我们没有一天不听到人工智能的消息。机器学习和人工智能(这两个术语经常被混为一谈)已经成为商业、技术和金融领域词汇的一部分。模式识别方面的巨大进步，以及在海量数据中发现隐藏相关性，激发了技术界和商界的热情和希望。

虽然这一成功值得庆祝，但我们不应忽视一个事实，即除了机器学习之外，人工智能还有许多其他方面。常识推理、知识表示、推理等等，现在还不是工具箱的一部分，但如果我们寻求与人类智能有很多共同之处的机器智能形式，就必须成为工具箱的一部分。

这种形式的机器智能没有被使用的原因是由于这些问题所带来的困难。与机器学习的最新进展不同，半个世纪以来在符号系统、认知心理学和机器推理方面的研究都没有取得重大突破。

智能网络:人工智能的新形式

一旦我们认识到智能并不局限于单个大脑，我们就可以期待一个更有前途的未来;它也出现在群体中，如昆虫群落、人类社会的组织和市场，举几个例子。在所有这些情况下，大量的智能体能够执行局部任务，这些任务可以被认为是计算，参与集体行为，成功地解决了许多超越单个个体解决能力的问题。他们这样做往往没有全球控制，同时交换的信息不完善，有时还会延迟。

分布式智能的许多基础特征都可以在连接我们这个星球的计算网络中找到。在这些系统中，进程被创建或“诞生”，在网络间迁移，并在远程计算机中产生其他进程。当它们这样做时，它们解决了复杂的问题——想想在你的屏幕上呈现一部电影需要什么——同时竞争其他进程争夺的资源，如带宽或CPU。亚博全球最大投注平台

有趣的是，我们对分布式智能的理解，无论是自然的还是人工的，都比个体思维的运作要好得多。这部分是因为我们可以很容易地观察和测量个人和程序之间的交互，因为他们在复杂的信息空间中导航。与此形成对比的是，要了解人类大脑中详细的认知过程是很困难的。从这个庞大的知识体系中，我们知道，虽然分布式系统的整体性能是由许多代理交换部分结果的能力决定的，而这些结果并不总是最优的，但成功是由那些在单位时间内取得最大进展的少数人决定的(想象一下许多代理在堆栈中寻找众所周知的针)。

分布式智能:超越最佳

这为人工智能提供了一条充满希望的前进道路;分布式智能程序的创建，可以感知、学习、识别和聚合信息，当部署在整个网络中为特定目标服务时。例如，智能聚合以决定给定行动的局部异常的感知，网络部分恶意软件的集体检测，传感器融合，以及对预定流量和内容模式的有效响应，等等。

分布式人工智能不是一个虚幻的目标。一些这样的系统已经被设计和测试，并在解决诸如密码学和图形着色等复杂计算问题所需的时间上有了很大的改进。这些问题的特点是，随着它们的规模呈线性增长，找到解决方案的时间呈指数增长。一个常见的例子是旅行推销员问题，它可以被看作是网络铺设的一个比喻，这种铺设方式使覆盖许多城市和用户所需的遍历次数最小化。虽然有许多强大的启发式方法来处理这个优化问题，但对于大型实例，人们只能希望解决方案虽然不是最优的，但满足一定数量的约束。

合作系统的美妙之处在于，一旦部署，它们就可以展示组合内爆．这些内爆的特点是，由于合作的有效性，解决方案的可能场所的数量突然崩溃，因此，需要指数时间才能解决的问题现在可以在线性或多项式时间内呈现。这些内爆出现在人工智能代理在解决复杂问题时交换的消息的质量和数量都增加的情况下。

最后，分布式人工智能的出现将使许多实际棘手的问题得以解决，其中许多问题与我们的有线电视网络的顺利和安全运行有关。想象一下，应用不同的人工智能解决方案来搜索安全异常，并将它们结合起来，以识别并采取行动。或者用不同种类的传感器监测网络的远端部分，这些传感器的输出由智能代理聚合。这只是分布式人工智能可以解决的无数问题中的两个例子。我们思考和实现的例子越多，我们就越接近这个智能代理社会的愿景，就像我们所知道的社会系统一样，智能代理的表现将大大超过我们所熟悉的单一机器学习算法。

订阅我们的博客，了解更多关于人工智能的未来。