身体的智能：2.9人工生命与多智能体系统

另一个有趣的进展来源于人工生命领域，简称为ALife。从古典的角度来看，人工智能将重点放在个体，就像心理学一样，正如我们所看到的，在当时，心理学是人工智能学者合作的主要学科。人工生命具有极强的生物学根基而非心理学，并关注从大量智能体涌现的行为。换句话说，人工生命研究所感兴趣的是多智能体系统。我们一定要注意多智能体系统这一术语，在人工生命研究中，一般倾向于使用复杂动力系统这一术语，因为它也包括物理无机系统，在这个系统中，个体智能体或组分，如分子或沙粒，只有有限的智能体特性。我们假定智能体具有一定的基本感觉―运动能力，使之能够感知环境的状况，并且依靠这些信息和它自身的状态，执行某些行为。分子、岩石或其他“死”的自然物体就没有这个能力。

这一领域研究的早期成功是由简单的规则和局部交互作用来实现复杂的整体行为（Langton，1995）。细胞自动机（cellular automata）是这一方法的典型代表，其中智能体是网格上的个体细胞。每一细胞的下一个状态是由细胞自己的状态和它周围邻居的状态决定的。John Conway的“生命游戏”（Gardner，1970）可能是细胞自动机行为最有名的例子：在两维网格上的细胞有两种状态――“开”或“关”（“活着”或“死亡”），这由四项规则控制：如果一个活细胞只有不到两个邻居，它会死亡（孤独）；如果一个活细胞有超过三个邻居，它会死亡（过度拥挤）；如果一个死细胞有三个活着的邻居，它会复活（复制）；否则，这个细胞保持原来的状态。生命游戏的魅力在于，从极简单的规则中所涌现出的多种多样的有趣和复杂的时空模式。人们给许多时空模式起了名字，如振荡器、眨眼、触发器、滑翔机、滑膛炮等。关于这个游戏可以在互联网上找到数十个现场演示。

在典型的人工生命系统中有价值的是智能体种群的整体，而不是个体。在细胞自动机这个案例中，单个智能体是网格上的细胞，但这些个体的重要性仅在于与许多细胞的联系。昆虫社会的自组织现象研究，例如，Librede Bruxelles大学Jean-Louis Deneubourg（在非线性现象和复杂系统中心）所从事的社会性昆虫研究充分利用了种群的观点，并已吸引了许多研究者：如“蚂蚁算法（ant algorithms）”（Dorigo

①“时空的”表示某种模式随空间和时间变化，如果你观察某个网格上的某个区域，就会发现变化，但局域模式也会在网格上移动。

等，2002）和“群体智能（swarm intelligence）”（Bonabeau等，1999）这些名词就是他们创造的（Dorigo和Stitzle，2004）。Deneubourg和Dorigo的灵感均来自于物理学家Iya Prigogine所创造的理智气氛（intellectual
atmosphere），Ilya Prigogine在1977年因耗散结构理论被授予诺贝尔奖。他关于自组织系统和复杂系统的思想影响了许多人工生命领域的研究人员。Prigogine曾任著名的Solvay物理与化学研究所的主任，在布鲁塞尔居住了多年，由于他那本具有争议性标题的著作《从混沌到有序》

（Order Out of Chaos）（Prigogine 和Stenger，1984）及其他贡献，他在物理学领域以外也很出名。自组织确实是现代人工智能领域持续热门的概念之一（Camazine等，

2001），我们在整本书都会遇到它。所谓自组织，是指某些结构或模式（如蝴蝶翅膀的图案，斑马皮毛上的条纹，或昆虫社会的某一特定的社会组织）是由许多组成部分的局部交互而产生的，而不是由外部指导、操作或全局和集中控制产生的。自组织是一个非常强大的概念，但是，由于我们总是要用控制的观点来理解我们周围的现象，所以，自组织这个概念有时很难直觉把握。然而，一旦我们掌握了这个概念，它就变得非常普通或简单，并且，如我们将在第6章和第7章中看到的那样，似乎难以理解的是在没有自组织这个概念以前我们是如何做的。

说明自组织如何产生高度复杂行为的一个很好例证是蚂蚁痕迹的形成。某些种类的蚂蚁能够从它们巢穴附近的几个食物源中找到最接近的食物源，因此，蚂蚁在某种程度上解决了一个复杂的最优化问题。Deneubourg和Goss（1989）提出的问题是，这种能力是由于个体蚂蚁的智能还是由于它们的社会性交互作用？将这种能力归因于蚂蚁个体将意味着蚂蚁比较了到各个食物源的距离，并在此基础上选择了最近的食物源。同样这意味着部分蚂蚁个体将需要大量的计算、相当多的探索和环境知识。但是还有一个比较简单的解决办法。当蚂蚁离开巢穴寻找食物以及它们从这段路程回来时，蚂蚁用信息素（具有强烈气味的化学剂）标记它们的路径。蚂蚁跟随信息素，在几条路径交叉的路口，它们以一定的概率选择标记最重的路线。蚂蚁从较近的食物源回来的就较快，从而越短的路径比越长的路径有更重的标记。因为较短路径的标记更重，它们将吸引更多的蚂蚁，这将加快了较短路径的标记速度。这样的过程就是一个正反馈回路的例，也常被称为自催化或自我强化的过程。因此，就蚂蚁如何找到离自己最近的食物源的路径而言，我们有一个非常简单的解释，是根据自组织而不是个体的认知能力。

模块化机器人技术是一个从人工生命研究中吸取了很多灵感的研究领域，也涉及多智能体系统。这里，个体智能体是机器人模块，这些模块能组装成不同形态的机器人（关于模块化机器人系统的说明可见Hara和Pfeifer的书籍，2003）。这个研究的目标之一是设计一个能够自修复的系统，这是一个在某种程度上所有生命系统都具有的特性：轻微淤伤或切伤在没有任何外来干预的情况下会自动愈合。自组装及自重构是非常吸引人的话题，并将变得越来越重要，因为系统必须长时间在遥远的、敌对的环境，像深海或其他行星中运作。东京工业大学的未来派工程师Satoshi

Murata和他的同事们（Murata等，2004）的开创性工作不仅通过模拟而且用真正的机器人系统向我们展示了如何实现自重构（见图7.1）。应当提及的是，迄今为止，自修复和自重构受到集中式算法的严格控制，而不是产生于局部的交互。在第7章将介绍更多这方面的内容。

进化系统是所谓的种群思考（population thinking）的另一例子，它研究整体的适应性而不是个体的适应性。在第6章我们将讨论进化思想的影响。因为与生物学的紧密联系，经济学也从进化思想中获得了灵感，创造了基于智能体的经济学（Epstein和Axtel，1996）。通常，进化算法和蚂蚁算法不是被用作生物学模型，而是作为强大的优化技术。现在，几个大型工业公司正在使用进化与基于蚂蚁的算法进行设计和优化（想了解蚂蚁算法在工业中的应用，见Dorigo和Stitzle，2004）。

有趣的是，多智能体系统这个术语很快被古典人工智能的学者采用，但在对多智能体系统的使用上有所不同。他们使用多智能体系统通常不是为了实现涌现（涌现这个术语的定义见本书3.6节），涌现在人工生命领域很平常，可用于实现特定的任务，如在因特网上的搜索任务（Ferber，1999）。经常在这种研究方法下，个体智能体被赋予类似于古典方法中的集中控制。因此，在许多情况下，人工智能中的多智能体研究实际上并不涉及涌现。

在机器人学领域，对多智能体系统的兴趣也已越来越大。近期人们对机器人足球方面的兴趣高涨就清楚地表明了这一点。这个被称为RoboCup的运动是由日本研究人员和狂热机器人学家Hiroaki Kitano及他的同事们热情地推动的（Kitano等1997），对这个项目感兴趣的不限于科学界，还包括普通大众。2002年世界机器人足球锦标赛在位于日本九州岛西南部的福冈市福冈圆顶体育场举行，有超过10万充满激情的观众，就像是一场真正的足球锦标赛！多智能体机器人技术的问题之一是，通常只有少量的机器人可供研究，因为真实世界机器人的复制比软件复制困难得多，因此还无法观察到真实有趣的涌现现象。在机器人足球比赛中，打赢比赛（而不是涌现）才是目的。最近，机器人足球队取得了令人印象深刻的表现，比赛正开始看起来越来越像真正的足球赛，机器人球员不但非常快速而且相互配合以获得进球。

至今一个重要的研究难题是如何在由多智能体群体产生的仿真中实现高水平的智能。典型地，在从生态学研究者转向人工生命研究者的Charlote Hemelrik的工作中，他研究虚拟灵长类智能体群体、智能体及其独立的子群体的等级或基于仅仅是智能体和智能体之间交互的迁移模式的出现，而无需为形成社会等级或迁移的“期望”而预先编制程序。思考、推理和语言通常不是在人工生命领域中感兴趣的话题。人工智能学者和语言学家Luc Steels做的工作也许是一个例外，他在他的“谈话头”实验（不要与同名的摇滚乐团混淆）中，试图从种群观点（population
perspective）来探讨高层次的认知（自然语言）（Steels，2001，2003）。举例来说，在一

系列具有独创性的实验中，他和他的学生们演示了一个普通词汇是如何通过智能体与其环境和智能体之间的交互作用而形成的。他们也进行了有关语法形成的初步工作。在这项研究中，我们见识到了很多关于它们（智能体）自己是如何建立通信系统，它们如何自我组织以及在个体智能体没有预定义的情况下类似语法的概念是如何形成的。虽然这一方法诱人，并极有前途，但它是否的确会导致一些类似的自然语言还没有定论。

因为目标的根本分歧，起源于人工生命领域的分布式智能体研究，与从人工智能和机器人学发展出来的分布式智能体研究，直至目前在很大程度上仍然是隔离的。一般来说，人工生命领域更多地侧重于群体，具有局部的交互、自组织以及复杂动态的分布式系统，对具身化系统则关注略少，但不管他们是否已经认识到，这一领域的研究人员的确再次在为（具身性）人工智能作出贡献。