Swarm Intelligence

Роевой интеллект (SI) описывает коллективное поведение децентрализованных самоорганизующихся систем, обычно природных или искусственных. Эта концепция во многом вдохновлена биологическими системами, встречающимися в природе, такими как муравьиные колонии, стаи птиц, косяки рыб и рост бактерий. В контексте искусственного интеллекта (AI) системы роевого интеллекта состоят из множества простых агентов, которые локально взаимодействуют друг с другом и окружающей средой. Хотя не существует централизованной структуры управления, которая определяла бы поведение отдельных агентов, локальные взаимодействия между ними приводят к возникновению «интеллектуального» глобального поведения, способного решать сложные задачи, недоступные одному отдельному агенту.

Основные механизмы и алгоритмы#

Сила роевого интеллекта заключается в способности решать нелинейные задачи посредством сотрудничества. Агенты в таких системах следуют простым правилам, которые часто описываются как «разделение», «выравнивание» и «сплочённость» и позволяют группе перемещаться в динамических средах. Этот подход особенно эффективен в алгоритмах оптимизации, где пространство поиска обширно и сложно.

К двум наиболее известным алгоритмическим реализациям относятся:

• Роевой алгоритм частиц (PSO): Вдохновлённый социальным поведением стаи птиц, PSO оптимизирует задачу, итеративно пытаясь улучшить кандидатное решение относительно заданной меры качества. Он широко используется для обучения нейронных сетей и поиска оптимальных гиперпараметров. Подробнее о механизмах роевого алгоритма частиц и его математических основах можно узнать здесь.
• Муравьиный алгоритм (ACO): Основан на поисковом поведении муравьёв, в частности на том, как они находят кратчайший путь между колонией и источником пищи, используя феромонные следы. ACO часто применяется для решения задач маршрутизации в телекоммуникациях и логистических операциях.

Роевой интеллект в компьютерном зрении#

В области компьютерного зрения (CV) роевой интеллект меняет подход машин к восприятию и интерпретации окружающего мира. Вместо единственной монолитной модели в роевых подходах используется множество лёгких агентов, часто развёрнутых на периферийных вычислительных устройствах, которые совместно собирают данные и выполняют инференс.

Практические применения#

1. Автономный поиск и спасение с помощью дронов: В чрезвычайных ситуациях один дрон имеет ограниченное время работы от аккумулятора и поле зрения. Однако рой автономных дронов может эффективно покрывать большие территории. Оснащённые моделями обнаружения объектов, такими как YOLO26, эти дроны передают друг другу координаты обнаруженных объектов. Если один дрон обнаруживает признаки жизни, он может подать сигнал другим, чтобы они сблизились и проверили находку, оптимизируя маршрут поиска в реальном времени без постоянных указаний пилота-человека.

2. Управление трафиком в умном городе: Современное городское планирование использует AI в умных городах для снижения заторов. Камеры наблюдения за дорожным движением, работающие как рой, могут отслеживать перекрёстки по всему городу. Вместо централизованной обработки потоков, которая приводит к задержкам, эти распределённые агенты используют периферийный AI, чтобы динамически регулировать длительность сигналов светофоров на основе локального потока и данных от соседних устройств. Такой децентрализованный подход позволяет всей транспортной сети самостоятельно оптимизироваться, сокращая время ожидания и выбросы.

Реализация агентов компьютерного зрения#

Для развёртывания роя каждому агенту обычно требуется быстрая эффективная модель, способная работать на маломощном оборудовании. В следующем примере показано, как инициализировать компактную модель YOLO26n с помощью пакета ultralytics, представляющую возможности компьютерного зрения одного агента в рое.

from ultralytics import YOLO

# Load a lightweight YOLO26 nano model optimized for edge agents
# This simulates one agent in a swarm initializing its vision system
model = YOLO("yolo26n.pt")

# Perform inference on a local image (what the agent 'sees')
# The agent would then transmit these results to neighbors
results = model.predict("path/to/image.jpg")

# Print the number of objects detected by this agent
print(f"Agent detected {len(results[0].boxes)} objects.")

Отличия роевого интеллекта#

Важно отличать роевой интеллект от связанных с ним концепций AI:

• В сравнении с ансамблевым обучением: Хотя оба подхода используют несколько компонентов, ансамблевое обучение обычно объединяет предсказания разных статичных моделей, таких как случайные леса, для повышения точности. Роевой интеллект, напротив, предполагает активных агентов, которые перемещаются в пространстве решений или физической среде, взаимодействуя и изменяя своё поведение с течением времени.
• В сравнении с эволюционными алгоритмами: Эволюционные алгоритмы используют такие механизмы, как мутация и кроссовер, чтобы развивать популяцию на протяжении поколений. Хотя SI также использует популяцию, особи в рое обычно не умирают и не размножаются; они обучаются и адаптируют свои позиции на основе информации от других особей — этот процесс известен как стигмергия.

Будущее совместного AI#

По мере уменьшения размеров оборудования и дальнейшего развития Интернета вещей (IoT) роевой интеллект будет играть ключевую роль в децентрализованной автоматизации. Такие инструменты, как Ultralytics Platform, способствуют этому будущему, позволяя командам управлять наборами данных и обучать модели, которые можно легко развёртывать на парках устройств, создавая синхронизированный «коллективный разум», необходимый для передовой роевой робототехники и автономных транспортных средств.