在自組織群體中，個(gè)體是愚蠢的，群體則完全不同，其相對(duì)于個(gè)體實(shí)現(xiàn)了智慧上的飛躍。具體的例子有很多，包括魚群、鳥群、蟻群，甚至菌群。

前一陣子曾經(jīng)時(shí)興將一種原生生物作為寵物，現(xiàn)在上網(wǎng)購(gòu)網(wǎng)站還能搜得到。這種生物有著神奇的群體智慧，甚至被人們用來(lái)設(shè)計(jì)交通網(wǎng)絡(luò)。

日本科學(xué)家做過(guò)一個(gè)實(shí)驗(yàn)，他們將黏菌放在東京地鐵路線圖上，并將燕麥粒分布在地鐵站的位置。數(shù)小時(shí)后，黏菌開始擴(kuò)散開來(lái)尋找食物，剛開始路線是隨機(jī)的。但隨后黏菌的分布逐漸形成了最優(yōu)化的路線，并且這些路線和東京的真實(shí)地鐵路線圖非常接近。

在后來(lái)的多次實(shí)驗(yàn)中，科學(xué)家發(fā)現(xiàn)每次形成的路線圖都不一樣，有時(shí)候甚至?xí)?yōu)于真實(shí)的路線圖。

現(xiàn)有的AI應(yīng)用一般通過(guò)預(yù)測(cè)實(shí)現(xiàn)功能，也就是說(shuō)，它們將某個(gè)變量作為直接的目標(biāo)，并在訓(xùn)練中調(diào)整自己的參數(shù)，以擬合目標(biāo)。

而在自組織群體中，通常不會(huì)存在一個(gè)具體的群體目標(biāo)，每個(gè)個(gè)體都為了實(shí)現(xiàn)各自的目標(biāo)而行動(dòng)，最終卻會(huì)在整體上涌現(xiàn)出驚人的秩序。這一現(xiàn)象在AI中也對(duì)應(yīng)著相應(yīng)的研究領(lǐng)域，即群體智能。從社會(huì)學(xué)的角度上看，人類也擁有群體智能。

群體智能（Swarm Intelligence），是指在某群體中，存在眾多無(wú)智能的個(gè)體，它們通過(guò)相互之間的簡(jiǎn)單合作表現(xiàn)出智能行為。它由Gerardo Beni和Jing Wang于1989年在細(xì)胞機(jī)器人系統(tǒng)的背景下引入，相關(guān)算法有蟻群優(yōu)化、粒子群優(yōu)化、進(jìn)化算法等。

該領(lǐng)域已經(jīng)有了很多相關(guān)研究，比如群體機(jī)器人就是讓許多簡(jiǎn)單的物理機(jī)器人進(jìn)行溝通、導(dǎo)航和協(xié)作，美國(guó)宇航局在研究使用群體技術(shù)進(jìn)行行星測(cè)繪，M. Anthony Lewis和George A. Bekey1992年撰寫的論文討論了使用群體智能來(lái)控制體內(nèi)納米機(jī)器人以殺死癌癥腫瘤的可能性。

針對(duì)交通系統(tǒng)的相關(guān)應(yīng)用，比如外賣派單，目前的落地AI算法也是預(yù)測(cè)型的。這樣的系統(tǒng)需要收集大量的數(shù)據(jù)，進(jìn)行全局規(guī)劃，其中涉及的變量不計(jì)其數(shù)，包括訂單信息、天氣狀況、交通路況、商家出餐速度等等。目前用于優(yōu)化交通的城市大腦系統(tǒng)，走的也是預(yù)測(cè)路線。但這真的是唯一的解決方案嗎？

來(lái)自墨西哥國(guó)立自治大學(xué)的Carlos Gershenson是一名已研究城市交通問題二十年的計(jì)算機(jī)科學(xué)家。針對(duì)墨西哥城的交通擁擠難題，他發(fā)現(xiàn)，應(yīng)用復(fù)雜性研究和自組織原理，讓交通系統(tǒng)“適應(yīng)”而非“預(yù)測(cè)”潛在的交通問題，能夠有效提高城市交通的流動(dòng)性，解決交通阻塞、減少通勤時(shí)間。

Gershenson使用了適應(yīng)性的（而非預(yù)測(cè)性的）計(jì)算機(jī)模擬，將自組織作為提高城市流動(dòng)性的工具。在他的方案中，只需清楚地說(shuō)明人們?cè)谏宪囍皯?yīng)該待在哪些地方，以空出位置讓車上的乘客下車 ，就消除了過(guò)程中的幾乎所有沖突和麻煩，并將上車時(shí)間減少了25％。

麻省理工學(xué)院物理學(xué)教授Yaneer Bar-Yam對(duì)此大加稱贊：“Carlos的工作大大提高了我們對(duì)自組織交通流的理解水平，及其對(duì)現(xiàn)實(shí)世界的控制和優(yōu)化的影響。”

新英格蘭復(fù)雜系統(tǒng)研究所所長(zhǎng)在2007年至2008年期間與Gershenson合作了博士后研究，他補(bǔ)充說(shuō)，Gershenson“已經(jīng)重新構(gòu)造了問題，這是他的研究中最重要的影響?！?/p>

1 研究背景

Gershenson對(duì)城市交通的研究興趣始于大學(xué)本科。當(dāng)時(shí)，他沉迷于研究高速公路的交通問題，為此還編寫了有/無(wú)交通信號(hào)燈與無(wú)人駕駛汽車的模擬程序。運(yùn)用他所編寫的程序，他可以預(yù)測(cè)汽車何時(shí)會(huì)穿越十字路口。在Gershenson的模擬計(jì)算中，掌握了汽車穿越十字路口的時(shí)間后，即使汽車永不停車，只需要降低速度，也可以防止它們撞車。

在博士論文研究上，Gershenson第一次嘗試了自組織系統(tǒng)的應(yīng)用。他模擬鳥群的自組織例子，嘗試讓成排的汽車像鳥一樣聚集。除了“自私”策略外，他還在模擬中實(shí)現(xiàn)了不同的控制策略，讓多輛汽車與鄰車以相同的速度前進(jìn)。

椋鳥群

椋鳥群的飛行及駐留軌跡

那次模擬實(shí)驗(yàn)最終以失敗告終：因?yàn)橛行┢嚂?huì)加速，隨后又突然減速，造成許多麻煩的震動(dòng)。但正是在這次失敗的模擬中，Gershenson發(fā)現(xiàn)了“自私”的作用：每輛車都想要以盡可能快的速度前行。這也更符合現(xiàn)實(shí)的車輛行駛情況。

Gershenson的第一位博士生Luis Enrique Cortés Berrueco對(duì)“自私”進(jìn)行了深入的研究。Luis使用博弈論和交通模擬，來(lái)研究自私與合作司機(jī)之間的關(guān)系。

研究證明，如果道路上的車輛密度較低，那么自私的司機(jī)將帶來(lái)更高效的交通，因?yàn)樗緳C(jī)只考慮通行效率。但這也會(huì)更危險(xiǎn)。如果車輛密度中等，那么當(dāng)一個(gè)司機(jī)減緩了另一個(gè)司機(jī)的速度時(shí)，后面所有司機(jī)也會(huì)減速，這樣會(huì)降低通行的效率。如果車輛密度太高，司機(jī)的“自私”就無(wú)法發(fā)揮作用了，因?yàn)樗麄儫o(wú)法改變車道。

Gershenson認(rèn)為，要解決復(fù)雜的問題，科學(xué)家需要放棄傳統(tǒng)方法，并找到新穎的方法來(lái)研究不斷變化的挑戰(zhàn)?！翱茖W(xué)和工程學(xué)總是假設(shè)世界是可預(yù)測(cè)的，只需要找到適當(dāng)?shù)淖匀环▌t就可以預(yù)見未來(lái)。但是對(duì)復(fù)雜系統(tǒng)的研究表明，這種假設(shè)是錯(cuò)誤的?！?/p>

2 城市交通的復(fù)雜性

墨西哥城的居住人口接近2200萬(wàn)，汽車超過(guò)600萬(wàn)輛，每天上班花費(fèi)兩小時(shí)是許多人生活習(xí)慣的一部分。也許是因?yàn)榻煌〞r(shí)間拖延已成為大家日常生活的一部分，所以在墨西哥城，上課或開會(huì)遲到10至15分鐘被認(rèn)為是“司空見慣”的事情，不會(huì)受到責(zé)備。

我們可以輕松地對(duì)單個(gè)車輛的軌跡建模，因?yàn)樗哂芯鶆虻倪\(yùn)動(dòng)和加速度，只需要用到高中的基礎(chǔ)數(shù)學(xué)。但在現(xiàn)實(shí)世界中，我們無(wú)法預(yù)測(cè)汽車將在兩分鐘前到達(dá)哪里，因?yàn)檐囕v的精確位置不僅取決于其自身的行駛速度，還取決于交通中所有其他車輛和行人的行為。

如果其他車輛的行駛速度變慢或變快，則根據(jù)每個(gè)人是否危險(xiǎn)駕駛，將有更多或更少的空間，這其中存在很強(qiáng)的相互依賴性。我們也無(wú)法預(yù)測(cè)汽車在兩分鐘后到達(dá)的位置，因?yàn)檫@取決于前方的汽車是否及時(shí)對(duì)交通信號(hào)燈做出反應(yīng)，它們是否分散了注意力，是否有公交車，是否在不應(yīng)該?？康牡胤酵＼嚨鹊?。

復(fù)雜性是由相互作用決定的，在城市交通中，相互作用非常重要。而且，我們還要考慮駕駛員是否有分心、疲勞駕駛等人為因素。

如果想簡(jiǎn)單地解決交通問題，比如增加交通車道，而不考慮交互作用，那么所取得的效果將不能滿足實(shí)際的交通需求。技術(shù)史學(xué)家Lewis Mumford曾提出，在城市交通領(lǐng)域，“增加高速公路車道以應(yīng)對(duì)交通擁堵，就像放松腰帶來(lái)治療肥胖癥一樣?！?/p>

在接受Quanta Megazine的采訪中，Gershenson提到，他之所以選擇在墨西哥城進(jìn)行模擬、深入研究，原因主要有以下三點(diǎn)：

1）Gershenson與團(tuán)隊(duì)住在墨西哥城，更容易開展研究。

2）根據(jù)不同的索引，墨西哥城的交通流動(dòng)性是世界上最差的。

3）團(tuán)隊(duì)與當(dāng)?shù)卣忻芮衼?lái)往，有利于推進(jìn)當(dāng)?shù)卣块T對(duì)交通改善與提升給出建議。（Gershenson提到，他在布魯塞爾讀博士時(shí)，想要跟當(dāng)?shù)氐慕煌ú块T聯(lián)系，基于交通研究提出自己的建議，但沒有得到一個(gè)滿意的結(jié)果。）

3 “適應(yīng)”比“預(yù)測(cè)”效果更佳

在這個(gè)項(xiàng)目中，Gershenson使用了墨西哥城的交通燈來(lái)提高通勤速度、減少汽車排放量。

一般來(lái)說(shuō)，為了提高交通效率，交通燈系統(tǒng)的設(shè)置是提前定時(shí)的，但每一次停在紅綠燈前等候通過(guò)的車輛數(shù)目都是不一樣的。假設(shè)說(shuō)，我們經(jīng)過(guò)調(diào)查，將通勤假設(shè)為平均每分鐘有大約13輛汽車要通過(guò)，但在很多時(shí)候，每分鐘可能有20輛汽車，或者0輛、6輛。

如何協(xié)調(diào)好所有提前規(guī)劃好的交通燈來(lái)使汽車快速移動(dòng)是一個(gè)問題。要協(xié)調(diào)的十字路口越多，對(duì)計(jì)算能力的的要求就越高，而且隨著車輛數(shù)目的增減，情況也會(huì)有所變化。所以我們不可能對(duì)交通進(jìn)行預(yù)測(cè)。

但即使如此，我們依然想要優(yōu)化車流量與交通情況。由于優(yōu)化對(duì)計(jì)算的需求較大，所以Gershenson提議使用適應(yīng)（adaptation）的方法。

自組織交通燈（self-organizing traffic lights）自帶傳感器，可以靈活根據(jù)四面八方即將通過(guò)的車輛數(shù)量來(lái)調(diào)整紅綠燈的時(shí)長(zhǎng)。這時(shí)候，交通燈并不是在“預(yù)測(cè)”，而是在不斷“適應(yīng)”變化萬(wàn)千的車流量。但如果交通燈可以這么靈活地適應(yīng)通行需求，可能也不是一件好事，因?yàn)檫@樣的話，開車的人就沒有停車“偷懶”的時(shí)間了。駕駛員只需要停下來(lái)等其他車輛通過(guò)。

之前汽車的通行是遵從交通燈的命令，現(xiàn)在有了傳感器之后，汽車也可以給交通燈“下命令”了。因此，隨著自組織交通燈的出現(xiàn)，“汽車列隊(duì)”（platoon）也逐漸形成，因?yàn)橐淮螀f(xié)調(diào)10排“10輛汽車列隊(duì)”、每個(gè)汽車列隊(duì)有規(guī)定的行走軌跡，會(huì)比一次協(xié)調(diào)100輛汽車的難度更低、效率也更高。

圖源：Quanta Magazine by Meghan Dhaliwal

隨之出現(xiàn)的還有一波波的“綠色車流”：即汽車列隊(duì)可以暢行多個(gè)十字路口，無(wú)需停留。你不用把“這個(gè)'綠色車流’在某個(gè)速度時(shí)會(huì)慢下來(lái)”編進(jìn)系統(tǒng)，就能實(shí)現(xiàn)理想的效果。“綠色車流”是在交通過(guò)程中自發(fā)形成的。之所以說(shuō)“自組織”，是因?yàn)椴煌致房诘慕煌糁g并沒有進(jìn)行直接交流。

自組織交通燈與傳統(tǒng)的“控制系統(tǒng)”不同，因?yàn)楹笳叩暮诵氖牵嚎刂剖虑樵诤螘r(shí)何地準(zhǔn)時(shí)發(fā)生。在自組織交通燈中，你不需要將解決方案告訴系統(tǒng)，但你會(huì)設(shè)計(jì)一些交互，讓系統(tǒng)“自行”不斷地尋找令人滿意的解決方法。這是最理想的，因?yàn)槲覀儫o(wú)法預(yù)測(cè)具體的問題。

如果你希望模型做出預(yù)測(cè)，那么開發(fā)一個(gè)高度復(fù)雜性的系統(tǒng)非常困難，需要包括很多細(xì)節(jié)。假設(shè)我們要對(duì)墨西哥城的交通進(jìn)行建模。那么，我們需要知道在一天中的每個(gè)時(shí)段有多少輛汽車沿著某個(gè)軌跡行駛，以及它們的平均加速度是多少，是否在下雨等等。許多因素都會(huì)影響交通流量，因此你需要添加盡可能多的細(xì)節(jié)。

但如果你只是希望將模型用于理解系統(tǒng)而不是對(duì)其進(jìn)行預(yù)測(cè)，那么在很多情況下，非常抽象的模擬可能會(huì)有用。

Gershenson嘗試的模擬從復(fù)雜轉(zhuǎn)向簡(jiǎn)單、抽象，比如車輛具有無(wú)限的加速度，并且車輛之間的空間中存在對(duì)稱性，但這在現(xiàn)實(shí)中是不存在的。但通過(guò)這類模擬，Gershenson發(fā)現(xiàn)，城市交通中存在六到十個(gè)相變：你可以看到隨著車輛密度的增加，速度或流量如何急劇變化。

4 通勤時(shí)間減少25%

在模擬的過(guò)程中，Gershenson發(fā)現(xiàn)自組織交通燈能將通行時(shí)間縮短25%，且由于車輛在紅燈前停留的時(shí)間減短，排放的廢汽也減少了。這個(gè)方案為墨西哥城這樣的大城市減少的汽車排放物數(shù)目，估計(jì)是：將汽車換成大約10條巴士線，但排放的廢汽只是一條巴士線所排放的量。

當(dāng)然，抽象的模擬也是模擬。Gershenson表示，其實(shí)他們也不能百分百確定模擬的作用，因?yàn)檫€涉及到墨西哥城復(fù)雜的公共交通狀況、駕駛員的駕駛行為等等。交通效率也可能降低，因?yàn)楫?dāng)車輛通行較好時(shí)，可能會(huì)使得越來(lái)越多人想要開車。如果街上的車輛變多，那么自組織交通燈所減少的廢汽可能并不足以抵消新增汽車所排放的廢氣量。

Gershenson認(rèn)為，自組織系統(tǒng)將研究重點(diǎn)從“預(yù)測(cè)”轉(zhuǎn)向“適應(yīng)”，可以幫助我們掌握完全不一樣的方法論。目前，他們已經(jīng)在多個(gè)公共交通系統(tǒng)（包括火車、地鐵、公交等）進(jìn)行“自組織”的模擬，發(fā)現(xiàn)：比起主要功能為預(yù)測(cè)的控制系統(tǒng)，自組織系統(tǒng)的效率明顯更高。

比方說(shuō)，在地鐵系統(tǒng)內(nèi)，每次地鐵到站時(shí)，在站臺(tái)上等候上車的乘客數(shù)量都是不一樣的。這時(shí)候，如果按傳統(tǒng)方法來(lái)操作，那么乘客必須在該站等候一段固定的時(shí)間。而且，如果排隊(duì)的乘客比較多，地鐵不會(huì)停留久一點(diǎn)、讓更多乘客能夠上車；如果排隊(duì)的乘客比較少，地鐵也不會(huì)停留短一點(diǎn)、減少不必要的等候時(shí)間。如果地鐵能夠輕松自如地應(yīng)對(duì)這些情況，那么地鐵的運(yùn)作效率肯定會(huì)大大提高。

談到將自組織系統(tǒng)應(yīng)用在墨西哥城的地鐵系統(tǒng)時(shí)，Gershenson談到，他們并不指望乘客會(huì)乖乖排隊(duì)、有序上車。他們唯一指望的是：等候上車的乘客會(huì)留出一點(diǎn)空隙讓準(zhǔn)備下車的乘客能夠順利下車。他們發(fā)現(xiàn)，即使乘客胡亂一通地?cái)D地鐵，自組織系統(tǒng)也能幫助提高地鐵的通行效率。

起初，他們對(duì)這項(xiàng)研究結(jié)果也有些意外。直到研究全過(guò)程結(jié)束后，他們才想明白原因：

之前，擠地鐵的“規(guī)則”是：如果你想要擠上地鐵，你就必須要“推擠”。如果你不“推擠”，你就擠不上去。所以，就算你本人非常不想“推擠”，你也必須要“推擠”，這樣你才有可能擠上地鐵。

Gershenson與團(tuán)隊(duì)對(duì)站臺(tái)上的信號(hào)燈進(jìn)行了改動(dòng)，從而改變了擠地鐵的游戲規(guī)則：現(xiàn)在，乘客在排隊(duì)上車時(shí)，系統(tǒng)會(huì)規(guī)定“排在第一位的乘客也是第一位上車的人”。如果乘客還是推擠的話，就會(huì)受到系統(tǒng)的懲罰，旁邊的人也會(huì)提醒Ta說(shuō)：“你為什么要推？現(xiàn)在已經(jīng)沒有必要推了！”

這時(shí)，大家也就不再推擠了。

5 技術(shù)提升，交通仍然擁擠

Gershenson認(rèn)為，要改善城市交通的流動(dòng)性，最主要的阻礙是政治與社會(huì)因素，而不是科學(xué)技術(shù)。當(dāng)提議改善城市交通阻塞時(shí)，大家會(huì)紛紛附和，畢竟沒有人想要生活在空氣污染的環(huán)境下，也不想承受高昂的交通成本，更不想把寶貴的時(shí)間浪費(fèi)在通勤上。但說(shuō)到解決這些問題的行動(dòng)，又有很多人都不愿意配合。

Gershenson與團(tuán)隊(duì)想出這個(gè)點(diǎn)子大概有十五年了，但由于各種復(fù)雜的因素，他們?cè)诓剪斎麪?、紐約、摩洛哥、墨西哥等地方嘗試應(yīng)用均失敗。至于失敗的原因，Gershenson認(rèn)為最主要的阻礙因素是政治。

Gershenson的同事Stefan L?mmer和Dirk Helbing在德國(guó)的德累斯頓進(jìn)行了類似的研究與應(yīng)用，效果很好。他們用了5年左右的時(shí)間推行他們的“自控制交通燈”系統(tǒng)。據(jù)Gershenson介紹，德累斯頓當(dāng)?shù)睾苜澷p他們的“自控制交通燈”系統(tǒng)，也投入了一定的資金，但出于各種各樣的因素，系統(tǒng)的落地應(yīng)用仍不是很順利。

Gershenson認(rèn)為，原因可能是：大多數(shù)工程師所學(xué)到的都是傳統(tǒng)方法，這些方法是基于“預(yù)測(cè)什么要控制”的理念，所以他們的努力都是圍繞著改善傳統(tǒng)方法而進(jìn)行的。但對(duì)于復(fù)雜的系統(tǒng)來(lái)說(shuō)，預(yù)測(cè)幾乎是毫無(wú)幫助的。你針對(duì)一個(gè)問題，想方設(shè)法，好不容易實(shí)現(xiàn)優(yōu)化，結(jié)果問題的性質(zhì)與內(nèi)容又改變了，那你先前所想的解決措施也就一無(wú)是處了。

Gershenson與很多交通領(lǐng)域的科研者一樣，都很喜歡騎自行車，因?yàn)轵T自行車是在距離中等的道路上行駛的最佳方式。圖源：Quanta Magazine by Meghan Dhaliwal

所以，我們不僅要提高技術(shù)，還要建立一套能夠協(xié)調(diào)各方（包括政府、企業(yè)、學(xué)者、公眾等等）的管理機(jī)制。

盡管他向各個(gè)城市提出的大多數(shù)運(yùn)輸系統(tǒng)解決方案都遇到了政治和官僚障礙，但在2016年，他的想法在墨西哥城地鐵系統(tǒng)中得到了成功實(shí)施。

Gershenson認(rèn)為，人們也可以嘗試“倒退的交通方式”來(lái)解決城市交通擁擠的問題，比如騎自行車。與很多交通領(lǐng)域的科研者一樣，Gershenson也很喜歡騎自行車，因?yàn)樗J(rèn)為騎自行車是大城市最好的交通方式，完全可以應(yīng)付距離中等的路程。

AI如何能更好地適應(yīng)人類生活，這是許多科研者的關(guān)注點(diǎn)。自組織系統(tǒng)能夠使人工智能產(chǎn)品在保持功能的同時(shí)，提高對(duì)外界環(huán)境的適應(yīng)能力。在設(shè)計(jì)系統(tǒng)的過(guò)程中，我們也許應(yīng)該改變傳統(tǒng)的“預(yù)測(cè)”控制論，嘗試“自組織”的新理念，讓系統(tǒng)更好地適應(yīng)復(fù)雜的外界。

參考鏈接：

https://www./complexity-scientist-beats-traffic-jams-through-adaptation-20200928/