《自然·科學報告》：最小智慧體模型，激發下一代AI

2019 年 10 月 4 日
筆記

【新智元導讀】德國馬普研究所新研究登上Scientific Report，通過構建最小化的智慧體模型，對生物體適應環境的集體行為的產生和變化進行了模擬，有望給相關的AI系統，如自主微型機器人等模仿生物體的集體行為的系統設計和研究提供重要參考價值。

生物有機體會處理資訊，目的是為了實現交互並適應周圍環境，以尋找食物、交配、避害等。這些有機體的環境結構可以誘導對環境線索和刺激的適應性反應，併產生深遠影響。具備專業優化策略的適應性集體行為在自然界中無處不在。

我們開發了一種最小的智慧體模型，可以通過抽樣軌跡探索環境。對取樣軌跡中的空間資訊進行存儲，是我們對認知的最小化定義。我們發現，隨著認知智慧體構建和更新其環境因果結構的內部認知表示，系統中出現了複雜的模式，其中模式形成的開始與認知映射的空間重疊有關。

智慧體之間的資訊交換會導致有序-無序之間的轉換。在這個動態過程中，可以產生一種Goldstone模式，凸顯出認知生物之間資訊傳遞的「集體」共同機制。這些發現可能普遍適用於分散式AI群系統的設計。

上圖所示為在二維空間上移動的幾個智慧體的示意圖，垂直維度代表時間。這些智慧體彼此之間進行相互作用的同時，也在和環境進行相互作用。每個智慧體都會探索可用的配置空間，並獲取有關其結構的資訊，並在這個過程中構建認知映射，響應周圍環境來優化自身行為。

簡單智慧體的集體行為可以表現出令人驚嘆的組織化程度，比如盤狀圓盤菌的細胞群、白蟻群構建複雜的結構，或成功防禦掠食者的椋鳥或魚群，都會表現出這種高度組織化特徵。

雖然單個智慧體對周圍的環境刺激做出的反應是局部的、單獨的行為，而且大多數情況下是無意識的，但多智慧體的行為結果往往表現為精心設計一樣。這種現象自然地引發了一個問題，即在個體認知能力相當有限的個體社會中，這種「智慧化」集體行為的特徵是什麼？

因此，從基本的角度研究個體行為者的認知能力對其集體行為的影響是非常有意義的。這需要定義認知概念，這些概念同時具有足夠的一般性，以類似於集體現象中遇到的廣泛的代理，但同時又足夠簡單，無法用於統計物理方法。

認知代理必須能夠預測未來事件。比如一隻試圖逃避獅子追捕的羚羊，可以根據自己對周圍環境的了解，選擇一條通向具有多種逃生可能性的開放空間的道路，而非通往死胡同的道路。

再比如一個國際象棋選手，其活動發生在棋盤上的動作的抽象空間中。選手的內部認知映射可以讓她思考可能的走法及其後果。根據經驗和技能，選手能夠考慮她可能的下一步棋，對手會怎樣反擊、可能做出的其他應對等等。

在本研究中，我們將「認知能力」定義為智慧體確定給定環境中可能的棋盤著法數量的能力，作為該量度的直接概括。這種能力取決於智慧體的認知映射，我們可以假設，與國際象棋選手類似，智慧體將尋求能夠令未來行棋著法數量最大化的行動。

我們認為，最佳的資訊處理動態能力應該反映出智慧體對複雜壓力和刺激作出反應的能力水平。這裡僅其中的資訊或熵最大化已發現憑經驗且可能構成的基本機制的幾個例子，以資訊最大化作為人類認知特徵的量度。比如考察最大熵準確模擬靜息狀態的人類大腦活動：與健康人相比，ADHD患者的訊號熵比較低。

圖1：認知智慧體系統及其認知映射的示意圖。（a）從配置空間中的初始條件開始，代理（空心圓）通過持續時間τ的假設取樣軌跡創建其周圍環境的認知圖。（b）所示為從認知智慧體i發出的四個取樣軌跡。由於其中一個軌跡影響代理j，代理i被迫改變其軌跡，從而響應其對環境的認知表現。認知能力表現為一個智慧體進入另一個智慧體空間之後最大化剩餘選項的趨勢，並以盡量高效的方式避免重疊區域