群体智能
群集智能的概念是受到鸟类和蜜蜂的启发，从对自然界的学习中，可以发现，社会动物以一个统一的动态系统集体工作时，解决问题和做决策上的表现会超越大多数单独成员。在生物学上，这一过程被称为“群集智能”。这也证明了一句古话：人多力量大。
这带来了一个问题：人类可以群集吗？当然，我们并没有进化出群集的能力，因为人类缺少同类用于建立实时反馈循环的敏锐连接（比如，蚂蚁的触角），这种连接是高度相关的，让群体行为被认为是一个“超级器官”。通过这么做，这些生物能够进行最优选择，这要远比独立的个体的选择能力要强得多。
但是，人类呢？我们能把个人的思考组合起来，把它们作为一个统一的动态系统吗？这样能让我们做更好的决策、预测、评估和判断吗？研究显示，答案是“yes”。事实上，使用UnanimousA.I.的技术，人类群集已经被证明在预测体育赛事结果、金融趋势甚至是奥斯卡奖得主这些事上的准确率超过了个人专家。
这一技术被称为“群集人工智能”（ArtificialSwarmIntelligence，简称SwarmA.I.），它能让群体组成实时的线上系统，把世界各地的人作为“人类群集”连接起来。它是一个人类实时输入和众多A.I.算法的结合。SwarmA.I.吸引结合人类参与者的知识、智慧、硬件和直觉，并把这些要素组合成一个统一的新智能，能生成最优的预测、决策、洞见和判断。
集群智能（SwarmIntelligence），是指在某群体中，若存在众多无智能的个体，它们通过相互之间的简单合作所表现出来的智能行为，集群机器人便是集群智能一类。它由GerardoBeni和JingWang于1989年在细胞机器人系统的背景下引入。
算法类型：搜索／路径寻找生物启发：蚁群／鱼群／鸟群用例：机器人、视频游戏AI、制造业、路径规划蚁群优化（AntColonyOptimisation）和粒子群优化（ParticleSwarmOptimisation）是两种最广为人知的「集群智能」算法。从基础层面上来看，这些算法都使用了多智能体。每个智能体执行非常基础的动作，合起来就是更复杂、更即时的动作，可用于解决问题。
蚁群优化（ACO）与粒子群优化（PSO）不同。二者的目的都是执行即时动作，但采用的是两种不同方式。ACO与真实蚁群类似，利用信息激素指导单个智能体走最短的路径。最初，随机信息激素在问题空间中初始化。单个智能体开始遍历搜索空间，边走边洒下信息激素。信息激素在每个时间步中按一定速率衰减。单个智能体根据前方的信息激素强度决定遍历搜索空间的路径。某个方向的信息激素强度越大，智能体越可能朝这个方向前进。全局最优方案就是具备最强信息激素的路径。
PSO更关注整体方向。多个智能体初始化，并按随机方向前进。每个时间步中，每个智能体需要就是否改变方向作出决策，决策基于全局最优解的方向、局部最优解的方向和当前方向。新方向通常是以上三个值的最优「权衡」结果。
【来源：机器之心；遗传算法到强化学习，一文介绍五大生物启发式学习算法 】
应用：
基于群体智慧的技术可用于许多应用程序。美国军方正在研究用于控制无人驾驶车辆的群体技术。欧洲航天局正在考虑用于自组装和干涉测量的轨道群。美国宇航局正在研究使用群体技术进行行星测绘。M.AnthonyLewis和GeorgeA.Bekey撰写的1992年论文讨论了使用群体智能来控制体内纳米机器人以杀死癌症肿瘤的可能性。相反，al-Rifaie和Aber使用随机扩散搜索来帮助定位肿瘤。群体智能也已应用于数据挖掘等领域。如：Ant-basedrouting，DoRoO等人和HewlettPackard在20世纪90年代中期以来研究了基于蚂蚁的路由算法在电信网络中的应用。
【来源：wiki；https://en.wikipedia.org/wiki/Swarm_intelligence】
RadhikaNagpaletal：开发人工蜂群智能技术
所谓集群机器人（SwarmRobotics）或者人工蜂群智能（ArtificialSwarmIntelligence），就是让许多简单的物理机器人协作。就像昆虫群体一样，机器人会根据集群行为行动，它们会在环境中导航，与其它机器人沟通。
与分散机器人系统不同，群峰机器人会用到大量机器人，它是一个灵活的系统。RadhikaNagpaletal.领导的团队以及其他包括哈佛在内的许多科研机构都在研究这门技术。
此技术未来若能获得成功，群峰机器人将会展示巨大的潜力，影响医疗保健、军事行业。机器人越来越小，未来，我们也许可以让大量纳米机器人以群峰的形式协调工作，在微机械、人体内执行任务
【来源：机器之心；大神和他们的“改变未来”技术：值得你了解的15名伟大工程师】
发展历史描述
Boids(1987)
Boids是一种人工生命项目，由CraigReynolds于1986年开发，模拟鸟类的群集行为（Flockingbehavior）。他关于这一主题的论文发表于1987年的ACMSIGGRAPH会议论文集。
与大多数人工生命模拟一样，Boids是紧急行为的一个例子;也就是说，Boids的复杂性源于各个代理遵循一系列简单规则的交互。在最简单的Boids世界中应用的规则如下：分离；对齐；凝聚力。下图是鸟类的Flockingbehavior案例
Self-propelledparticles-自行推进的粒子（Vicsek等人.1995）
自驱粒子（Self-propelledparticles，SPP），也称为Vicsek模型，由Vicsek等人于1995年引入，也是Vicsek于1986年引入的boids模型的一种特例。在SPP中的一系列粒子对群体进行建模，这些粒子以恒定速度移动，但通过在每次增加其局部邻域中的其他粒子的平均运动方向来响应随机扰动。SPP模型预测蜂群动物在群体水平上具有某些特性，无论群体中的动物类型如何。群集系统产生了出现在许多不同规模的紧急行为，其中一些行为既普遍又强大。找到捕获这些行为的最小统计模型已经成为理论物理学的挑战。
启发式
进化算法（Evolutionaryalgorithms，EA），粒子群优化（particleswarmoptimization，PSO），蚁群优化（colonyoptimization，ACO）及其变体在自然启发式领域占主导地位。这些都是大约在2000年左右发布的算法。
Stochasticdiffusionsearch(Bishop1989)
随机扩散搜索（Bishop1989）
1989年首次发布的随机扩散搜索（Stochasticdiffusionsearch，SDS）是第一个群智能元启发式。SDS是一种基于智能体的概率全局搜索和优化算法，最适合于将目标函数分解为多个独立的部分函数的问题。每个代理包含一个假设，该假设通过评估由代理的当前假设参数化的随机选择的部分目标函数来迭代测试。在SDS的标准版本中，这种部分功能评估是二进制的，导致每个代理都变得活跃或不活跃。关于假设的信息通过代理之间的通信在人群中传播。与ACO中使用的传递不同，SDS中的代理通过一对一的通信策略来传递假说。全局最优解。SDS算法是一种高效、鲁棒的全局搜索和优化算法，在数学上得到了广泛的描述。最近的工作涉及将SDS的全局搜索特性与其他群智能算法合并。
Antcolonyoptimization(Dorigo1992)
蚁群算法（AntColonyOptimization,ACO），又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。它由MarcoDorigo于1992年在他的博士论文“Antsystem:optimizationbyacolonyofcooperatingagents”中提出。一份从论文中提取的技术报告五年后出版，由V.Maniezzo和A.Colorni合著。1996年，蚂蚁系统的文章出版。1996年，Hoos与Stützle发明了最大最小蚂蚁系统。1997年，Dorigo和Gambardella发布了蚁群系统。
Particleswarmoptimization(Kennedy,Eberhart&Shi1995)
粒子群优化算法(PSO：Particleswarmoptimization)是一种进化计算技术（evolutionarycomputation）。源于对鸟群捕食的行为研究。粒子群优化算法的基本思想：是通过群体中个体之间的协作和信息共享来寻找最优解．这种方法相对于其他全局最小化策略（例如模拟退火）的主要优点在于简单容易实现并且没有许多参数的调节。目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。
【来源：wiki；https://en.wikipedia.org/wiki/Swarm_intelligence】
主要事件
年份事件相关论文/Reference1987Reynolds,C.W.模拟鸟类的群集行为Reynolds,C.W.(1987,August).Flocks,herdsandschools:Adistributedbehavioralmodel.InACMSIGGRAPHcomputergraphics(Vol.21,No.4,pp.25-34).ACM.1989Bishop,J.M.提出随机扩散搜索Bishop,J.M.(1989,October).Stochasticsearchingnetworks.InArtificialNeuralNetworks,1989.,FirstIEEInternationalConferenceon(Conf.Publ.No.313)(pp.329-331).IET.1995Vicsek等人引入自驱粒子Vicsek,T.,Czirók,A.,Ben-Jacob,E.,Cohen,I.,&Shochet,O.(1995).Noveltypeofphasetransitioninasystemofself-drivenparticles.Physicalreviewletters,75(6),1226.2002Deb,K.,Pratap,A.,Agarwal,S.,&Meyarivan,T.A.M.T应用遗传算法来解决多目标优化问题Deb,K.,Pratap,A.,Agarwal,S.,&Meyarivan,T.A.M.T.(2002).Afastandelitistmultiobjectivegeneticalgorithm:NSGA-II.IEEEtransactionsonevolutionarycomputation,6(2),182-197.2005Dorigo,M.,&Blum,C.对蚁群算法进行回顾Dorigo,M.,&Blum,C.(2005).Antcolonyoptimizationtheory:Asurvey.Theoreticalcomputerscience,344(2-3),243-278.发展分析瓶颈
在美国总统大选时，UnanimousA.I.也曾做过预测，并认为希拉里当选。它的方法是直接以人为分析对象，即通过询问参与的选民一组类似的问题，如：“如果希拉里担任总统，失业问题将如何改善？”参与预测的选民可从五个答案中选择，即“大幅改善”、“略微改善”、“大幅加剧”、“略微加剧”以及“没有任何变化”。此外，可选的答案还有“希拉里胜算很大”、“希拉里略胜一筹”、“特朗普胜算很大”、“特朗普略胜一筹”以及“不相上下”。
在UnanimousA.I.进行的预测中，有45个选民参与，其中46%为民主党人，24%为共和党人，30%在党派上保持中立或属于其它党派。
从设计的问题和选取的对象看，由UnanimousAI开发的swarmAI-UNU的预测则明显倾向希拉里。UnanimousA.I.直接以人为分析对象并使用了一种所谓的“群集智能”的技术。即在实际预测中，一组随机选取的适龄参选的公民会被提问，参与者按照自己的回答倾向牵动球体。在这一过程中，参与者往往会根据球位置的变化而不断变化自己的选择——当发现多数人也支持自己的选择时，他可能会更加坚定地牵引；而当发现球大大偏离自己希望的方向时，他可能会放弃或减小牵引力，直至最终达成“共识”。
有专家评论说，UnanimousAI采用“集群智能”技术搜集数据的方法更带有偏见性，这种偏见通过问题的设定和对象的选取得到了充分体现。但是很明显的看出：群体智慧有失效的时候。
【来源：机器之心；【重磅】2017奥斯卡大奖揭晓，群集智能AI成功预测12项（技术解析） 】
未来发展方向
群体智慧有失效的时候。例如，美国总统大选时UnanimousA.I.的预测。为了找出那些不为多数人所知的正确信息，普林斯顿大学和MIT的研究者设计了一种新的方法，将其称为“意外流行”（surprisinglypopular）算法。研究人员表示，这种算法能更好地从群体中获取正确答案，尤其是当大多数人的看法是错误的时候。相关论文日前在2017年Nature发表《Asolutiontothesingle-questioncrowdwisdomproblem》。
实验中，研究人员会询问接受调查的人他们对某个问题的看法，以及他们认为其他人会如何看待这个问题：①你认为正确答案是什么？②你认为流行的答案（即多数人会选择的回答）是什么？
然后，算法会找出“意外流行”的答案，也就是比大多数人预测中更受欢迎的答案。大部分情况中，这些超出大多数人预计的选择，就是正确的答案。
“我们以为社会平均意见一般是对的，过往对群体智慧的统计也支持这一看法，”研究负责人、MIT斯隆管理学院的行为经济学家DrazenPrelec说：“但事实证明并非如此。有像医生那样的专家存在。这让我们意识到了少部分人掌握的知识。也就是：真理掌握在少数人手里的”
【来源：机器之心；【重磅】2017奥斯卡大奖揭晓，群集智能AI成功预测12项（技术解析） 】
Contributor：RuiyingCai
[wiki翻译]分布式人工智能
分布式人工智能（DAI）也被叫做去中心化人工智能，他是人工智能研究领域的一个子领域，致力于开发分布式解决方案。
DAI与多智能体系统（Multi-agentsytem）领域域切相关，并且是多智能体系统的前身。
请注意，多智能体系统（Multi-Agentsystem）的概念在后面会多次出现。
文章目录1定义2设计目标3发展历史4例子5方法6应用7工具8AgentsandMulti-agentsystems9Softwareagents10挑战11另请参阅12参考文献13阅读更多写在最后1定义分布式人工智能（DAI）是一种用来解决复杂的学习，计划和决策问题的方法。
由于它是高度并行的，因此它能够进行大规模的计算并且充分利用分布式的计算资源。这种特性能够让它处理那些含有非常大的数据集的问题。
DAI系统由分散的自主学习处理节点（agents）组成，通常规模非常庞大。DAI节点可以独立运行，也可以通过节点之间的异步通信方式进行集成。
凭借其规模，DAI系统既坚固又有弹性，并能根据需要进行松散耦合。
此外，由于重新部署的规模和难度，DAI会在构建时就会被设计成能够适应问题定义变化，底层数据集的变化的系统。
DAI系统（是去中心化的）不需要将所有相关数据集中在一个单一的位置，而中心化的人工智能系统的节点之间往往或紧密或耦合的处于物理上相近的位置。因此，DAI系统常常会用来处理超大数据集的子样本或超大数据集的hash映像。
此外，源数据集可能在DAI系统执行过程中发生更改或更新。
2设计目标分布式人工智能系统的设计目标是解决人工智能的推理、规划、学习和感知等问题，特别是在需要大量数据的情况下，通过将问题分发给自主处理节点(agents)。
要实现这一目标，DAI需要:
能够对那些不可靠甚至失效的资源进行鲁棒且具有弹性的计算能够协调节点之间的行动和沟通是一个大数据集和在线机器学习的一部分目前DAI研究的主流问题包括以下几类：
并行计算类问题：其主要讨论的是传统人工智能概念在分布式背景下的改变和应用，以此可以来应用多处理机系统和计算机集群来加速计算。
分布式问题的解决（DPS）：将每一个agent作为一个能够独立解决DPS问题的个体。详情见下文。
基于多智能体系统的仿真（MABS）：它是DAI的一个分支。它为那些需要同时在宏观和微观层面上分析现象的模拟奠定了基础。比如说许多社会模拟场景就需要涉及到MABS。
3发展历史1975年，分布式人工智能作为人工智能的一个子领域出现，主要研究的是agent之间的交互作用。
在当时，分布式人工智能系统被认为是一组被称为agent的智能实体，它们通过合作、共存或竞争进行交互。
后来DAI被分为多智能体系统和分布式问题求解两个部分。
在多智能体系统中，主要关注的是agent之间，如何去协调它们之间的信息交互和控制下一步的行为。
而分布式问题解决，主要关注的是问题的分解和解决方案的综合。
4例子多智能体系统和分布式问题求解是DAI的两种主要方法。有许多应用程序和工具。
5方法目前存在两种类型的DAI：
在多智能体系统（Multi-agentsystem）中，agent协调它们的知识和活动，并对协调过程进行推理。agent是物理的或虚拟的实体，可以行动，感知它的环境和其他agent通信。agent是自主的，具有实现目标的技能。agent通过其行为改变其环境的状态。在这之中，有许多不同的协调技术。在分布式问题解决（DPS）中，所有的工作被分配给各个节点，信息同时也在各个节点之间共享。在这之中，最被关注的是如何进行任务的分配，以及如何将信息与解决步骤准确而巧妙的安排起来。6应用当前的分布式人工智能在许多的领域都有着应用：
电子商务，例如在交易策略系统中，DAI系统可以从非常大的金融数据样本的子样本中来学习金融交易规则网络通信，例如在电信方面，DAI系统可以控制WLAN网络中的资源调度路径规划，例如用来设计运输网络中的车流模型任务调度，例如流水作业调度，其中资源管理器需要保证局部之间的能够优化和配合，同时还要保证局部与全局之间的一致性。通过多智能体系统（Multi-Agentsystems）来开展人工生命、模拟生命的研究电力系统，如用于变压器状态监测的多代理系统(COMMAS)，IntelliTEAMII自动恢复系统7工具ECStar一个基于规则的分布式学习系统
8AgentsandMulti-agentsystems引申阅读：Multi-agent_system§Applications
agent的概念：它可以被认为是具有标准边界和为解决问题而设计的接口的不同实体。
Multi-Agentsystem的概念：MAS（多智能体系统）被定义为一个松散耦合的智能体网络，他们像社会一样作为一个单一的实体来解决单个智能体无法解决的问题。
9SoftwareagentsDPS和MABS中使用的关键概念是称为Softagents的抽象。一个agent通常是一个物理或虚拟上的自主实体，它能够自主的了解自己所处的环境并采取行动。一个agent通常能够与同一个系统中的其他agent进行通信，来完成一个单个实体无法独立完成的目标。这种通信新系统采用agent之间专用的通讯语言。
介绍一个对agent进行有效分类的方法：
映射型agent：这种agent不过是一个单纯的接收输入，处理输入，产生输出的自动机解释型agent：与映射型不同，解释型agent往往能够更加其环境而产出一个内部的观点（internalview），并且能够按照预先设定好的计划行事。混合型agent：它是前两种的混合体。它可以在特定的时候遵循自己的计划，但有时也会不经过深思熟虑直接对外部事件作出反应。被公认的agent架构：
ASMO（分布式模块的出现）BDI（包含意图模块，是一种描述计划如何制定的通用架构）InterRAP（三层架构，有反应层、商议层、社交层）PECS：(物理、情感、认知、社会)描述了这四个部分如何影响行动者的行为Soar(一种基于规则的方法)10挑战分布式AI面临的挑战是:
如何进行代理之间的通信和交互，使用哪种通信语言或协议。
如何确保agent之间的一致性。
如何通过公式、描述、分解和分配在“intelligentagents组”中的综合结果。
11另请参阅CollectiveintelligenceFederatedlearningSimulatedrealitySwarmIntelligence12参考文献Demazeau,Yves,andJ-P.Müller,eds.DecentralizedAi.Vol.2.Elsevier,1990.^Catterson,VictoriaM.;Davidson,EuanM.;McArthur,StephenD.J.(2012-03-01).“Practicalapplicationsofmulti-agentsystemsinelectricpowersystems”(PDF).EuropeanTransactionsonElectricalPower.22(2):235–252.doi:10.1002/etep.619.ISSN1546-3109.A.BondandL.Gasser.ReadingsinDistributedArtificialIntelligence.MorganKaufmann,SanMateo,CA,1988.BrahimChaib-Draa,BernardMoulin,RenéMandiau,andPMillot.Trendsindistributedartificialintelligence.ArtificialIntelligenceReview,6(1):35-66,1992.
NickRJennings.Coordinationtechniquesfordistributedartificialintelligence.Foundationsofdistributedartificialintelligence,pages187-210,1996.
DamienTrentesaux,PhilippePesin,andChristianTahon.Distributedartificialintelligenceforfmsscheduling,controlanddesignsupport.JournalofIntelligentManufacturing,11(6):573-589,2000.
Catterson,V.M.,Davidson,E.M.,&McArthur,S.D.J.Practicalapplicationsofmulti-agentsystemsinelectricpowersystems.EuropeanTransactionsonElectricalPower,22(2),235–252.201213阅读更多Hewitt,Carl;andJeffInman(November/December1991).“DAIBetwixtandBetween:From‘IntelligentAgents’toOpenSystemsScience”IEEETransactionsonSystems,Man,andCybernetics.Volume:21Issue:6,pps.1409–1419.ISSN0018-9472Shoham,Yoav;Leyton-Brown,Kevin(2009).MultiagentSystems:Algorithmic,Game-Theoretic,andLogicalFoundations.NewYork:CambridgeUniversityPress.ISBN978-0-521-89943-7.Sun,Ron,(2005).CognitionandMulti-AgentInteraction.NewYork:CambridgeUniversityPress.ISBN978-0-521-83964-8Vlassis,Nikos(2007).AConciseIntroductiontoMultiagentSystemsandDistributedArtificialIntelligence.SanRafael,CA:Morgan&ClaypoolPublishers.ISBN978-1-59829-526-9.Grace,David;Zhang,Honggang(August2012).CognitiveCommunications:DistributedArtificialIntelligence(DAI),RegulatoryPolicyandEconomics,Implementation.JohnWiley&SonsPress.ISBN978-1-119-95150-6写在最后2019年6月15日确定自己研究生方向为分布式人工智能方向
发现关于分布智能或distributedai关键词的中文资料太少
萌生翻译wiki词条，翻译国外一些文章的想法。
2020.6.19初尝翻译文献，整个过程是非常痛苦的。
结合各大翻译软件，小初高语文知识想要用中文说的通俗易懂，然而该方面专业知识不足是硬伤，无法做到像中文一样流利的输出。
在后续的时间，会继续深入学习，并不断提高自己的翻译能力和对该领域的认知。
包括这篇文章，我也会不断去修改，优化，Ipromise。
非常期待您的建议和指导。
2020.6.21在写完分布式优化算法的背景，应用场景，研究动态这篇博客后，对这篇翻译重新做了一些修改。
尤其是前五个小节修改的尽量通俗且易懂。我是不是应该把一些（url）添加上去？
什么是人工智能 (AI)
虽然在过去数十年中，人工智能(AI)的一些定义不断出现，但JohnMcCarthy在2004年的文章 (PDF,127KB)(链接位于IBM外部)中给出了以下定义："它是制造智能机器，特别是智能计算机程序的科学和工程。AI与使用计算机了解人类智能的类似任务有关，但不必局限于生物可观察的方法"。
然而，在这个定义出现之前数十年，人工智能对话的诞生要追溯到艾伦·图灵(AlanTuring)于1950年出版的开创性作品"计算机器与智能"(PDF,89.8KB)（链接位于IBM外部）。在这篇论文中，通常被称为“计算机科学之父”的图灵提出了以下问题：“机器能思考吗？” 他在这篇文章中提供了一个测试，即著名的“图灵测试”，在这个测试中，人类询问者试图区哪些文本响应是计算机做出的、哪些是人类做出的。虽然该测试自发表之后经过了大量的审查，但它仍然是AI历史的重要组成部分，也是一种在哲学中不断发展的概念，因为它利用了有关语言学的想法。
StuartRussell和PeterNorvig随后继续发表了“人工智能：一种现代方法 ”（链接位于IBM外部），成为AI研究方面的重要教材之一。在这本书中，他们深入探讨了AI的四个潜在目标或定义，基于理性、思考和行动来区分计算机系统：
人类方法：
像人类一样思考的系统像人类一样行动的系统理想方法：
理性思考的系统理性行动的系统艾伦·图灵的定义可归入"像人类一样行动的系统"类别。
以最简单的形式而言，人工智能是结合了计算机科学和强大数据集的领域，能够实现问题解决。它还包括机器学习和深度学习等子领域，这些子领域经常与人工智能一起提及。这些学科由AI算法组成，这些算法旨在创建基于输入数据进行预测或分类的专家系统。
目前，仍有许多围绕AI发展的炒作，市场上任何新技术的出现都会引发热议。正如Gartner在其hypecycle技术成熟度曲线（链接位于IBM外部）中指出的那样，自动驾驶汽车和个人助理等产品创新遵循“一个典型的创新周期，从欲望膨胀到期望幻灭、到最终了解创新在市场或领域中的相关性和作用。”正如LexFridman在2019年麻省理工学院演讲中指出的那样(01:08:15)（链接位于IBM外部），我们正处于欲望膨胀高峰期，接近幻灭的谷底期。
随着对话围绕AI的伦理道德展开，我们可以开始看到幻灭谷底初见端倪。如想了解更多关于IBM在AI伦理对话中的立场，请阅读这里了解更多信息。
人工智能:如何颠覆未来战争
当前,世界正处于智能革命的前夜，人类社会正从“互联网+”时代迈入“智能+”时代。近年来，在大数据、新型算法和超级计算的推动下，人工智能正在改变乃至颠覆所触及的每一个行业，战争亦不例外。从水下潜航器到无人机集群，从预测性维修软件到智能决策助手，人工智能正以前所未有的广度与深度影响着战争的不同领域，推动着新一轮军事变革，战争形态和面貌正悄然被改变。
庙算为先，战争设计日趋精细
《孙子兵法》曰：“夫未战而庙算胜者，得算多也；未战而庙算不胜者，得算少也。”纵观人类战争史，“多算胜，少算不胜”是亘古不变的定理。
未来战争对“庙算”的依赖度有增无减,人工智能至少可以从两方面增强战争预判的有效性：
一是更加精确地计算并预测战争结果。在先进算法和超算能力的支撑下，人工智能系统的计算和预测结果比人脑更加准确。二是借助兵棋系统能更加有效地检验和优化作战方案。例如，融入人工智能的兵棋系统能够和人开展人机对抗，有助于人们发现问题、查找弱项。特别是将深度学习等算法引入兵棋系统后，智能系统的行为将变得深邃多变，有助于突破人类的既定思维，增强兵棋推演的对抗性和真实性，达到优化方案的目的。此外，还可利用智能兵棋系统开展机机对抗，提高推演的效率。
2015年2月，美国国防部出台了《兵棋推演与创新》备忘录，提出要将机器学习引入兵棋推演。目前，兰德公司、雷神公司已经开始这方面的尝试。一旦将研发成熟的智能软件应用于兵棋推演，不仅能提高优化方案和预测战局的水平，还能更精确地预测战争涉及的兵力规模、弹药消耗、持续时间和保障需求等，显著提升对战争设计的能力。
速度制胜，作战节奏空前加快
在信息时代,战争遵循“快吃慢”制胜法则，海湾战争以来的几场战争中，美军之所以能够屡战屡胜，其关键在于始终做到了“棋快一招”。
如今，人工智能的反应速度已经完全“碾压”人脑。2016年，在一次模拟空战中，美国辛辛那提大学研发的“阿尔法”智能软件操控F-15战机，击败了由人驾驶的F-22战机，其原因就在于该智能软件的反应速度是人类大脑反应速度的250倍！今年10月，美国密苏里大学地理空间情报中心公布了一份研究成果显示，该中心基于深度学习技术开发了一种算法模型，能够在42分钟内搜索并识别出某国东南沿海地区近9万平方千米内的导弹发射场，速度比人类分析师快85倍，准确率达到专家级影像分析师水平。
正因如此，近年来，美、俄等军队将目光投向了人工智能，意图利用人工智能的速度优势，缩短己方在战场上的决策周期，牢牢掌握行动优势。今年7月，俄罗斯武器制造商卡拉什尼科夫公司宣称，已研制出基于人工神经网络的全自动战斗模块，能做到发现即摧毁。另外，美军则在研发自动化数据分析工具、自动目标识别软件、机载智能决策助手、数字化空中作战规划员等智能工具，意图在决策周期各个环节上减轻情报和作战人员的负担，提高决策效率。而在今年11月，美国国防部算法战项目负责人呼吁：今后美军采购的任何武器系统都应融入人工智能。
可以预见，今后随着越来越多的智能化武器系统投入战场，战场上的作战反应时间将越来越短，交战行动将空前激烈，并最终超出人类的理解和应对能力。
自主对抗，作战模式引发变革
20世纪以来，侦测技术的发展和信息化浪潮下感知技术的进步，推动了“传感器-射手-武器平台”这一人机协作式作战链诞生。
随着人工智能技术的发展，能够自动识别、锁定和打击目标的智能化武器系统逐渐出现，并能代替人类执行简单的决策命令。如美军的舰载“宙斯盾”系统、以军的“铁穹”系统、俄军的“竞技场”主动防护系统、法军的“鲨鱼”系统，等等。不过，这些系统的智能化水平目前还不高，自主交战模式通常是最后选项。
未来，随着传感技术、新型算法、大数据技术等智能化技术群的进步，武器系统的自主行动能力将大幅提升，武器系统自主对抗的情况将越来越普遍。而在特定作战领域，如网络空间和电磁频谱领域，人类只能依托智能化武器系统进行自主对抗。与此同时，随着高超音速武器和集群作战的出现，战争将进入“秒杀”和“群架”时代，利用智能系统自主迎战几乎是唯一出路。
未来，随着智能化武器系统的自主对抗成为新常态，作战模式将逐渐从“人在回路中”向“人在回路上”转变。新模式的主要特征可概括为“指挥之中、控制之外”，即在多数情况下，人类战士扮演监督员的角色，负责在开战前输入目标特征和设定交战规则，观察战场交战情况等。需要指出的是，在新模式下人依然是最终决策者，人类战士将根据需要自主进出作战链，采取必要的干预措施。新模式的最大优势是可以使人类战士从纷繁复杂的决策中解放出来，聚焦于主要决策和关键任务。如何确保人类能够随时接管控制权，将是今后一段时期内，人机协同技术发展面临的最大挑战。
集群作战，让消耗战重焕生机
在冷兵器和机械化战争时代，消耗战是基本作战方式，“多吃少”是战场制胜的基本法则。
上世纪70年代以来，随着隐形技术、卫星定位系统、精确制导武器的登场，“多吃少”的战争法则被彻底打破。近年来，随着传感技术、仿生技术、微型化技术和人工智能技术取得长足发展，集群式作战构想再次受到各国军队的重视。所谓集群作战，是指集中部署成百上千个智能化武器，从多个方向对目标实施攻击。与传统作战方式相比，集群作战具备四大优势：
一是单个平台小型化，战场生存能力大幅提升；二是去中心化，个体的损失不影响整体功能；三是成本低廉，数量庞大，作战效费比成倍提高；四是可实施饱和攻击，瘫痪敌防御体系。不难看出，集群作战能够达成“数量即质量”的效果，因此,被认为是智能时代的消耗战。
美军将集群作战视为战争游戏规则的改变者，认为集群作战尤其适合应对反介入/区域拒止威胁。当前，美国国防部同时瞄准水下、水面和空中，推进多个集群研发项目，力求具备多维空间集群作战能力。此外，美军各军种正竞相开发集群作战概念，如海军陆战队设想让无人作战集群充当登陆先锋，执行战场感知、排雷除障等任务，为陆战队员抢滩上陆创造条件。
从水下“狼群”到地面“蚁群”再到空中“蜂群”，集群作战将在未来智能化战场上大行其道。“人海战术”将改头换面重新登场，消耗战的天平将向具备集群作战能力的一方极度倾斜。未来可能出现这一场景：一边是遮天蔽日、蜂拥而至的智能机器，另一边是惊慌失措、形单影只的人类战士……（陈航辉）