身体的智能：7.4机器人群体
每年在苏黎世神经系统科学中心都会举行“大脑展”（brain fair）.其总林目标
是就广阔的神经系统科学领域的最新研究成果与公众交流。整个中心是一个大的平台，大约汇集了上百个在该领域各个方向上的研究小组，包括脑科学家、内科医生、
药理学家、心理学家、计算神经科学家以及在实验中运用神经系统科学思想的人工智能和机器人专家。Rolf的苏黎世人工智能实验室定期参加这一活动，并通过机器人演示来解释有关具身性的思想。在1999年的大脑展上，Hanspeter Kunz，一个物理学和计算机科学家，当时正与Charlotte Hemelrijk合作从事机器人群体中涌现现象的研究，他们展示了机器人群集（flocking）实验。实验中他们使用了若干Samurai机器人（大约6个）。这些圆形的三轮机器人，直径约30cm，高约30cm，装备了一个红外传感器环，一个无线LAN卡，还有一个具有360°视野的全景摄像机。许多动物，如昆虫或者野兔，拥有近乎360°的视野范围。所以，对于生物机器人实验，这种配置在生物学意义上基本合理。为了向参观者说明有关参照系问题，Kunz把其中一个机器人的有关信息投影到一个很大的屏幕上，包括原始的摄像图像、
各个不同阶段的视觉处理结果（如边缘提取、颜色以及其他机器人的识别）、用于机器人控制的神经网络的状态以及发送给电机的信号。这个方法好在其提供了从机器人的角度看待这个世界的直观方式。此外，每个机器人都安装了一套Reynolds规则。
让我们快速描述一下全景摄像机。想象一下，你有一个朝下放着的像镀银电灯泡般的曲面镜，能反射出周围环境，另外你还有一个面向曲面镜放着的普通摄像机，这样就构成了一个360°的摄像机。尽管这个设备简单有效，但设计上仍有严重缺陷，因为要包含的环境信息很多（比标准摄像机要包含的环境信息大得多），所以分辨率很低。如此大量的环境信息全映射到一个普通摄像机上，这使得视觉分析以及Reynolds规则的实施都很困难。由于这个原因，识别其他机器人这一群集规则有效的前提条件，也变得非常困难。为了克服这个难题，Kunz在他的机器人上面放了颜色鲜艳的宽幅彩条以便于机器人之间相互识别。确实，在实验室里，甚至是在“大脑展”现场（这是一个由20cm高的平板所围成的8×8m2区域）进行的展会前夜的测试中，都涌现出了智能群集行为。但是，在展会开始后，系统却经常崩溃，例如，一些机器人会冲向场地的边界，而不是待在集群中。经过分析，我们很快发现了问题：听众中许多孩子都穿着鲜艳的衣服，这让机器人误认为是其他机器人。当Kunz的机器人单独在场地中，或者周围只是一些穿黑、灰还有米色衣服的学者时，从局部交互规则涌现出的群集行为就会工作良好。但在前一种情况，机器人不能随着其他机器人群集在一起，而是把孩子当成了机器人。对于我们人类观察者，显而易见孩子们与带全景摄像机的三轮圆形机器人截然不同，但从机器人的现场视角来看，这种差别似乎并不明显。这个例子说明了这一行为系统的鲁棒性很低，环境条件的一点微小改变就能导致系统崩溃。我们越发有理由钦佩自然界的巨大鲁旅性
但这样的困难并没有出现，因为Kunz还不了解他那时正做什么，他对这类实验有很丰富的经验，他下了些功夫，研究了文献。研究有关集体智能的文献是很有趣的，尽管集体智能有着巨大的潜力，似乎仍存在着许多深层的问题。第一，文献中关于真实机器人群体的实验非常少，但是有许多关于仿真的实验；第二，所报告的任务类别仍相对限制在某一范围内；第三，在这些实验中只使用了少数几个机器人；第四，这些实验的科学价值难以评价，因为它们通常缺乏系统性；第五，在许多集体机器人实验中，涌现现象并非重点；最后，在真实世界中的集体机器人的应用，即使有也是为数不多。
自然而然出现了不少在真实机器人上做的关于全局模式涌现性的有趣实验，如机器人聚类（如Beckers等，1994年，还有Martinoli等，1999年）；机器人分成独立小组（Holland和Melhuish，1999年）；机器人环境探索（Hayes等，2000年）；劳动力分工的产生（Ling等人，2004年）；大件物体运输和操作（ljspeert等，2001年；
GroB和Dorigo，2004年）；还有覆盖场地的通信网络（Ichikawa等，2003年）。上述所列并不完全，但在真实机器人上进行的集体智能研究实例中难以找到群体的功能是作为一个整体通过局部规则而涌现的。有一些专注于集体智能的会议，如DARS是一个关于分布式自主机器人系统的会议，但是DARS很少涉及涌现性，SWARM这类研究特别专注于大型智能体群体的研究，大部分工作也仅限于仿真。
让我们回到由文献所反映的问题上来，然后推测一下为什么仅有如此少的实体研究。硬件往往不可靠而且昂贵，而且它的使用需要研究人员具有很丰富的硬件知识，这是为什么只有很少机器人在实验中得到使用的原因。通常实验中只用了5个、10个或20个机器人，并且，目前据我们所知，实验中所用的物理机器人数量的最高纪录是100（McLurkin和Smiths，2004）。术语“群体智能”（swarm intelligence）
有时被用作集体智能的同义词，实际上意味着需要大量的智能体。德国
Karlsruhe大学（欧洲机器人研究中枢之一）的微型机器人专家Joerg Seyfried正计划使用1000个毫米级高度的机器人从事探索、清扫、搜集还有组装工作。这是一项大型研究工程，由欧盟的IST-FET计划（Information Society Technology，Future and Emergent Technologies，信息社会技术与未来的新兴技术）资助。在2006年，真实机器人实验还处于设计阶段，但关注他们的进展肯定是很令人激动的。
用真实机器人做实验要花费很多时间，因为人们需要处理真实世界中的各种问题，这些问题在第3章中已讨论过：机器人移动要花费时间，而且，因为硬件的不可靠性，实验经常需要重复。这样一来，花费在实验上的时间和努力要比仿真研究多好几个数量级。
无论是使用真实机器人还是虚拟智能体，当我们纵观这个研究分支所关注的应用类型时，除了上述提到的应用，我们总是遇到以下行为，如分散（也就是，尽可能全面、规则地覆盖区域）、觅食（寻找食物，这可能涉及分散或者寻找去食物源的
最短路径）、地图创建（通过探索环境，形成描述）、简单的组装工作（如美国宇航局的Work
Crew项目，其中有一对机器人合作从事拣拾和运输长金属梁到建筑工地的任务，这些金属条会被组装到位（Schenker等，2003年））、机器人足球队（如Kitano等，1997年）、清洁还有物品搜集任务。而据我们所知，这些还都没有转化为实际应用，这会让人好奇，要过多长时间，集体机器人才会得到实际应用。
应用相对有限的另一个原因是心理因素，我们似乎还不能相信自组织和涌现性，因为我们对如何设计一个所需功能涌现于局部规则的系统尚无足够的理解。无论何时，当我们不相信自组织时，就倾向于过度控制我们的系统（也就是，我们给了我们的智能体过多的“脑力”），并让认知主义的幽灵蔓延其中。并且，再进一步推测，最后一个原因或许是涌现行为和自组织对自然界系统的生存、繁衍有用，而对那些我们人类需要机器人在其中执行特定任务的环境就不那么有用。