自然·機器智能：流動思維讓群體智能更輕更強

導(dǎo)語

從大腦神經(jīng)網(wǎng)絡(luò)到蟻群覓食，從機器人群到無線傳感網(wǎng)絡(luò)，群體智能始終以兩種截然不同的形態(tài)存在：固定連接的靜態(tài)系統(tǒng)，與自由移動的流體系統(tǒng)。長期以來，二者因拓?fù)洳町惛髯园l(fā)展，少有深層對話。近日發(fā)表于Nature Machine Intelligence的研究，以流動思維打通靜態(tài)與流體的邊界，首次揭示移動單元的集體學(xué)習(xí)原理，證明移動性可以替代單元數(shù)量提升系統(tǒng)性能，并為神經(jīng)網(wǎng)絡(luò)、群體機器人等領(lǐng)域提供跨界創(chuàng)新思路，重新定義了群體智能的研究與設(shè)計范式。

關(guān)鍵詞：群體智能（collective intelligence）、群體機器人（swarm robotics）、靜態(tài)拓?fù)洹⒘黧w拓?fù)洹⑸窠?jīng)網(wǎng)絡(luò)

王璇丨作者

趙思怡丨審校

論文題目：Fluid thinking about collective intelligence 論文鏈接：https://www.nature.com/articles/s42256-026-01211-1 發(fā)表時間：2026年4月26日 論文來源：Nature Machine Intelligence

引言：被割裂的群體智能世界

群體智能的魅力在于無數(shù)獨立單元交互后，整體涌現(xiàn)出遠(yuǎn)超個體能力的行為。長期以來，研究者習(xí)慣在同類系統(tǒng)內(nèi)部尋找類比：生物群體啟發(fā)人工群體設(shè)計，人工模型反哺自然機理探索。但一條隱形鴻溝始終橫亙其中：單元是否具備移動性，以及由此決定的網(wǎng)絡(luò)拓?fù)涫庆o態(tài)固定，還是流體動態(tài)。

靜態(tài)拓?fù)湎到y(tǒng)中，單元位置固定、鄰域關(guān)系長期穩(wěn)定，比如大腦神經(jīng)元、無線傳感器節(jié)點、傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)。這類系統(tǒng)依托持久連接存儲信息、調(diào)整權(quán)重，支撐復(fù)雜抽象計算與高階信息表征，是當(dāng)前人工智能與分布式計算的主流范式。流體拓?fù)湎到y(tǒng)則完全不同，螞蟻、魚群、移動機器人等單元不斷位移，鄰域隨機變化、連接轉(zhuǎn)瞬即逝，難以依賴固定連接實現(xiàn)長期記憶與復(fù)雜學(xué)習(xí)。

兩種拓?fù)涞暮诵臋C制差異，導(dǎo)致群體智能研究長期分道揚鑣：靜態(tài)系統(tǒng)深耕結(jié)構(gòu)與權(quán)重優(yōu)化，流體系統(tǒng)聚焦動態(tài)協(xié)作與環(huán)境適應(yīng)，跨領(lǐng)域思想流動極少。而哈佛大學(xué)Justin Werfel教授發(fā)表于Nature Machine Intelligence的這篇工作，以流動思維重新審視兩類群體智能系統(tǒng)，搭建起靜態(tài)與流體拓?fù)涞膶υ挊蛄海沂疽苿訂卧募w學(xué)習(xí)奧秘，又證明移動性可替代單元數(shù)量提升系統(tǒng)性能，更提出雙向借鑒的創(chuàng)新路徑。

流體群體如何學(xué)習(xí)：無固定連接的智能密碼

靜態(tài)系統(tǒng)依賴固定鄰域與可調(diào)連接權(quán)重實現(xiàn)學(xué)習(xí)，而流體系統(tǒng)沒有穩(wěn)定連接，卻同樣能完成集體學(xué)習(xí)與協(xié)同決策。這項研究首次系統(tǒng)提煉出流體群體的三大核心學(xué)習(xí)機制，并與靜態(tài)系統(tǒng)形成原理對應(yīng)，打通了跨拓?fù)涞恼J(rèn)知壁壘。

流體群體可通過個體內(nèi)部可塑性自主調(diào)整狀態(tài)，無論是生物的社會學(xué)習(xí)還是機器人的強化學(xué)習(xí)，都能讓群體脫離固定連接實現(xiàn)協(xié)作，這一機制也讓靜態(tài)領(lǐng)域重新重視被長期忽略的神經(jīng)元內(nèi)部結(jié)構(gòu)潛力。同時，瞬時空間結(jié)構(gòu)讓動態(tài)單元在短暫相遇中形成臨時排布，支撐群體避險、達(dá)成共識，證明非固定連接也能完成信息處理，與靜態(tài)系統(tǒng)的持久鄰域邏輯形成互補。

最關(guān)鍵的是，流體群體可借助環(huán)境介導(dǎo)協(xié)作實現(xiàn)高效協(xié)同，也就是共識主動性（stigmergy），通過信息標(biāo)記、物理結(jié)構(gòu)線索和動態(tài)狀態(tài)交互，讓環(huán)境成為群體的外部存儲器與協(xié)調(diào)中心。這種環(huán)境介導(dǎo)的協(xié)作方式，不僅是流體智能的核心，也為靜態(tài)網(wǎng)絡(luò)引入外部元件、提升計算與協(xié)同能力提供了全新方向。

圖1 | 移動單元集群可采用的學(xué)習(xí)機制。

移動性替代數(shù)量：更少單元，更高性能

靜態(tài)系統(tǒng)提升性能通常依賴增加單元數(shù)量，更大的神經(jīng)網(wǎng)絡(luò)、更多的傳感器節(jié)點雖能提升算力，但會急劇推高計算成本、能耗與硬件開銷。該論文的核心突破在于，嚴(yán)格證明了移動性可以等價替代單元數(shù)量，在入侵檢測、群體共識、圖像分類等任務(wù)中，只需提升單元移動速度或感知范圍，就能用更少單元實現(xiàn)同等性能。

在入侵檢測任務(wù)中，靜態(tài)單元的探測成功率僅隨數(shù)量增長，而移動單元的效率由數(shù)量與速度的乘積共同決定，提升速度與增加數(shù)量對性能的貢獻(xiàn)完全等價，讓資源受限系統(tǒng)也能完成高難度探測任務(wù)。在群體共識任務(wù)中，移動單元可通過隨機游走快速擴散信息，顯著提升收斂速度與成功率，僅靠提升移動速度就能突破小群體固有的性能瓶頸，完成靜態(tài)小網(wǎng)絡(luò)無法實現(xiàn)的全局決策。

該研究最具顛覆性的發(fā)現(xiàn)，是揭示了卷積操作本質(zhì)上就是神經(jīng)網(wǎng)絡(luò)的單元移動性。卷積核的權(quán)重共享與全局滑動掃描，相當(dāng)于用動態(tài)移動替代大量靜態(tài)參數(shù)，以極小代價完成全局信息感知。實驗進一步證實，卷積核數(shù)量對應(yīng)單元總數(shù)，掃描范圍對應(yīng)移動速度，二者同樣滿足移動替代數(shù)量的核心規(guī)律。這一結(jié)論重新解釋了卷積網(wǎng)絡(luò)高效的根源，為輕量化模型設(shè)計提供了底層依據(jù)。

三類實驗共同指向一條核心定律：在空間感知與信息聚合類任務(wù)中，移動性是單元數(shù)量的完美替代品。這一規(guī)律不僅適用于群體機器人與無線傳感器網(wǎng)絡(luò)，更徹底革新了人工神經(jīng)網(wǎng)絡(luò)的設(shè)計范式，為低資源設(shè)備部署、高效模型架構(gòu)研發(fā)提供了關(guān)鍵理論支撐。

雙向借鑒：靜態(tài)與流體拓?fù)涞膮f(xié)同創(chuàng)新

流動思維的核心價值，不只在于解開流體系統(tǒng)的學(xué)習(xí)機制、證實移動性的強大優(yōu)勢，更在于搭建了靜態(tài)→流體、流體→靜態(tài)的雙向借鑒通道，讓兩種拓?fù)湎到y(tǒng)互相賦能、協(xié)同升級。

圖 2 | 利用靜態(tài)插曲與流體集合體。

流體系統(tǒng)可以主動借鑒靜態(tài)系統(tǒng)的優(yōu)勢，通過臨時靜止或可預(yù)測運動，構(gòu)建出短暫穩(wěn)定的固定拓?fù)洌瑥亩柚o態(tài)系統(tǒng)的計算能力完成復(fù)雜任務(wù)。在集體感知與導(dǎo)航場景中，機器人群遇到大范圍環(huán)境線索時會快速聚攏，形成臨時靜態(tài)結(jié)構(gòu)，利用穩(wěn)定鄰域拼接全局信息、完成精準(zhǔn)判斷，再恢復(fù)移動狀態(tài)。這種動態(tài)移動 + 臨時靜止的雙模模式，讓流體群體同時擁有靈活機動性與高階計算力。

反之，靜態(tài)系統(tǒng)也能借鑒流體思維，用移動性壓縮網(wǎng)絡(luò)規(guī)模、降低資源消耗。無線傳感器網(wǎng)絡(luò)可用少量移動節(jié)點代替大量靜態(tài)節(jié)點，在提升覆蓋效率的同時大幅削減成本。人工神經(jīng)網(wǎng)絡(luò)可借鑒卷積的動態(tài)掃描邏輯，用移動性替代冗余參數(shù)，實現(xiàn)模型輕量化。即便在生物大腦中，小膠質(zhì)細(xì)胞的動態(tài)移動也在優(yōu)化連接效率。這種跨界思路打破了 靜態(tài)就必須固定的傳統(tǒng)認(rèn)知，讓靜態(tài)系統(tǒng)在性能與資源消耗之間找到最優(yōu)平衡。

展望：流動思維開啟群體智能新范式

從自然蟻群到人工神經(jīng)網(wǎng)絡(luò)，從群體機器人到分布式傳感器，流動思維讓看似無關(guān)的系統(tǒng)彼此呼應(yīng)。未來，群體智能研究將不再局限于單一拓?fù)洌强缭届o態(tài)與流體的邊界，融合生物啟發(fā)與工程設(shè)計，誕生更高效、更魯棒、更貼近自然的智能系統(tǒng)。“Nothing in collective intelligence makes sense except in the light of fluid thinking”--流動思維，終將照亮群體智能的全新時代。

群體智能讀書會

如果你對這些反直覺但極有用的現(xiàn)象感興趣——從蟻群搭橋、魚群同步、到無人機集群表演、集群機器人協(xié)作、群智優(yōu)化與多智能體系統(tǒng)、網(wǎng)絡(luò)輿論建模研究等——歡迎加入「群體智能」讀書會：我們用動物—人類—機器三條線，希望把群體智能的涌現(xiàn)這件事講清楚、講透徹；用物理學(xué)、數(shù)理邏輯、多主體建模、計算傳播等多學(xué)科視角，去追問同一個核心：集群何以比個體更聰明？群體智能又在何時涌現(xiàn)？

集智俱樂部聯(lián)合北京師范大學(xué)系統(tǒng)科學(xué)學(xué)院韓戰(zhàn)鋼教授、暨南大學(xué)計算傳播研究中心趙甜芳副教授、新疆大學(xué)物理科學(xué)與技術(shù)學(xué)院玉素甫·艾比布拉副教授等來自11所高校的學(xué)者，共同發(fā)起本次，嘗試用一條普適的線索，把自然界的鳥群蟻群、人類社會的集群行為、以及人工智能時代的多智能體與群智優(yōu)化，放在同一張地圖上重新理解。讀書會自2026年1月17日開始，安排在每周六下午 14:00–16:00，歡迎所有對群體智能如何涌現(xiàn)、如何被理解、以及如何被設(shè)計，感興趣的朋友一起加入：帶著問題來，帶著更有趣的問題去。

詳情請見：

1.

2.

3.

4.

5.

6.

7.

8.

#速遞#群體智能