通报, 2013, 58(13): 1190-1199. 

22. 肖人彬, 王英聪. 群智能自组织劳动分工研究进展[J]. 信息与控制, 2019, 48(2): 129-139+148. 

23. 李士勇, 李研, 林永茂. 智能优化算法与涌现计算[M]. 第2版. 北京: 清华大学出版社, 2022. 

24. Passino K M. Biomimicry of bacterial foraging for distributed optimization and control[J]. IEEE Control Systems Magazine, 2002, 22(3): 52-67. 

25. Xue J K, Shen B. A novel swarm intelligence optimization approach: sparrow search algorithm[J]. Systems Science & Control Engineering, 2020, 8(1): 22-34. 

26. Askarzadeh A. A novel metaheuristic method for solving constrained engineering optimization problems: crow search algorithm. Computers & Structures, 2016, 169: 1-12. 

27. Jiang X Y, Li S. BAS: beetle antennae search algorithm for optimization problems[J]. International Journal of Robotics and Control. 2018, 1(1): 1-5. 

28. Samuelson P A, Nordhaus W D. Economics[M]. Nineteenth edition. New York: McGraw-Hill, 2010. 

29. 肖人彬, 陶振武. 群集智能研究进展[J]. 管理科学学报, 2007, 10(3): 80-96. 

30. Wu H S, Xiao R B. Flexible wolf pack algorithm for dynamic multidimensional knapsack problems[J]. Research, 2020, 2020: 1762107. 

31. Yazdani M, Jolai F. Lion optimization algorithm (LOA): a nature-inspired metaheuristic algorithm[J]. Journal of Computational Design and Engineering, 2016, 3(1): 24-36. 

32. Wang B, Jin X P, Cheng B. Lion pride optimizer: an optimization algorithm inspired by lion pride behavior[J]. Science China Information Sciences, 2012, 55(10): 2369-2389. 

33. Rajakumar B R. The lion's optimization algorithm: a new nature-inspired search algorithm[J]. Procedia Technology, 2012, 6:126-135. 

34. 刘生建, 杨艳, 周永权.一种群体智能算法——狮群算法[J]. 模式识别与人工智能, 2018, 31(5): 431-441. 

35. 钱学森, 于景元, 戴汝为. 一个科学新领域——开放的复杂巨系统及其方法论[J]. 自然杂志, 1990, 13(1): 3-10. 

36. 戴汝为. 从定性到定量的综合集成法的形成与现代发展[J]. 自然杂志, 2009, 31(6): 311-314+326. 

37. 王文华. 钱学森学术思想[M]. 成都: 四川科学技术出版社, 2007. 

38. 安小米, 马广惠, 宋刚. 综合集成方法研究的起源及其演进发展[J]. 系统工程, 2018, 36(10): 1-13. 

39. 肖人彬, 侯俊东. 新型举国体制的运行机理——综合集成大成智慧的视角[J]. 系统科学学报, 2024, 32(2): 73-79+85 

40. Pei J, Deng L, Song S, et al. Towards artificial general intelligence with hybrid tianjic chip architecture[J]. Nature, 2019, 572(7767): 106-111. 

https://doi.org/10.1038/s41586-019-1424-8 

41. Stanton M C B, Roelich K. Decision making under deep uncertainties: A review of the applicability of methods in practice[J]. Technological Forecasting and Social Change, 2021, 171: 120939. https://doi.org/10.1016/j.techfore.2021.120939 

42. Wei J, Tay Y, Bommasani R, et al. Emergent abilities of large language models[J]. arXiv preprint, arXiv: 2206.07682, 2022. 

43. Kshetri N, Dwivedi Y K, Davenport T H, Panteli N. Generative artificial intelligence in marketing: Applications, opportunities, challenges, and research agenda[J]. International Journal of Information Management, 2023, 31: 102716. 

https://doi.org/10.1016/j.ijinfomgt.2023.102716 

44. Hilbert M, Lopez P. The world’s technological capacity to store, communicate and compute information[J]. Science, 2011, 332(6025): 60-65. 

https://doi.org/10.1126/science.1200970 

45. Karsau I. Decentralized control of construction behavior in paper wasps: an overview of the stigmergy approach[J]. Artificial Life, 1999, 5(2): 117-136. 

46. Schaller G B. The Serengeti lion: a study of predator-prey relations[M]. Chicago: University of Chicago Press, 2009. 

47. Grinnell J, Mccomb K. Roaring and social communication in African lions: the limitations imposed by listeners[J]. Animal Behaviour, 2001, 62(1): 93-98. 

48. Grinnell J, Packer C, Pusey A. Cooperation in male lions: kinship, reciprocity or mutualism?[J]. Animal Behaviour, 1995, 49(1): 95-105. 

49. Stander P, Stander J. Characteristics of lion roars in Etosha National Park[J]. Madoqua, 1988(4): 315-318. 

50. Senge P M. The fifth discipline: the art and practice of the learning organization[M]. New York: Doubleday, 1990. 

51. Hare B, Call J, Tomasello M. Do chimpanzees know what conspecifics know?[J]. Animal Behaviour, 2001, 61(1): 139-151. 

52. Melis A P, Hare B, Tomasello M. Do chimpanzees reciprocate received favors?[J]. Animal Behaviour, 2008, 76(3): 951-962. 

53. Axelrod R. Hamilton W D. The evolution of cooperation[J]. Science, 1981, 211(4489): 1390-1396. 

54. 吴虎胜, 肖人彬. 群智能新研究：角色-匹配的狼群劳动分工[J]. 智能系统学报, 2021, 16(1): 125-133. 

55. Hills T T, Todd P M, Lazer D, Redish A D, Couzin I D, the Cognitive Search Research Group. Exploration versus exploitation in space, mind, and society. Trends in Cognitive Sciences, 2015, 19(1): 46-54. 

56. 肖人彬, 李贵, 陈峙臻. 进化超多目标优化研究进展及展望[J]. 控制与决策, 2023, 38(7): 1761-1788. 

57. 郑志明, 吕金虎, 韦卫, 唐绍婷. 精准智能理论：面向复杂动态对象的人工智能[J]. 中国科学：信息科学, 2021, 51(4): 678-690. (Refined intelligence theory: artificial intelligence regarding complex dynamic objects) 

58. Galesic M, Barkoczi D, Berdahl A M, Biro D, Carbone G, Giannoccaro I, Goldstone R L, Gonzalez C, Kandler A, Kao A B, Kendal R, Kline M, Lee E, Massari G F, Mesoudi A, Olsson H, Pescetelli N, Sloman S J, Smaldino P E, Stein D L. Beyond collective intelligence[J]. Interface, 2023, 20: 20220736. 

作者简介

肖人彬华中科技大学人工智能与自动化学院，武汉，430074

本文编译自：Xiao RB, 2024. Four development stages of collective intelligence.  Front Inform Technol Electron Eng, in press. https://doi.org/10.1631/FITEE.2300459