無需預測也能解決問題，自組織算法的魔法你了解嗎？

在自組織群體中，個體是愚蠢的，群體則完全不同，其相對于個體實現了智慧上的飛躍。具體的例子有很多，包括魚群、鳥群、蟻群，甚至菌群。

前一陣子曾經時興将一種原生生物作為寵物，現在上網購網站還能搜得到。這種生物有着神奇的群體智慧，甚至被人們用來設計交通網絡。

日本科學家做過一個實驗，他們将黏菌放在東京地鐵路線圖上，并将燕麥粒分布在地鐵站的位置。數小時後，黏菌開始擴散開來尋找食物，剛開始路線是随機的。但随後黏菌的分布逐漸形成了最優化的路線，并且這些路線和東京的真實地鐵路線圖非常接近。

在後來的多次實驗中，科學家發現每次形成的路線圖都不一樣，有時候甚至會優于真實的路線圖。

現有的AI應用一般通過預測實現功能，也就是說，它們将某個變量作為直接的目标，并在訓練中調整自己的參數，以拟合目标。

而在自組織群體中，通常不會存在一個具體的群體目标，每個個體都為了實現各自的目标而行動，最終卻會在整體上湧現出驚人的秩序。這一現象在AI中也對應着相應的研究領域，即群體智能。從社會學的角度上看，人類也擁有群體智能。

群體智能（Swarm Intelligence），是指在某群體中，存在衆多無智能的個體，它們通過相互之間的簡單合作表現出智能行為。它由Gerardo Beni和Jing Wang于1989年在細胞機器人系統的背景下引入，相關算法有蟻群優化、粒子群優化、進化算法等。

該領域已經有了很多相關研究，比如群體機器人就是讓許多簡單的物理機器人進行溝通、導航和協作，美國宇航局在研究使用群體技術進行行星測繪，M. Anthony Lewis和George A. Bekey1992年撰寫的論文讨論了使用群體智能來控制體内納米機器人以殺死癌症腫瘤的可能性。

針對交通系統的相關應用，比如外賣派單，目前的落地AI算法也是預測型的。這樣的系統需要收集大量的數據，進行全局規劃，其中涉及的變量不計其數，包括訂單信息、天氣狀況、交通路況、商家出餐速度等等。目前用于優化交通的城市大腦系統，走的也是預測路線。但這真的是唯一的解決方案嗎？

來自墨西哥國立自治大學的Carlos Gershenson是一名已研究城市交通問題二十年的計算機科學家。針對墨西哥城的交通擁擠難題，他發現，應用複雜性研究和自組織原理，讓交通系統“适應”而非“預測”潛在的交通問題，能夠有效提高城市交通的流動性，解決交通阻塞、減少通勤時間。

Gershenson使用了适應性的（而非預測性的）計算機模拟，将自組織作為提高城市流動性的工具。在他的方案中，隻需清楚地說明人們在上車之前應該待在哪些地方，以空出位置讓車上的乘客下車 ，就消除了過程中的幾乎所有沖突和麻煩，并将上車時間減少了25％。

麻省理工學院物理學教授Yaneer Bar-Yam對此大加稱贊：“Carlos的工作大大提高了我們對自組織交通流的理解水平，及其對現實世界的控制和優化的影響。”

新英格蘭複雜系統研究所所長在2007年至2008年期間與Gershenson合作了博士後研究，他補充說，Gershenson“已經重新構造了問題，這是他的研究中最重要的影響。”

1 研究背景

Gershenson對城市交通的研究興趣始于大學本科。當時，他沉迷于研究高速公路的交通問題，為此還編寫了有/無交通信号燈與無人駕駛汽車的模拟程序。運用他所編寫的程序，他可以預測汽車何時會穿越十字路口。在Gershenson的模拟計算中，掌握了汽車穿越十字路口的時間後，即使汽車永不停車，隻需要降低速度，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的應用。他模拟鳥群的自組織例子，嘗試讓成排的汽車像鳥一樣聚集。除了“自私”策略外，他還在模拟中實現了不同的控制策略，讓多輛汽車與鄰車以相同的速度前進。

椋鳥群

椋鳥群的飛行及駐留軌迹

那次模拟實驗最終以失敗告終：因為有些汽車會加速，随後又突然減速，造成許多麻煩的震動。但正是在這次失敗的模拟中，Gershenson發現了“自私”的作用：每輛車都想要以盡可能快的速度前行。這也更符合現實的車輛行駛情況。

Gershenson的第一位博士生Luis Enrique Cortés Berrueco對“自私”進行了深入的研究。Luis使用博弈論和交通模拟，來研究自私與合作司機之間的關系。

研究證明，如果道路上的車輛密度較低，那麼自私的司機将帶來更高效的交通，因為司機隻考慮通行效率。但這也會更危險。如果車輛密度中等，那麼當一個司機減緩了另一個司機的速度時，後面所有司機也會減速，這樣會降低通行的效率。如果車輛密度太高，司機的“自私”就無法發揮作用了，因為他們無法改變車道。

Gershenson認為，要解決複雜的問題，科學家需要放棄傳統方法，并找到新穎的方法來研究不斷變化的挑戰。“科學和工程學總是假設世界是可預測的，隻需要找到适當的自然法則就可以預見未來。但是對複雜系統的研究表明，這種假設是錯誤的。”

2 城市交通的複雜性

墨西哥城的居住人口接近2200萬，汽車超過600萬輛，每天上班花費兩小時是許多人生活習慣的一部分。也許是因為交通時間拖延已成為大家日常生活的一部分，所以在墨西哥城，上課或開會遲到10至15分鐘被認為是“司空見慣”的事情，不會受到責備。

我們可以輕松地對單個車輛的軌迹建模，因為它具有均勻的運動和加速度，隻需要用到高中的基礎數學。但在現實世界中，我們無法預測汽車将在兩分鐘前到達哪裡，因為車輛的精确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，則根據每個人是否危險駕駛，将有更多或更少的空間，這其中存在很強的相互依賴性。我們也無法預測汽車在兩分鐘後到達的位置，因為這取決于前方的汽車是否及時對交通信号燈做出反應，它們是否分散了注意力，是否有公交車，是否在不應該停靠的地方停車等等。

複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，那麼所取得的效果将不能滿足實際的交通需求。技術史學家Lewis Mumford曾提出，在城市交通領域，“增加高速公路車道以應對交通擁堵，就像放松腰帶來治療肥胖症一樣。”

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

1）Gershenson與團隊住在墨西哥城，更容易開展研究。

2）根據不同的索引，墨西哥城的交通流動性是世界上最差的。

3）團隊與當地政府有密切來往，有利于推進當地政府部門對交通改善與提升給出建議。（Gershenson提到，他在布魯塞爾讀博士時，想要跟當地的交通部門聯系，基于交通研究提出自己的建議，但沒有得到一個滿意的結果。）

3 “适應”比“預測”效果更佳

在這個項目中，Gershenson使用了墨西哥城的交通燈來提高通勤速度、減少汽車排放量。

一般來說，為了提高交通效率，交通燈系統的設置是提前定時的，但每一次停在紅綠燈前等候通過的車輛數目都是不一樣的。假設說，我們經過調查，将通勤假設為平均每分鐘有大約13輛汽車要通過，但在很多時候，每分鐘可能有20輛汽車，或者0輛、6輛。

如何協調好所有提前規劃好的交通燈來使汽車快速移動是一個問題。要協調的十字路口越多，對計算能力的的要求就越高，而且随着車輛數目的增減，情況也會有所變化。所以我們不可能對交通進行預測。

但即使如此，我們依然想要優化車流量與交通情況。由于優化對計算的需求較大，所以Gershenson提議使用适應（adaptation）的方法。

自組織交通燈（self-organizing traffic lights）自帶傳感器，可以靈活根據四面八方即将通過的車輛數量來調整紅綠燈的時長。這時候，交通燈并不是在“預測”，而是在不斷“适應”變化萬千的車流量。但如果交通燈可以這麼靈活地适應通行需求，可能也不是一件好事，因為這樣的話，開車的人就沒有停車“偷懶”的時間了。駕駛員隻需要停下來等其他車輛通過。

之前汽車的通行是遵從交通燈的命令，現在有了傳感器之後，汽車也可以給交通燈“下命令”了。因此，随着自組織交通燈的出現，“汽車列隊”（platoon）也逐漸形成，因為一次協調10排“10輛汽車列隊”、每個汽車列隊有規定的行走軌迹，會比一次協調100輛汽車的難度更低、效率也更高。

圖源：Quanta Magazine by Meghan Dhaliwal

随之出現的還有一波波的“綠色車流”：即汽車列隊可以暢行多個十字路口，無需停留。你不用把“這個'綠色車流’在某個速度時會慢下來”編進系統，就能實現理想的效果。“綠色車流”是在交通過程中自發形成的。之所以說“自組織”，是因為不同十字路口的交通燈之間并沒有進行直接交流。

自組織交通燈與傳統的“控制系統”不同，因為後者的核心是：控制事情在何時何地準時發生。在自組織交通燈中，你不需要将解決方案告訴系統，但你會設計一些交互，讓系統“自行”不斷地尋找令人滿意的解決方法。這是最理想的，因為我們無法預測具體的問題。

如果你希望模型做出預測，那麼開發一個高度複雜性的系統非常困難，需要包括很多細節。假設我們要對墨西哥城的交通進行建模。那麼，我們需要知道在一天中的每個時段有多少輛汽車沿着某個軌迹行駛，以及它們的平均加速度是多少，是否在下雨等等。許多因素都會影響交通流量，因此你需要添加盡可能多的細節。

但如果你隻是希望将模型用于理解系統而不是對其進行預測，那麼在很多情況下，非常抽象的模拟可能會有用。

Gershenson嘗試的模拟從複雜轉向簡單、抽象，比如車輛具有無限的加速度，并且車輛之間的空間中存在對稱性，但這在現實中是不存在的。但通過這類模拟，Gershenson發現，城市交通中存在六到十個相變：你可以看到随着車輛密度的增加，速度或流量如何急劇變化。

在模拟的過程中，Gershenson發現自組織交通燈能将通行時間縮短25%，且由于車輛在紅燈前停留的時間減短，排放的廢汽也減少了。這個方案為墨西哥城這樣的大城市減少的汽車排放物數目，估計是：将汽車換成大約10條巴士線，但排放的廢汽隻是一條巴士線所排放的量。

當然，抽象的模拟也是模拟。Gershenson表示，其實他們也不能百分百确定模拟的作用，因為還涉及到墨西哥城複雜的公共交通狀況、駕駛員的駕駛行為等等。交通效率也可能降低，因為當車輛通行較好時，可能會使得越來越多人想要開車。如果街上的車輛變多，那麼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認為，自組織系統将研究重點從“預測”轉向“适應”，可以幫助我們掌握完全不一樣的方法論。目前，他們已經在多個公共交通系統（包括火車、地鐵、公交等）進行“自組織”的模拟，發現：比起主要功能為預測的控制系統，自組織系統的效率明顯更高。

比方說，在地鐵系統内，每次地鐵到站時，在站台上等候上車的乘客數量都是不一樣的。這時候，如果按傳統方法來操作，那麼乘客必須在該站等候一段固定的時間。而且，如果排隊的乘客比較多，地鐵不會停留久一點、讓更多乘客能夠上車；如果排隊的乘客比較少，地鐵也不會停留短一點、減少不必要的等候時間。如果地鐵能夠輕松自如地應對這些情況，那麼地鐵的運作效率肯定會大大提高。

談到将自組織系統應用在墨西哥城的地鐵系統時，Gershenson談到，他們并不指望乘客會乖乖排隊、有序上車。他們唯一指望的是：等候上車的乘客會留出一點空隙讓準備下車的乘客能夠順利下車。他們發現，即使乘客胡亂一通地擠地鐵，自組織系統也能幫助提高地鐵的通行效率。

起初，他們對這項研究結果也有些意外。直到研究全過程結束後，他們才想明白原因：

之前，擠地鐵的“規則”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與團隊對站台上的信号燈進行了改動，從而改變了擠地鐵的遊戲規則：現在，乘客在排隊上車時，系統會規定“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，就會受到系統的懲罰，旁邊的人也會提醒Ta說：“你為什麼要推？現在已經沒有必要推了！”

這時，大家也就不再推擠了。

5 技術提升，交通仍然擁擠

Gershenson認為，要改善城市交通的流動性，最主要的阻礙是政治與社會因素，而不是科學技術。當提議改善城市交通阻塞時，大家會紛紛附和，畢竟沒有人想要生活在空氣污染的環境下，也不想承受高昂的交通成本，更不想把寶貴的時間浪費在通勤上。但說到解決這些問題的行動，又有很多人都不願意配合。

Gershenson與團隊想出這個點子大概有十五年了，但由于各種複雜的因素，他們在布魯塞爾、紐約、摩洛哥、墨西哥等地方嘗試應用均失敗。至于失敗的原因，Gershenson認為最主要的阻礙因素是政治。

Gershenson的同事Stefan Lämmer和Dirk Helbing在德國的德累斯頓進行了類似的研究與應用，效果很好。他們用了5年左右的時間推行他們的“自控制交通燈”系統。據Gershenson介紹，德累斯頓當地很贊賞他們的“自控制交通燈”系統，也投入了一定的資金，但出于各種各樣的因素，系統的落地應用仍不是很順利。

Gershenson認為，原因可能是：大多數工程師所學到的都是傳統方法，這些方法是基于“預測什麼要控制”的理念，所以他們的努力都是圍繞着改善傳統方法而進行的。但對于複雜的系統來說，預測幾乎是毫無幫助的。你針對一個問題，想方設法，好不容易實現優化，結果問題的性質與内容又改變了，那你先前所想的解決措施也就一無是處了。

Gershenson與很多交通領域的科研者一樣，都很喜歡騎自行車，因為騎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，還要建立一套能夠協調各方（包括政府、企業、學者、公衆等等）的管理機制。

盡管他向各個城市提出的大多數運輸系統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中得到了成功實施。

Gershenson認為，人們也可以嘗試“倒退的交通方式”來解決城市交通擁擠的問題，比如騎自行車。與很多交通領域的科研者一樣，Gershenson也很喜歡騎自行車，因為他認為騎自行車是大城市最好的交通方式，完全可以應付距離中等的路程。

AI如何能更好地适應人類生活，這是許多科研者的關注點。自組織系統能夠使人工智能産品在保持功能的同時，提高對外界環境的适應能力。在設計系統的過程中，我們也許應該改變傳統的“預測”控制論，嘗試“自組織”的新理念，讓系統更好地适應複雜的外界。

參考鍊接：

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