Наряду с военными приложениями дронов растут и гражданские. В целом отрасль, связанная с БПЛА, представляет собой наиболее быстроразвивающийся сегмент робототехники, в нем заняты десятки стран, в 2019 году размер бизнеса составил уже 12 млрд долл. при ежегодном росте около 20 %, и судя по всему, в ближайшем будущем будет только еще расти.

Еще одним направлением роботостроения стало изучение и моделирование поведенческих особенностей сообществ простых существ, точнее, их удивительную способность к децентрализованному принятию решений. Такие сообщества представляют пример природного синергетического эффекта, когда совокупная способность больше суммы способностей отдельных частей. В данном случае из примитивного поведения единичной особи образуется коллективный интеллект, или интеллект роя (Swarm Intelligence, SI), он обеспечивает принятие таких решений, которые по своей сложности заведомо недоступны одной отдельно взятой особи. Кто не наблюдал за поведением муравьев или необыкновенными пируэтами птичьих или рыбьих стай и не поражался согласованности их действий и не задавался вопросом, чем обеспечена их координация?

Поведение насекомых объясняется эффектом стигмергии, т. е. спонтанного непрямого взаимодействия, термин переводится с греческого как «расставление меток». Оставляя свои метки одни живые существа стимулируют или подавляют действия других членов сообщества, чем обеспечивается самоорганизация. Классическим примером стигмергии, служит обозначение своей территории кошками, собаками и другими зверями. Она же позволяет образовывать сложные внешне разумные сообщества из простых живых существ, причем без какого-либо планирования, контроля, или даже прямой связи между индивидами. Понятие «стигмергия» в приложении к самоорганизации насекомых и птиц было введено в 1959 году французским зоологом Пьером-Полем в процессе исследования «разумного» поведения муравьев, но раскрыть секреты, лежащие в основе согласованного поведения удалось исследователю из Стэнфордского университета Деборе Гордон в начале 90-х годов. Она изучала механизм SI на примере деятельности муравьев-термитов, каждый из которых не обладает каким-либо интеллектом, но их колония в целом действует весьма разумно. Выяснилось, что SI образуется посредством обмена несколькими байтами между членами такого сообщества, их оказывается достаточно для организации целесообразного децентрализованного коллективного поведения. Последовавшие в конце прошлого века исследования показали, что примерно на тех же принципах основано коллективное поведение пчелиных семей, птичьих стай и даже человеческих сообществ.

Первые опыты практического применения SI для оптимизационных приложений датируются серединой девяностых годов прошлого века, SI открывает принципиально новые возможности в области анализа данных. За время использования SI в оптимизационных задачах были созданы десятки различных подходов, из этого разнообразия можно выделить три основных типа алгоритмов: муравьиный алгоритм (Ant Colony Optimization, ACO), метод оптимизации роем частиц (Particle Swarm Optimization, PSO) и пчелиный алгоритм (Bee Colony Optimization, BCO).

• Муравьиный алгоритм (ACO). В начале 90-х Марко Дориго, ученый из Брюссельского свободного университета, первым применил математические процедуры, основанные на SI, для решения таких задач как организация грузоперевозок, управление авиалиниями, координация действий боевых роботов. Дориго – автор алгоритмов метаэвристической (metaheuristic – «поиск за пределами») оптимизации, базирующейся на подражании муравьиной колонии, которая оказалась эффективной для нахождения приближенных решений задач, сводящихся к задаче коммивояжера. Суть подхода заключается в анализе и использовании модели поведения муравьев, ищущих пути от колонии к источнику питания. Первая версия алгоритма, предложенная Дориго в 1992 году, была направлена на поиск оптимального пути в графе. Сущность ACO чрезвычайно проста – алгоритм имитирует действие феромонов, биологически активных веществ, выделяемых животными и специфически влияющих на поведение других особей. Выделяя феромоны, насекомые подают разные сигналы, например, так они обозначают метками пройденный ими путь, по этим меткам муравей может найти путь обратно в муравейник или метки показывают дорогу другим к найденной добыче. Простой эксперимент – на отмеченном пути от муравейника к источнику пищи поставлен барьер, причем так, что обход с одной стороны длиннее, чем с другой, в изменившейся ситуации сначала выбор направления обхода будет случайным, но потом окажется, что с той стороны, где путь короче, плотность потока муравьев больше, поскольку насекомые выделяют больше фермента и сильнее привлекают в нужную сторону оставшихся. Через какое-то время колония будет пользоваться только коротким путем. Примерно так же решаются и более сложные задачи – например, распределение работы по добыче еды и ремонту муравейника. Система моделирования Ant Colony System, предложенная Дориго, имитирует эту схему на графах, в ней могут видоизменяться способы распространения и восприятия «феромонов».

• Метод оптимизации роем частиц (PSO) возник из попыток объяснить синхронное перемещение птичьих или рыбьих стай, он был предложен психологом Джеймом Кеннеди и инженером Расселом Эберхартом, которые в 1995 году выпустили книгу Swarm Intelligence. В основе их метода лежит эволюционный алгоритм (Evolutionary Algorithm, EA), имитирующий социальное поведение особей в стае. Совокупное поведение всей стаи складывается из поведения каждой отдельной особи, которое лишено малейших признаков антагонизма и даже несет на себе оттенок альтруизма. Эти особенности поведения особей позволяют сложиться своего рода кооперации, где за счет возможных небольших ущербов для каждого выигрывает вся популяция в целом. Средствами SI моделируются виртуальные стаи, состоящие из условных организмов – частиц, существование которых состоит в перемещении в многомерном пространстве решений. Изменение положения отдельной частицы, точно так как особи в рое живых существ, определяется не только стремлением к конкуренции за доступные ей ресурсы, но одновременно примитивным альтруизмом, выражающемся в координации собственного поведения с поведением и соседей с возможным ущербом для себя. Каждая частица может менять свое положение и скорость в пространстве поиска ресурсов, она стремится занять оптимальный для себя участок в пространства решений, но так, чтобы улучшая собственное положение в минимальной степени затрагивать интересы соседних частиц.

• Пчелиный алгоритм BCO имеет более чем десятилетнюю историю, в отличие от ACO и PSO здесь воспроизводится более сложная иерархическая система отношений, состоящая из особей с разным статусом: матка, рабочие пчелы и трутни. Для практических исследований в области интеллекта роя используются простейшие роботы. В 2003 исследовательская группа из нескольких университетов, возглавляемая Стэнфордским исследовательским центром (SRI International, SRI) построила специальный рой из 100 роботов Centibots, в задачу которого входил поиск объектов в заданном регионе. Из этих исследований выросло новое направление, именуемой групповой робототехникой, ставящее своей целью координированную работу систем, которые состоят из большого числа в основном простых физических роботов.

Еще совсем недавно проблемы интеллекта роя интересовали зоопсихологов и энтомологов, а также академических исследователей AI. Но успехи микроэлектроники и микромеханики открыли возможность для создания искусственных существ, из которых можно создавать нечто подобное рою, и это немедленно привлекло к себе внимание тех, кто создает новые типы вооружения. В 2019 году правительства Великобритании и США заявили о своем намерении созывать эскадрильи из роботов, построенные по принципу роя (swarm squadrons). Они будут состоять из небольших по размеру взаимодействующих между собой БПЛА, от прежнего поколения их принципиально отличает способность к самоорганизации. Каждый из роботов является самостоятельным агентом, но совместно они объединены общей целью примерно так, как футболисты на поле. Пока эти технологии находятся на уровне экспериментов.

Упомянутый выше Луис Розенберг основал компанию Unanimous A. I., название которой можно перевести как единодушный AI, он использует подходы, основанные на интеллекте роя для усиления суммарного интеллекта группы людей. Розенбергу удалось сделать целый ряд успешных прогнозов, в том числе предсказать победу Дональда Трампа на выборах в 2016 году. За это в том же году он был удостоен награды «Человек года в AI», (AI Person of the Year) а его компания получила приз за лучшее приложение AI (Best Consumer Application of AI),