【新智元导读】近日，Science合作期刊Intelligent Computing（《智能计算》）创刊后首期论文正式发表。
之江实验室主任朱世强教授和中国工程院院士、中国科学院计算技术研究所学术所长孙凝晖教授作为期刊主编向海内外共同发表了发刊词（Inaugural Editorial）。
发刊词重点阐明了期刊的使命、愿景和定位，即：Intelligent Computing将以面向智能的计算、智能驱动的计算以及智能、数据与计算驱动的科学发现为核心主题，展现全球智能计算领域的最新研究成果和重大技术突破，推动智能计算科学与技术的不断发展与进步。
发刊词全文：https://spj.sciencemag.org/journals/icomputing/2022/9801324/
创刊首期论文中，牛津大学计算机系主任、谷歌DeepMind-Oxford合作负责人Michael Wooldridge教授发表了关于人工智能未来发展趋势和关键技术的前瞻性观点论文；蚁群智能创始人、比利时布鲁塞尔自由大学Marco Dorigo教授发表了有关群体智能设计机制与方法的最新前沿研究。
当代人工智能中缺少什么？答案：世界
论文地址：https://spj.sciencemag.org/journals/icomputing/2022/9847630/
在过去多年伴随着人工智能的迅猛发展，全世界都见证了新的人工智能系统的出现与流行——基础模型（Foundation Models）。基于深度神经网络的基础模型是非常大的机器学习模型，通常使用庞大、广泛的数据集。基础模型具有广泛的任务处理能力，可以专门用于特定应用程序。
近期，牛津大学计算机系主任、谷歌DeepMind-Oxford合作负责人Michael Wooldridge教授提出了自己的新观点，认为目前虽然基础模型在某些特定任务中确实展示了强大的能力，但因为它们本质上没有「具身化」，并且缺乏同人类一样的具身认知能力，在学习和完成现实世界的复杂任务方面往往会受到限制。基础模型可能在许多应用中非常有用、有效，但它们并不是强人工智能之路的尽头，甚至强人工智能的发展才刚刚开始。
人工智能在过去15年中发展迅速，标志性事件比如DeepMind战胜人类围棋大师、AlphaFold解决蛋白质折叠问题等，这些进步更多的是由庞大的数据集和计算资源所主导的。由于在当前的人工智能创新浪潮中，数据和计算能力已成为技术成功的基础和要素，人工智能研究人员建立了越来越大的机器学习模型，使用越来越多的计算资源进行训练，以期在竞争对手之前抢占先机。
如前所述，随着数据规模的扩张催生了一类新的人工智能系统——基础模型，人工智能不再局限于非常狭窄的专业领域和知识。广泛的训练使基础模型能够具有跨领域学习的能力，也可以专门应用于特定具体场景，比如大型语言模型GPT-3。GPT-3不但在自然语言生成方面具有前所未有的能力，而且似乎也获得了一些常识推理能力。Google所设计的同为大型语言模型的LaMDA，近期更受到了相当大的关注，Google工程师Blake Lemoine甚至因为声称LaMDA具有自我意识而被解雇，引起了广泛的争议。毫无疑问，基础模型是当前人工智能领域的重要进展，在未来的几年里，我们仍将看到它们带来的许多创造性应用。但是，正如DeepMind的一位研究人员所说，难道人工智能现在剩下的只是规模吗？
与此对应，Michael Wooldridge教授认为有一个关键因素使得大多数大型机器学习模型的能力受到了极大限制，这就是人工智能所处的“世界”。像GTP-3这样的基础模型并不具有具身认知能力，只是建立了符号间的特定关系，因此缺少真实世界的实际经验。通过庞大的符号集合（训练数据）形成的智能在理解现实世界的一些基本问题上，必定与我们人类的理解状态不同，无法真正理解并掌握与现实世界中实际经历相关的概念。另外，现实世界没有像虚拟世界一样整⻬的数据结构，因此，在物理世界中很多我们认为不需要任何真正意义上的智能的任务（骑自行车、接球等）对机器人或人工智能来说却是非常不容易的。尽管当前人工智能已经展示了强大的能力，但这些系统却无法在最重要的单一环境中运行：我们的世界。
目前，已有一些迹象表明上述情况开始发生变化。DeepMind发布的Gato系统的训练数据包括了大型语料库数据以及机器人的数据，它能够在简单的物理环境中运行，实现了从基础模型迈入物理世界的第一步，但这只是发展的一小步。让人工智能在我们的真实世界中工作所要克服的挑战，可能要比让人工智能在模拟环境中工作所面临的挑战更为巨大，人工智能的发展也许才刚刚开始。
群体智能中自组织任务分配的全局到局部设计
论文地址：https://spj.sciencemag.org/journals/icomputing/aip/9761694/
作为新一代人工智能的核心研究领域之一，群体智能理论和方法受社会性动物各种群体行为的启发，利用个体之间的简单交互作用或协作来实现系统寻优的目的，从而表现出来整体智能。迄今为止，两种最为经典的群体智能算法包括蚁群算法和粒子群优化。
比利时布鲁塞尔自由大学、蚁群算法创始人Marco Dorigo教授在Intelligent Computing期刊近期发表了新的研究成果，介绍了一种新的群体智能设计机制和方法，能够实现更好的任务分配，从而优化群体智能的行为。
对机器人群体进行建模往往很困难，因为系统要求在群体层面（即全局）制定策略，而控制规则需要在单个机器人层面（即局部）进行设计。群体智能的研究人员为自组织任务分配已开发了丰富的算法框架，使得自组织的多代理系统通过代理之间以及代理与环境之间的持续交互来实现任务分配。然而，目前的研究主要采用从局部到全局的设计方法，这种自下而上的方式在预测群体行为方面必然面临着巨大挑战。此外，标准的多代理方法需要复杂的合作策略，也没有考虑不可靠代理的情况，因而不具备良好的可扩展性，不适用于大规模群体智能的任务分配。
为了克服上述关键问题，Marco Dorigo教授及其合作者提出了一种新的设计范式，可以从全局的视角设计整个群体的行为方式，而不用聚焦每个个体。该机制从全局到局部进行设计，通过用户输入的一定概率统计分布，将适量不同类型的代理控制器放置在一个群体里，能够进行自组织任务分配并实现所需的群体行为。
这种全局到局部设计方法的关键是使用行为不同的代理组成一个异构群体，这些经过编码的代理行为具有已知的对全局的影响，这样产生的群体行为接近于所需的代表整个群体行为的用户输入值。可以利用响应向量来描述期望的群体瞬时行为方式，同时，引入基向量来模拟每个代理控制器对群体整体（全局）行为方式的影响。并通过基向量集的线性组合选择不同的代理控制器，评估响应向量和基向量不同线性组合之间的回归 (Lasso Regression) 系数，从而寻求每个异构群体的合适组合。
使用这种全局到局部设计方法可以处理多种类型的分配任务，解决了单任务机器人-多机器人任务 (ST-MR) 的各种任务分配问题，包括：静态任务分配，即用户通过单模态分布来指定一个固定任务的分配方案；顺序任务分配，即用户通过一连串的单模态分布和触发群体分配转换的标准来指定的任务分配方案；周期性任务分配，即用户可以使用具有两个或者多个模态的分布来周期性进行任务分配方案。此外，这种设计理念将不仅限于任务分配问题，还具有更广泛的应用潜力，未来这个方法还可能会扩展到许多不同的场景，比如群体决策和空间组织任务。
期刊简介
Intelligent Computing由之江实验室和美国科学促进会（AAAS）共同创办，是《科学》合作期刊框架中智能计算领域的第一本开放获取（Open Access）国际期刊。
之江实验室主任朱世强教授和中国工程院院士、中国科学院计算技术研究所学术所长孙凝晖教授共同担任期刊主编。
期刊以「面向智能的计算、智能驱动的计算」以及「智能、数据与计算驱动的科学发现」为主题，主要刊载原创研究论文、综述论文和观点论文。
