原文出处：Multi-Agent Systems 原作者：Microsoft · 许可证：MIT License 中文译本由诸葛AI学院整理，仅供学习参考，版权归原作者与微软所有。
实现智能有一条可行的路，叫涌现（emergent）方案，也叫协同（synergetic）方案。它的出发点是：许多相对简单的智能体（agent）合在一起行动，整个系统就能表现出更复杂、更聪明的行为。理论根基是集体智能、涌现论和进化控制论。这几个学派的主张一致：低级系统按正确的方式组合成高级系统时，会多出一些附加值，也就是所谓的元系统跃迁原则。
课前测验
多智能体系统（Multi-Agent Systems）这个方向在 1990 年代进入 AI 领域，背景是互联网和分布式系统的兴起。经典教材《人工智能：一种现代方法》讲经典 AI 时，采用的就是多智能体的视角。
多智能体路线的核心概念是智能体：一个活在某个环境（environment）里的实体，能感知环境，也能对环境采取行动。这个定义很宽，智能体因此有各式各样的类型和分类法：
- 按推理能力分：
- 反应型（reactive）智能体：行为通常是一问一答式的简单响应
- 慎思型（deliberative）智能体：会做某种逻辑推理，或者具备规划能力
- 按代码运行位置分：
- 静态（static）智能体：固定在一个网络节点上工作
- 移动（mobile）智能体：可以带着代码在网络节点之间迁移
- 按行为方式分：
- 被动智能体（passive agents）：没有特定目标。这类智能体能响应外部刺激，但自己不会主动发起动作。
- 主动智能体（active agents）：有自己的目标，并围绕目标行动
- 认知智能体（cognitive agents）：涉及复杂的规划与推理
多智能体系统如今用在不少应用场景里：
- 游戏：很多非玩家角色都带某种 AI，可以看成智能体
- 影视制作：涉及人群的复杂 3D 场景渲染，通常靠多智能体模拟来完成
- 系统建模：用多智能体方法模拟复杂系统的行为。比如它曾被成功用于预测 COVID-19 在全球的传播，同样的方法可以给城市交通建模，观察交通规则改动后车流如何反应。
- 复杂自动化系统：每台设备都是一个独立智能体，整个系统因此不那么庞大笨重，反而更抗故障。
这节课不会花太多时间深挖多智能体系统，只做一个多智能体建模的例子。
NetLogo
NetLogo 是一个多智能体建模环境，用的是改造过的 Logo 编程语言。Logo 本来是给小孩子讲编程概念用的，它让你控制一个叫海龟（turtle）的智能体：海龟会移动，一路留下轨迹。靠这个机制可以画出复杂的几何图形，也是理解智能体行为最直观的办法。
在 NetLogo 里，用 create-turtles 命令可以创建许多海龟。然后命令所有海龟一起做某件事（下面这个例子是各向前走 10 步）：
create-turtles 10
ask turtles [
forward 10
]
海龟都干同一件事没什么意思，所以我们可以只 ask 某一组海龟，比如某个点附近的那些。也可以用 breed [cats cat] 命令创建不同品种的海龟。这里 cat 是品种名，单数和复数两种形式都要声明，因为不同的命令会分别使用这两种形式，语义更清楚。
✅ 这里不打算教 NetLogo 语言本身。想深入的话可以去看Beginner's Interactive NetLogo Dictionary，是一份很出色的互动学习资源。
你可以下载 NetLogo 装上试用。
模型库
NetLogo 的一大好处是自带一批能直接跑的模型。打开 File → Models Library，有很多类别可以挑。
原文此处有一张图，画的是 NetLogo 模型库的窗口，左侧按 Biology、Social Science 等类别列出可选模型（Dmitry Soshnikov 的截图）。
随便打开一个模型，比如 Biology → Flocking（群飞）。
主要原理
模型打开后进入 NetLogo 主界面。下面这个示例模型描述的是狼和羊的种群，食物（草）资源有限。
原文此处有一张图，画的是 NetLogo 主界面：左边是仿真场地和操作按钮，右边是代码区（Dmitry Soshnikov 的截图）。
在这个界面上你能看到：
- Interface（界面）区，包含：
- 主场地，所有智能体住在上面
- 各种控件：按钮、滑块等
- 图表，用来显示仿真的参数
- Code 标签页，里面是编辑器，可以输入 NetLogo 程序
多数模型界面上有一个 Setup 按钮负责初始化仿真状态，一个 Go 按钮负责开始运行。两者对应代码里形如下面的处理函数：
to go [
...
]
NetLogo 的世界由以下对象组成：
- 智能体（agents，即海龟）：可以在场地上移动、做事情。命令的方式是
ask turtles [...]语法，括号里的代码会以海龟模式被所有智能体同时执行。 - 小块（patches）：场地上的一块块正方形区域，海龟住在上面。你可以引用同一块区域上的所有智能体，也可以改变小块的颜色和一些其他属性。同样可以
ask patches让它们做事情。 - 观察者（observer）：独一无二的、控制整个世界的智能体。所有按钮的处理函数都在观察者模式下执行。
✅ 多智能体环境的妙处在于：跑在海龟模式或小块模式里的代码，会被所有智能体同时并行执行。你只要写一点代码、编排好单个智能体的行为，整个仿真系统就能表现出复杂的行为。
群飞
多智能体行为的一个例子是群飞（flocking）。群飞是一种复杂的运动模式，很像鸟群飞行。看鸟群上天，你会以为它们在执行某种集体算法，或者拥有某种集体智能。其实这种复杂行为，来自每个个体（在这个例子里是一只鸟）只观察离自己不远的同类，并且遵守三条简单规则：
- 对齐（alignment）：转向邻居平均飞行方向
- 凝聚（cohesion）：朝邻居的平均位置靠拢（远程吸引）
- 分离（separation）：离别的鸟太近时，试图躲开（近程排斥）
你可以运行群飞示例观察行为，也可以调参数，比如分离程度，或者决定每只鸟能看多远的视野范围。注意：视野范围调成 0，所有鸟变成瞎子，群飞就散了；分离程度调成 0，所有鸟会挤成一条直线。
✅ 切到 Code 标签页，看看群飞的三条规则（对齐、凝聚、分离）在代码里是怎么实现的。留意代码只引用视野之内的智能体。
其他值得一看的模型
还有几个模型适合动手玩：
- Art → Fireworks：展示烟花如何被看作一束束火流的集体行为
- Social Science → Traffic Basic 和 Social Science → Traffic Grid：一维和二维网格下的城市交通模型，可选有无红绿灯。仿真里的每辆车遵守两条规则：
- 前方有空位就加速（不超过某个最高速）
- 看到前方有障碍就刹车（驾驶员能看多远可以调）
- Social Science → Party：展示酒会上人群如何聚成一堆。你可以找到让全场幸福感上升最快的参数组合。
从这些例子能看出，多智能体仿真很适合用来理解一种复杂系统：系统由众多个体组成，个体遵守相同或相近的逻辑。它也能用来控制虚拟智能体，比如电脑游戏里的 NPC（非玩家角色），或者 3D 动画世界里的智能体。
慎思型智能体
前面说的智能体很简单，靠某种算法响应环境变化，属于反应型智能体。但有些智能体能推理、能规划自己的行动，这类叫慎思型（deliberative）。
典型例子是私人智能体：人给它一条指令，让它订一个度假行程。假设互联网上还住着许多能帮上忙的智能体，它就要去联系其他智能体，问哪些航班有位、酒店各日期什么价，试着谈出最优惠的价格。行程方案齐了、主人确认之后，它再完成预订。
要做到这一点，智能体之间得通信。通信要顺利，需要：
- 一些交换知识的标准语言，例如知识交换格式（KIF）和知识查询与操纵语言（KQML）。这两种语言都建立在言语行为理论之上。
- 语言里还应包含一些谈判协议，基于不同的拍卖类型。
- 一套公共本体（ontology），保证各智能体引用的是同一批概念，并且知道彼此的语义。
- 一种发现机制，弄清楚各个智能体能做什么，同样依托某种本体。
慎思型智能体比反应型复杂得多，因为它除了响应环境变化，还要能主动发起行动。一种被提出的慎思型智能体架构是所谓的信念-愿望-意图（Belief-Desire-Intention，BDI）智能体：
- 信念（Beliefs）：关于所处环境的一组知识，可以组织成知识库，或者一组规则，供智能体套用到环境的特定情形上。
- 愿望（Desires）：智能体想做的事情，也就是它的目标。比如上面私人助理智能体的目标是订成行程，酒店智能体的目标是利润最大化。
- 意图（Intentions）：智能体为达成目标而计划执行的具体行动。行动通常会改变环境，并引发与其他智能体的通信。
已有一些可用于构建多智能体系统的平台，比如 JADE。这篇论文综述了多智能体平台，也简略回顾了多智能体系统的发展历程和各种使用场景。
小结
多智能体系统的形态非常多样，能用在很多应用里。它们的共同套路是：单个智能体的行为尽量简单，靠协同效应让整体系统表现出更复杂的行为。
挑战
把这节课带进现实，试着构想一个能解决问题的多智能体系统。比如，要优化校车路线，这样一个系统该做些什么？放到一家面包店里又能怎么玩？
课后测验
复习与自学
去查一查这类系统在工业界的实际用法。挑一个领域，比如制造业或游戏行业，看看多智能体系统能解决哪些别处碰不到的问题。