.png){kind=icon}
返回
Fluid thinking about collective intelligence
.png){kind=icon}
PRE
AI
DOI：10.1038/s42256-026-01211-1.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
集体智能的形式从自然和人工神经网络到群集机器人和社会性昆虫群落不等。比较这类系统的关键维度是其个体单元的可移动性：神经网络和无线传感器网络等系统通常依赖固定拓扑和一致的邻居关系，而移动机器人或蚂蚁可能仅相遇一次且不再重逢。因此，这些系统用于计算和学习的核心机制在静态与动态拓扑之间存在根本差异。这种差异限制了跨领域的思想交流。本文评述了移动单元如何实现集体学习——通过个体内的可塑性、暂时性形成以及（尤为显著地）环境改造——并识别了静态网络中的类似机制。随后，本文探讨了可移动性的优势，表明对于特定任务，单元移动性可让集体系统以更少的单元达到既定性能水平。执行共识任务的机器人群体与图像分类的卷积神经网络之间的类比，说明了该原则如何为设计和使用更小的静态网络提供信息，从而实现资源节约。反之，暂时的静止或可预测的运动模式可通过利用静态拓扑的优势，使移动单元网络执行更复杂的计算。通过对方的视角审视每种拓扑，或能启发两领域的进展，包括新颖的网络架构和群体算法。集体在组件为静态或移动时，表现出本质上不同的操作、资源和局限性。Werfel考察了移动集体的学习，并展示了每类系统如何通过融入更常与另一类关联的机制而获益。
Keyword:
Collective intelligence
Mobile units
Static networks
Environmental modifications
Swarm robotics
期刊
IF:
23.9
论文数:
1.3K
被引数:
1.5W
机构
引用论文
分享收藏X. Lyu, A. Baisero, Y. Xiao, B. Daley, C. Amato, On centralized critics in multi-agent reinforcement learning, Journal of Artificial Intelligence Research 77 (2023) 295–354.X. Lyu, A. Baisero, Y. Xiao, B. Daley, C. Amato, 关于多智能体强化学习中集中评论家的研究，人工智能研究杂志 77 (2023) 295–354..png)
IF0
PREAI
分享收藏Collective clog control: Optimizing traffic flow in confined biological and robophysical excavationScience
OAAI
ScienceIF0
OAAI分享收藏
查看更多内容