艺术经纬:我好困
【新智元简介】最近，科学合作期刊《智能计算》的第一篇论文正式发表。
之江实验室主任朱世强教授、中国工程院院士、中国科学院计算技术研究所学术主任孙宁辉教授作为期刊主编，在国内外联合出版刊物。
地址聚焦期刊的使命、愿景和定位，即智能计算将以智能计算、智能驱动的计算以及智能、数据和计算驱动的科学发现为核心主题，展示全球智能计算领域的最新研究成果和重大技术突破，推动智能计算科学技术的不断发展和进步。
地址全文:https://spj . science mag . org/journals/I computing/2022/9801324/
在第一篇论文中，牛津大学计算机系主任、Google DeepMind-Oxford联合负责人Michael Wooldridge教授发表了关于人工智能未来发展趋势和关键技术的前瞻性意见论文；比利时布鲁塞尔自由大学蚁群创始人Marco Dorigo教授发表了关于群体智能设计机制和方法的最新前沿研究。
当代人工智能缺少什么？答案:世界
论文地址:https://spj . science mag . org/journals/I computing/2022/9847630/
在过去的几年里，随着人工智能的快速发展，全世界都见证了一种新的人工智能系统-基本模型的出现和流行。基于深度神经网络的基础模型是一个非常大的机器学习模型，通常使用庞大而广泛的数据集。基本模型具有广泛的任务处理能力，并且可以专门用于特定的应用。
近日，牛津大学计算机科学系主任、谷歌DeepMind-Oxford联合负责人迈克尔·伍尔德里奇(Michael Wooldridge)教授提出了自己的新观点，认为虽然基本模型在一些特定任务中确实表现出很强的能力，但由于它们在自然界中没有体现出来，缺乏与人类一样的体现认知能力，因此在现实世界中学习和完成复杂任务时往往受到限制。基本模型在很多应用中可能非常有用和有效，但它们并不是强人工智能之路的终点，甚至强人工智能的发展才刚刚开始。
人工智能在过去15年发展迅速，出现了DeepMind战胜人类围棋高手、AlphaFold解决蛋白质折叠问题等标志性事件。这些进步更多是由庞大的数据集和计算资源主导的。在当前的人工智能创新浪潮中，数据和计算能力已经成为技术成功的基础和要素。人工智能研究人员建立了越来越多的机器学习模型，使用越来越多的计算资源进行训练，以期在竞争对手之前抢占先机。
如前所述，随着数据规模的扩大，一种新的人工智能系统——基础模型诞生了，人工智能不再局限于非常狭窄的专业领域和知识。大量的训练使基础模型具备了跨领域学习的能力，也可以具体应用于特定场景，比如大语言模型GPT-3。GPT-3不仅在自然语言生成方面具有前所未有的能力，而且似乎还获得了一些共同的知识。LaMDA也是Google设计的大语言模型，最近受到了相当大的关注。谷歌工程师布雷克·莱莫因甚至因为声称LaMDA有自我意识而被解雇，这引起了广泛的争议。毫无疑问，基本模型是目前人工智能领域的一个重要进展。未来几年，我们还是会看到他们带来的很多创意应用。但是，正如DeepMind的一位研究人员所说，现在人工智能只剩下规模了吗？
相应地，迈克尔·伍尔德里奇教授认为，有一个关键因素极大地限制了大多数大型机器学习模型的能力，而这就是人工智能所处的“世界”。像GTP-3这样的基本模型不具备具身认知能力，只是建立了符号之间的特定关系，因此缺乏现实世界的实践经验。庞大的一组符号所形成的智能，在理解现实世界中的一些基本问题时，必然不同于我们人类的理解状态，无法真正理解和掌握现实世界中与实际经验相关的概念。此外，现实世界与虚拟世界没有相同的数据结构。所以物理世界中很多我们认为不需要任何真正智能的任务，对于机器人或者人工智能来说都是非常困难的。虽然目前的人工智能已经展示了其强大的能力，但这些系统无法在最重要的单一环境中运行:我们的世界。
目前，有一些迹象表明，上述情况开始发生变化。DeepMind发布的加托系统的训练数据包括大语料数据和机器人数据。它可以在简单的物理环境下运行，实现了从基础模型到物理世界的第一步，但这只是发展的一小步。人工智能在我们的现实世界中工作需要克服的挑战可能比人工智能在模拟环境中工作还要大，人工智能的发展可能才刚刚开始。
群体智能中自组织任务分配的全局到局部设计
地址:https://spj.sciencemag.org/journals/icomputing/aip/9761694/
作为新一代人工智能的核心研究领域之一，群体智能理论和方法受到各种社会动物群体行为的启发，利用个体间简单的交互或合作达到系统优化的目的，从而表现出整体智能。迄今为止，最经典的两种群体智能算法包括蚁群算法和粒子群算法。
布鲁塞尔自由大学和蚁群算法的创始人Marco Dorigo教授最近在《智能计算》杂志上发表了新的研究成果，介绍了一种新的群体智能设计机制和方法，可以实现更好的任务分配，优化群体智能行为。
通常很难对机器人群体进行建模，因为系统需要在群体级别制定策略，而控制规则需要在个体机器人级别设计。聪明的研究者开发了丰富的自组织任务分配算法框架，使得自组织多智能体系统通过智能体之间以及智能体与环境之间的不断交互来实现任务分配。然而，目前的研究主要采用从局部到全局的设计方法，这种自下而上的方法在预测群体行为时势必面临巨大的挑战。另外，标准的多智能体方法需要复杂的协作策略，没有考虑不可靠的智能体，因此不具备良好的可扩展性，不适合大规模群体智能中的任务分配。
为了克服上述关键问题，Marco Dorigo教授和他的合作者提出了一种新的设计范式，可以从全局的角度设计整个群体的行为，而不是专注于每个个体。该机制从全局到局部进行设计，通过用户输入的一定概率和统计分布，将适量的不同类型的代理控制器放入一个群体中，可以进行自组织的任务分配，实现所需的群体行为。
这种从全局到局部的设计方法的关键是使用具有不同行为的代理来形成异构组。这些编码的代理行为具有已知的全局影响，因此生成的群体行为接近于代表整个群体行为的所需用户输入值。响应向量可用于描述群体的预期瞬时行为。同时，引入基向量来模拟每个代理控制器对群体整体行为的影响。通过基向量集的线性组合来选择不同的智能体控制器，并评估响应向量和基向量的不同线性组合之间的回归系数，从而找到每个异质群的合适组合。
这种全局到局部的设计方法可以处理各种类型的分配任务，解决单任务机器人-多机器人任务的各种任务分配问题，包括:静态任务分配，即用户通过单模分配指定一个固定的任务分配方案；顺序任务分配，即用户通过一系列单峰分布指定的任务分配方案和触发组分配转换的准则；周期性任务分配，即用户可以使用两种或两种以上模式的分配来周期性地进行任务分配方案。此外，这种设计理念将不仅限于任务分配，还具有更广泛的应用潜力。在未来，这种方法可能会扩展到许多不同的场景，例如空之间的群体决策和组织任务。
期刊简介
《智能计算》( Intelligent Computing)由之江实验室和美国科学促进会共同创办，是科学框架内智能计算领域第一份开放获取的国际期刊。
之江实验室主任朱世强教授和中国工程院院士、中科院计算所学术主任孙宁辉教授共同担任该刊主编。
该刊以“面向智能的计算，智能驱动的计算”和“智能、数据和计算驱动的科学发现”为主题，主要发表原创性研究论文、综述论文和观点论文。
电子邮件:icomputing@zhejianglab.com
由www.editorialmanager.com/icomputing提供
Https://spj.sciencemag.org/journals/icomputing/,官方网站
