图5-5 古斯塔夫·勒庞
从抽象的角度来说，群体行为是大量自驱动个体的集体运动，每个自驱动个体都遵守一定的行为准则，当它们按照这些准则相互作用时就会表现出上述的复杂行为。群体本身不具备中心化的结构，而是通过个体之间的识别与协同达成稳定的分布式结构。这个分布式结构随着环境的变化，以自身为参考系不断趋于新的稳定。集群智能（Swarm Intelligence）正是群居性生物通过协作表现出的自组织与分布式的宏观智能行为，具有如下的特点：
事实上，在人类的群体中也存在着类似的集体行为，只不过不是以“智能”的方式为人所知，而是臭名昭著的“盲从”——一群行人里，只要有一个人按照指示向着某个目标前进，就算其他人并不知道目标是什么，甚至不知道有目标的存在，这一群人最后也还是会逐步被带往目标方向。作为一种社会心理学现象，集体行为在法国社会学学者古斯塔夫·勒庞（Gustave Le Bon）的经典著作《乌合之众》和美国社会学家埃里克·霍弗（Eric Hoffer）的代表作《狂热分子》中都有精彩的解释与分析。“在人类社会中，个人一旦形成群体，便智商尽失……甚至乐于牺牲自己的个人利益以达到群体目标。”引用于《乌合之众》的这句话可称为真理，因为把它从社会学领域套用到生物学领域，根本不会产生一丝违和感。
●分布式的特点决定了集群智能具有较强的环境适应能力和较强的鲁棒性，不会由于若干个体出现故障而影响群体对整个问题的求解。
与高大上的深度学习不同，集群智能不需要汪洋浩瀚的物理数据，也不需要艰深晦涩的数学算法——蚂蚁和大雁会计算微积分吗？集群智能的基础只是作用于个体的运行准则和作用于整体的通用目标——通常还都很简单。可正是数量足够庞大的简单规则孕育出了整体意义上的高级智能，这之中除了对量变引发质变的哲学观点的验证，是否还隐藏着“一生二，二生三，三生万物”的神圣感呢？
●群体中的个体间通过影响环境实现间接通信，这决定了集群智能会随着个体数目的增加而增强，即具有较好的可扩展性。
实现集群智能的智能主体必须能够在环境中表现出自主性、反应性、学习性和自适应性等智能特性，但这并不意味着群体中的个体都很复杂。集群智能的核心是由众多简单个体组成的群体能够通过相互之间的简单合作来实现某一功能，完成某一任务。其中，“简单个体”是指单个个体只具有简单的能力或智能，而“简单合作”是指个体与其邻近的个体进行某种简单的直接通信或通过改变环境间接与其他个体通信，从而可以相互影响、协同动作。
●群体中的个体所遵循的行为规则非常简单，这决定了集群智能实现简单。
快速飞行的蝙蝠群在狭窄的洞穴中互不碰撞，大雁群在飞行时自发地排列成人字形、海洋鱼群通过几何构型充分利用水流的能量……这些自然界中的集群行为早早就吸引了人类的注意。在由大量数目的生物个体构成的群体中，不同个体之间的局部行为并非互不相关，而是互相作用互相影响，进而作为一个整体性的协调有序的行为产生对外界环境的响应。生物群体正是通过个体行为之间的互动获得更积极的响应方式，达到“整体大于部分之和”的有利效果——一百只行军蚁在一起只会横冲直撞，一百万只行军蚁在一起却整齐划一。
●群体表现出来的智能是在简单个体的交互过程涌现出来，这决定了集群智能具有自组织性。
图5-4 2017年美式橄榄球超级碗比赛中，由无人机集群组成的美国国旗图案
由群聚而产生的集群智能，能否应用在机器人上呢？从特征上来说，简单的机器人和诸如蚂蚁之类的低智能动物并无二致，只要设计出合适的互动算法，大自然创造的集群智能没有理由不能出现在机器人上。截至目前，规模最大的机器人集群是由哈佛大学的研究人员开发的由1024个机器人组成的Kilobot。这个大规模的机器人群体能够在没有外界干预的情况下，自组织地形成复杂的二维形状。运行在这些小机器人上的是一种包含三种初等集体行为的自组织算法。这三种行为包括：机器人沿着群体的边缘移动，机器人能够产生梯度信息并发送给其他机器人，机器人通过通信和距离检测来定位。群体中的每个机器人都具有相同的算法程序，并且知道期望的二维形状。在机器人实体设计和算法设计的基础上，研究人员用大规模机器人群体实现了自然界中生物所具有的通过集体行为形成复杂结构的能力。
如果说Kilobot只是用于科研的原型设计，那么无人机集群的智能化可是实打实的落地应用，正如节首的新闻报道所指。无人机集群采取一系列由大量分散的低成本系统协同工作，这与投资开发造价昂贵、技术复杂的多任务系统策略无疑有云泥之别。针对不同类型的工作目标，无人系统集群可利用混合搭配的异构优势，通过集群自行分解、分段作业、低成本、高效率地的完成工作。在通信与决策上，分布式的无人机集群利用自组网技术可以实现信息的低能耗高速共享，形成具备自愈合功能的、执行信息搜集和通信中继等行动的主动响应网络。无人机集群数据链网络能够支持冗余备份机制和具有一定的自愈能力以提供可用性保证，集群网络能够监控已建立连接，具备应对意外中断的自动恢复能力，同时具备拥塞处理和冲突应对能力。
在巴西的亚马逊雨林中，几十万只行军蚁——已知的行为最简单的生物——正在行进。用现在时髦的话说，这是一支去中心化、自组织的大军。在这个蚁蚁平等的团体中，单个蚂蚁几乎没有视力，也不具备什么智能，可聚集成团体的它们组成了扇形的团状，一路风卷残云地吃掉所有能吃掉的，带走所有能带走的。高效的它们只需一天就能摧毁雨林里一个足球场面积内的所有食物。到了夜间，蚂蚁会自发形成一个球体，保护起蚁后和幼蚁，天亮后又各就各位，继续行军。
集群控制算法是无人机集群的关键要素：要实现相互间的协同就必须确定无人机之间逻辑上的信息关系和物理上的控制关系。集群中的体系结构设定可以将无人机集群和人工控制有机结合，保证无人机集群中信息流和控制流的畅通，为无人机之间的高效协同提供框架。除此之外，集群控制算法还有具备良好的可扩展性，即集群中个体数目的变化不会影响控制系统的整体结构。
上面的文字节选自新华社的一篇报道，它展现出我国国防科工的重大进展，也涉及到“集群智能”这一人工智能中的重要概念。
无人机集群中的另一个关键问题是通信网络的设计。在蜂群和蚁群等动物集群中，通信是通过一种名为“信息素”的物质实现的。在分布式、自组织的无人机集群中，每一个个体都是一个网络结点，其空间的分布也就决定了网络的的拓扑，而网络拓扑自然会影响通信性能。在一定的通信拓扑及性能下，让无人机集群根据所执行的任务智能分配通信资源，提高通信质量，是集群技术的难题之一。要解决这个问题通常需要人为的网络控制策略作为导引。此外，无人机在实际飞行中如果遇到突发状况，必须进行航迹重新规划，以规避威胁，避免“飞蛾扑火”的尴尬。为满足协同工作时的时效性，重新规划所采用的算法必须满足实时、高效的要求。常见的解决方案是根据蜂群算法领域搜索的特点，以参考航迹的突发威胁作为领蜂航迹，跟随蜂仅在参考航迹的突发威胁段进行领域搜索，而不需要对整条航迹进行搜索，由此可以快速获得修正航迹段，并替换原突发威胁航迹段，整个飞行过程中，无人机根据获得的威胁信息，不断修正参考航迹，直至达到目标节点。
“在第十一届中国国际航空航天博览会上，我国第一个固定翼无人机集群飞行试验以67架飞机的数量打破了之前由美国海军保持的50架固定翼无人机集群飞机数量的纪录。‘集群智能’作为一种颠覆性技术，一直被军事强国视作军用人工智能的核心，是未来无人化作战的突破口。把无人机群作为一个整体来控制，对未来无人机作战及应用方面有广阔的前景。与单机作战平台相比，无人机群在作战时具备功能分布化、体系生存率高、作战成本低等优势。在对抗过程中，当部分个体失去作战能力，整个集群仍可以继续执行作战任务。”
在军事领域中，无人机集群有着广阔的用武之地。在第一次世界大战期间，英国数学家弗雷德里克·兰开斯特（Frederick Lanchester）提出了战争中的平方规律，即作战单元的数量以平方的形式影响战斗力，是比单元作战能力更重要的战争胜负决定因素。如果红蓝两方开战，蓝方作战单元的单元战斗力为红方的4倍，红方只需要在数量上集中2倍于蓝方的作战单元就可抵消蓝方在单元战斗力上的优势，这也可以看成是“人海战术”的科学原理。正因如此，无人机集群能够实现对少量优势战机更大的胜率。无人机集群将原本造价高昂的多任务系统分解为若干低成本的小规模作战平台，将原本单一的功能平台分散到大量异构、异型的个体中去，系统的倍增效益将使无人机集群具备远超单一平台的作战能力。相比于技术高精尖但造价高昂的传统战机系统，无人机集群可以以更具成本效益的方式挫败对手。