Swarm Intelligence

群体智能（SI）定义了去中心化、自组织系统的集体行为，这些系统通常是自然系统或人工系统。这一概念深受自然界中的生物系统启发，例如蚁群、鸟群、鱼群和细菌生长。在人工智能（AI）的语境下，群体智能系统由一组简单的智能体组成，这些智能体彼此之间以及与环境进行局部交互。尽管没有集中式控制结构规定各个智能体应如何行动，但此类智能体之间的局部交互会促成“智能”的全局行为，使系统能够解决单个个体无法完成的复杂任务。

核心机制和算法#

群体智能的强大之处在于能够通过协作解决非线性问题。这些系统中的智能体遵循简单规则，通常称为“分离”“对齐”和“聚合”，从而使群体能够在动态环境中导航。这种方法在优化算法中尤其有效，因为这类算法的搜索空间通常十分庞大且复杂。

其中最具代表性的两种算法实现包括：

• 粒子群优化（PSO）： 粒子群优化受鸟群飞行社会行为的启发，通过反复尝试改进候选解，使其符合给定的质量度量，从而优化问题。它广泛用于神经网络训练和寻找最优超参数。你可以进一步阅读粒子群优化的机制，了解其数学基础。
• 蚁群优化（ACO）： 蚁群优化基于蚂蚁的觅食行为，具体来说，是利用信息素路径寻找蚁群与食物源之间的最短路径。ACO 经常应用于电信领域的路由问题和物流运营。

计算机视觉中的群体智能#

在计算机视觉（CV）领域，群体智能正在革新机器感知和理解世界的方式。基于群体的方法不再依赖单一的庞大模型，而是利用多个轻量级智能体（通常部署在边缘计算设备上）协作收集数据并执行推理。

实际应用#

1. 自主无人机搜索与救援： 在灾难场景中，单架无人机的电池续航和视野范围都十分有限。然而，自主无人机群可以高效覆盖大范围区域。这些无人机配备了诸如 YOLO26 这样的目标检测模型，并彼此传递检测坐标。如果一架无人机发现生命迹象，就可以向其他无人机发出信号，让它们汇聚并进行确认，从而实时优化搜索路径，而不需要人类飞行员持续下达指令。

2. 智慧城市交通管理： 现代城市规划利用智慧城市中的 AI来缓解拥堵。作为群体运行的交通摄像头可以监控全市各处的十字路口。与会引入延迟的集中式处理方式不同，这些分布式智能体利用边缘 AI，根据本地交通流量和邻近节点数据动态调整红绿灯时长。这种去中心化方法使整个交通网络能够自我优化，减少等待时间和排放。

实现视觉智能体#

要部署一个群体，每个智能体通常都需要一个能够在低功耗硬件上运行的快速、高效模型。下面的示例演示了如何使用 ultralytics 包初始化一个轻量级的 YOLO26n model，代表群体中单个智能体的视觉能力。

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.")

区分群体智能#

区分群体智能与相关的 AI 概念非常重要：

• 与集成学习的对比： 尽管两者都涉及多个组件，但集成学习通常会结合不同静态模型（例如随机森林）的预测结果，以提高准确率。相比之下，群体智能涉及在解空间或物理环境中移动的主动智能体，这些智能体会彼此交互并随时间改变行为。
• 与进化算法的对比： 进化算法利用突变和交叉等机制，使群体在多代演化中不断进化。虽然 SI 同样使用群体，但群体中的个体通常不会死亡或繁殖；它们会根据同伴信息学习并调整自身位置，这一过程称为柱体效应。

协作式 AI 的未来#

随着硬件变得更加小型化，以及物联网（IoT）持续扩展，群体智能将在去中心化自动化中发挥关键作用。Ultralytics Platform等工具通过让团队能够管理数据集并训练可轻松部署到设备群的模型，推动这一未来的发展，从而实现高级群体机器人和自动驾驶车辆所需的同步“蜂群思维”。