Between collective intelligence and semantic web : hypermediating sites. Contribution to technologies of intelligence
Paul-Valéry University（保罗·瓦莱里大学）；LERASS-Céric
在本文中，我们提出了一种新的形式，通过我们所谓的“超中介网站”获取知识。这些超中介网站是介于信息设备和“真正的”超文本写作格式之间的媒介，信息设备只是扫描书籍文化。
2018-01-08 cs.AI cs.IT math.IT
MAgent: A Many-Agent Reinforcement Learning Platform for Artificial Collective Intelligence
Shanghai Jiao Tong University（上海交通大学）；University College London（伦敦大学学院）
我们介绍了MAgent，一个支持多智能体强化学习研究和开发的平台。与以前的单智能体或多智能体强化学习研究平台不同，MAgent专注于支持需要数百万智能体的任务和应用。在一群智能体之间的交互中，它不仅可以研究智能体最优策略的学习算法，而且更重要的是，可以观察和理解人工智能社会中出现的个体智能体的行为和社会现象，包括通信语言，领导力，利他主义。MAgent具有高度可扩展性，可以在单个GPU服务器上托管多达100万个代理。MAgent还为AI研究人员提供灵活的配置，以设计他们的定制环境和代理。在这个演示中，我们展示了在MAgent上设计的三个环境，并展示了通过从头开始学习而形成的集体智慧。
2017-12-02 cs.AI cs.LG cs.MA
Conceptual Framework Toward Embodied Collective Adaptive Intelligence
Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳人工智能与机器人研究院）
本文提出面向具身集体自适应智能（CAI）的概念框架，界定任务泛化、韧性、可扩展性与自组装等关键属性，以连接理论基础与工程方法，指导构建更具适应性的 AI 系统。
2025-07-01 cs.AI
The Computational Foundations of Collective Intelligence
University of Leeds, UK（利兹大学）；University of Rochester, USA（罗切斯特大学）；Johns Hopkins University, USA（约翰霍普金斯大学）
本文提出集体智能的计算基础框架，论证集体因拥有更大计算资源而优于个体，并产生群体智慧、集体感知、劳动分工和文化学习等智能形式，且通过动物导航与决策案例展示集体采用性质不同的策略。
2025-09-06 cs.AI cs.MA cs.NE
Artificial Collective Intelligence Engineering: a Survey of Concepts and Perspectives
Alma Mater Studiorum–Università di Bologna（博洛尼亚大学）
本文从计算机科学家和工程师的视角综述了人工和计算集体智能工程的概念与视角，通过提供研究图谱来整合碎片化的研究，并识别了该领域的机遇与挑战。
2023-04-11 cs.AI cs.DC cs.MA
Artificial Intelligence for Collective Intelligence: A National-Scale Research Strategy
University of Bath（巴斯大学）；Cardiff University（卡迪夫大学）；University of Glasgow（格拉斯哥大学）；University of Exeter（埃克塞特大学）；University of Bristol（布里斯托尔大学）；University College London（伦敦大学学院）；Ulster University（阿尔斯特大学）
本文提出一项国家级跨学科研究战略，旨在通过AI增强集体智能，以应对医疗、金融、基础设施和可持续性等社会挑战。
2024-11-09 cs.AI cs.CY
An active inference model of collective intelligence
Carnegie Mellon University（卡内基梅隆大学）；University of Oxford（牛津大学）；Australian National University（澳大利亚国立大学）
到目前为止，集体智慧的正式模型缺乏一个合理的数学描述之间的关系高度自治的子系统组件（个人）和复合系统（集体）的全球规模的行为之间的局部规模的相互作用。在本文中，我们使用的主动推理公式（AIF），一个框架，用于解释任何非平衡稳态系统在任何规模的行为，以建立一个最小的基于代理的模型，模拟本地个人层面的互动和集体智慧（操作系统级的性能）之间的关系。我们探讨了提供具有特定认知能力的基线AIF代理（模型1）的影响：心理理论（模型2）;目标对齐（模型3）和具有目标对齐的心理理论（模型4）。认知能力复杂性的这些逐步转变是由AIF代理在由其他AIF代理填充的环境中持续和蓬勃发展所必需的进步类型所激发的，并且最近也被证明自然映射到人类认知能力的典型步骤。说明性的结果表明，逐步认知过渡，提高系统性能，提供互补的机制，代理的局部和全局最优之间的对齐。对齐从相互作用的AIF代理本身的动态中内生地出现，而不是通过对代理行为的激励（与现有的集体智能的计算模型相反）或集体行为的自上而下的先验（与现有的AIF多尺度模拟相反）来外源地施加。这些结果揭示了有利于人类和其他复杂适应系统中集体智慧的通用信息理论模式的类型。
2021-04-02 cs.AI cs.MA cs.SI
Symbolic-Vector Attention Fusion for Collective Intelligence
本文提出SVAF机制，通过分解多智能体信号并评估语义字段，实现知识融合与选择性过滤，提升集体智能性能。
2026-04-05 cs.AI cs.MA
Defining the Collective Intelligence Supply Chain
Crime and Security Research Institute（犯罪与安全研究院）；School of Computer Science & Informatics（计算机科学与信息学院）；Cardiff University（卡迪夫大学）
组织越来越接受审查，需要能够证明他们以公平和道德的方式运作。问责制应该扩展到人工智能系统中使用的数据和知识资产的生产和使用，就像生产实物产品中使用的任何原材料或流程一样。本文考虑了集体智慧，包括由众包劳动力产生的数据和知识，这些数据和知识可用作人工智能系统的核心组件。建议开发一个供应链模型，用于跟踪众包集体智慧资产的创建和使用，并将基于区块链的去中心化架构确定为提供验证，问责制和公平性的适当手段。
2018-09-25 cs.AI cs.CY
Operational Collective Intelligence of Humans and Machines
Institute for Creative Technologies, University of Southern California（南加州大学创意技术研究所）；Information Sciences Institute, University of Southern California（南加州大学信息科学研究所）
本文研究如何利用聚合众包预测（ACF）将人机团队的集体智能操作化，以在操作场景和决策中实现新的决策优势。
2024-02-16 cs.AI cs.HC
Superminds Test: Actively Evaluating Collective Intelligence of Agent Society via Probing Agents
University of Maryland（马里兰大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Carnegie Mellon University（卡内基梅隆大学）
研究通过Superminds测试评估代理社会的集体智慧，发现规模扩大并未带来集体智慧，交互浅显是主要限制因素。
2026-04-24 cs.AI cs.CL cs.LG
OpenHospital: A Thing-in-itself Arena for Evolving and Benchmarking LLM-based Collective Intelligence
School of Software Technology, Zhejiang University（浙江大学软件学院）；Laboratory for Statistical Monitoring and Intelligent Governance of Common Prosperity, Zhejiang Gongshang University（浙江工商大学共同富裕统计监测与智能治理实验室）；Tongyi Lab, Alibaba Group（阿里集团通义实验室）；Alibaba Cloud（阿里云）
提出OpenHospital交互式竞技场，通过医生代理与患者代理的互动进化集体智能，采用数据在代理自身范式快速提升能力并提供医学熟练度和系统效率的基准测试。
2026-05-31 cs.AI
Augmented Collective Intelligence in Collaborative Ideation: Agenda and Challenges
BCG Henderson Institute（波士顿咨询公司亨德森研究所）
本文探讨了增强集体智能（ACI）在协作构思中的应用，结合人类与大语言模型（LLMs）进行构思，并提出了设计ACI实验需解决的三大挑战，以推动相关实证研究。
2023-03-31 cs.AI cs.CY
Human/AI Collective Intelligence for Deliberative Democracy: A Human-Centred Design Approach
Knowledge Media Institute, The Open University（知识媒体研究所，开放大学）；Connected Intelligence Centre, University of Technology Sydney（连接智能中心，技术悉尼大学）
本文提出利用人工智能增强审议民主的集体智能概念，探讨以人类为中心的设计方法，通过协作设计方法识别挑战、细化用户场景并推导技术影响，展示AI支持下公民组织需求的实现案例。
2026-03-17 cs.AI cs.CY cs.HC
MACIE: Multi-Agent Causal Intelligence Explainer for Collective Behavior Understanding
AI-WEINBERG, AI Experts, Tel Aviv, Israel（AI-WEINBERG，AI专家，特拉维夫，以色列）
MACIE通过结合因果模型和反事实分析，为多智能体强化学习提供全面的因果解释，解决集体行为归因、涌现智能量化和可操作解释问题。
2025-11-11 cs.AI
Disaster Management in the Era of Agentic AI Systems: A Vision for Collective Human-Machine Intelligence for Augmented Resilience
Texas A&M University（德克萨斯A&M大学）
针对传统灾害管理存在的数据流碎片化、技术割裂等痛点，本研究提出多智能体系统Disaster Copilot，通过中央协调器统筹各领域子智能体，实现实时态势感知与灾害数字孪生升级，并提出三阶段发展路线，助力构建更具韧性的社区。
2025-10-21 cs.AI cs.LG cs.MA
Collective intelligence through aggregation
本研究探讨群体判断聚合的三大挑战（一致性、防操纵、真相追踪），证明相关定理，并指出中位数方法虽不完美但表现良好，以实现集体智能。
2026-10-06 cs.AI
The Hyper-Cortex of Human Collective-Intelligence Systems
从神经学的角度来看，个体智力研究讨论了大脑皮层的层次结构，它是一种执行概念抽象和规范的结构。这一理论被用来解释，负责书写和说话等不同行为模式的运动皮层区域，如何被用来表达在皮层层级中更高层次上代表的相同的一般概念。例如，一只狗的概念，在一个高级皮质神经元区域中表现出来，可以根据个人的背景来写或说。更高层的皮层区域向下投射，将抽象信息发送到运动皮层的特定区域，以进行上下文实现。在本文中，这一想法被扩展到将集体智能内的超皮层结构。这个超皮层是一个多层网络，用于表示抽象的集体概念。这些思想在理解如何设计集体智能系统来处理问题抽象和解决方案规范方面发挥了重要作用。最后，使用从数字图书馆元数据生成的人工超皮层解决了科学界的一系列常见问题。
2005-06-17 cs.AI cs.CY cs.DL
Enhancing Collective Intelligence in Large Language Models Through Emotional Integration
University of Iowa（爱荷华大学）；Tulane University（杜兰大学）；ByWater Institute（拜沃特研究所）
本研究通过 GoEmotions 数据集和 LoRA 微调 DarkIdol-Llama-3.1-8B 模型以整合情感多样性，验证了情感整合能在保持预测精度的同时塑造响应模式，从而有效增强大型语言模型的集体智能。
2025-03-05 cs.AI cs.CL cs.CY
Collective Privacy Recovery: Data-sharing Coordination via Decentralized Artificial Intelligence
School of Computing, University of Leeds（利兹大学计算学院）；ETH Zurich（苏黎世联邦理工学院）；Institute for a Secure and Sustainable Environment, University of Tennessee（田纳西大学安全与可持续环境研究所）；University of Tennessee（田纳西大学）
本文研究集体隐私恢复问题，提出利用去中心化人工智能协调数据集体按需共享最少数据，并通过涉及超过27,000次真实披露的生活实验室实验证明该方法能实现个人隐私恢复与服务商成本降低的双赢。
2023-07-10 cs.AI cs.CY cs.DC
Machine Collective Intelligence for Explainable Scientific Discovery
Korea Research Institute of Chemical Technology（韩国化学技术研究院）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
本文提出机器群体智能，结合符号主义与元启发式方法，实现自主进化发现 governing equations，无需人工知识，显著降低 extrapolation error。
2026-04-30 cs.AI physics.comp-ph
From prediction markets to interpretable collective intelligence
St. Petersburg State University（圣彼得堡国立大学）；Syncretis LLC（Syncretis有限责任公司）；St. Petersburg Department of V. A. Steklov Institute of Mathematics of the Russian Academy of Sciences（俄罗斯科学院V. A. 斯捷克洛夫数学研究所圣彼得堡分部）；HSE University（高等经济大学）
本文提出一种基于游戏货币的自我解决型预测市场机制，以最优方式从专家群体中引出命题概率及可解释的集体信息，激励高效协作解决科学或医学问题。
2023-09-01 cs.AI cs.GT cs.IT
Using Artificial Intelligence to Accelerate Collective Intelligence: Policy Synth and Smarter Crowdsourcing
Citizens Foundation（公民基金会）；The Governance Lab（治理实验室）；Citizens Foundation America（美国公民基金会）
本研究提出 Policy Synth 工具包，结合 AI 智能体与 Smarter Crowdsourcing 方法，通过真实案例证明其能更高效、可扩展地整合专家集体智慧，增强公共问题解决流程。
2024-06-03 cs.AI cs.CY
Soft Measures for Extracting Causal Collective Intelligence
Michigan State University（密歇根州立大学）；Two Six Technologies；University of South Alabama（南阿拉巴马大学）；SIFT
本文提出用大语言模型自动提取模糊认知图，并设计基于图的软相似性度量，通过Elo评分验证其与人类判断的相关性，指出需开发更贴合FCM细微差别的度量方法。
2024-09-27 cs.AI cs.CL cs.CY
Amplifying Human Creativity and Problem Solving with AI Through Generative Collective Intelligence
University of Michigan（密歇根大学）；Massachusetts Institute of Technology（麻省理工学院）；Stanford Institute for Human-Centered Artificial Intelligence（斯坦福以人为本人工智能研究院）；BCG Henderson Institute（波士顿咨询亨德森智库）；Xerox Palo Alto Research Center（施乐帕洛阿尔托研究中心）
本文提出生成式集体智能框架，让AI同时充当交互智能体与知识技术，在人类推理和AI模型间建立认知桥梁，以克服纯算法局限并应对复杂社会挑战。
2025-06-04 cs.AI
Organizing a Society of Language Models: Structures and Mechanisms for Enhanced Collective Intelligence
Federal University of Rio Grande do Norte (UFRN)（里奥格兰德联邦大学（UFRN））
本文提出将大语言模型组织为层级、扁平、动态和联邦式社区结构，通过任务专业化、通信、投票与市场机制及动态治理来增强集体智能，为从孤立运行向协同式AI框架的范式转变奠定研究基础。
2024-05-06 cs.AI
The Society of HiveMind: Multi-Agent Optimization of Foundation Model Swarms to Unlock the Potential of Collective Intelligence
ETH Zurich（苏黎世联邦理工学院）
本文提出 Society of HiveMind（SOHM）框架，依据进化理论协调多个基础模型交互；实验显示其显著提升逻辑推理任务，但对现实知识任务收益有限，证明多样化模型可形成自我改进的人工集群智能。
2025-03-13 cs.AI cs.NE
Collective Intelligence for Control of Distributed Dynamical Systems
我们考虑El Farol酒吧问题，也被称为少数人游戏（W。B. Arthur，“The American Economic Review”，84（2）：406- 411（1994），D. Challet和Y.C. Zhang，"Physica A“，256：514（1998））。我们认为这是一个实例的一般问题，如何配置的节点元素的分布式动力系统，使他们不“工作在交叉业务”，在他们的集体动力学避免挫折，从而实现了一个提供的全球目标。我们总结了一个数学理论，这种配置适用时（如在酒吧的问题）的全局目标可以表示为最小化的全球能源功能和节点可以表示为最小的本地自由能函数。我们表明，该理论设计的系统几乎最佳的酒吧问题。
1999-08-17 adap-org cond-mat cs.AI
The inherent goodness of well educated intelligence
BNZ Energy Inc.（BNZ能源公司）
本文探究生物与人工智能的本质，提出智能核心是“知晓局部行动的全局后果”，给出无需添加粘性即可稳定集体保守系统最优亚稳态的方法，并指出受过良好教育的智能内在为善，训练出的短视智能内在为恶。
2026-09-15 cs.AI physics.soc-ph
AI of the People, by the People, for the People: A Social Choice Approach to Collective Control of Artificial Intelligence
Institute of Logic and Computation, TU Wien（逻辑与计算研究所，维也纳技术大学）；Hasso Plattner Institute, University of Potsdam（哈索·platzer研究所，波茨坦大学）；Center for Artificial Intelligence, University of Applied Sciences St. Pölten（人工智能中心，圣波尔滕应用科学大学）
本文提出基于社会选择理论的集体控制AI方法，强调在机器学习全流程中融入公众意见，提供数学框架评估控制机制。
2026-04-14 cs.AI cs.CY cs.GT
Organizational Principles Enable Collective Intelligence in Embodied AI
Duke University（杜克大学）
ORCH利用人类组织理论中的池化与顺序相互依赖原则，为具身智能体构建任务特定层级组织，在野火响应任务中显著优于现有方法，提升集体智能表现。
2026-09-22 cs.AI cs.LG cs.MA
STREAM: Social data and knowledge collective intelligence platform for TRaining Ethical AI Models
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出用于训练伦理AI模型的集体智能平台STREAM，以应对AI与人类道德价值观对齐难题，目前已积累多源标注的伦理场景与判断数据，将推动AI道德能力的6E建设。
2023-10-09 cs.AI
Quantitative Analysis of Whether Machine Intelligence Can Surpass Human Intelligence
Beijing Jiaotong University（北京交通大学）；Chinese Academy of Sciences（中国科学院）
机器智能能否超越人类智能是一个有争议的问题。本文在传统智商的基础上，提出了一种既适用于机器智能又适用于人类智能的通用智商测试方法。该方法将机器智能和人类智能划分为4大类15小类。全球共有50个搜索引擎及150名不同年龄的人士接受有关测试。然后，得出了2014年测试对象的通用智商排行榜。
2015-04-11 cs.AI
Symphony: A Decentralized Multi-Agent Framework for Scalable Collective Intelligence
Gradient；The Chinese University of Hong Kong（香港中文大学）；Department of Computer Science and Computer Engineering, Waseda University（计算机科学与工程系，早稻田大学）
Symphony提出去中心化多智能体框架，通过去中心化账本、Beacon选择协议和基于CoT的加权投票，使消费级GPU上的轻量级LLM实现低开销、可扩展且容错的协调，并在推理基准上超越现有基线。
2025-08-27 cs.AI cs.CL cs.LG
Dynamic Collective Intelligence Learning: Finding Efficient Sparse Model via Refined Gradients for Pruned Weights
Seoul National University（首尔大学）
本文提出动态集体智能学习（DCIL），通过构建双重前向路径生成精炼梯度来更新剪枝权重，解决了动态剪枝中直通估计器梯度不可靠导致的训练不稳定问题，在CIFAR和ImageNet上显著提升了模型性能与训练稳定性。
2023-07-31 cs.AI cs.LG
Solving Pictorial Jigsaw Puzzle by Stigmergy-inspired Internet-based Human Collective Intelligence
Peking University（北京大学）
图画拼图（PJ）是一个著名的休闲游戏的人。通常，PJ益智游戏由一个或多个人类玩家在物理空间中面对面地玩。在本文中，我们专注于如何解决PJ难题在网络空间中的一组物理分布的人类球员。我们提出了一种基于网络的人类集体智慧解决PJ难题的方法。该方法的核心是一个持续执行的循环，称为EIF循环，它由三个活动组成：探索，集成和反馈。在探索中，每个玩家都试图独自解决PJ难题，而不与其他玩家直接互动。在任何时候，玩家探索的结果都是PJ难题的部分解决方案，以及一组被拒绝的棋子之间的相邻关系。所有玩家探索的结果通过整合方式进行实时的整合，并输出持续更新的集体意见图（COG）。并且通过反馈，基于当前COG和玩家的探索结果向每个玩家提供个性化的反馈信息，以加速他/她的解谜过程。探索性实验表明：（1）在该方法的支持下，PJ问题的求解时间与参与者人数的倒数近似成线性关系，并且在10人群体中，PJ问题的求解时间比面对面协作的求解时间具有更好的可扩展性;（2）2 ~ 10人组的解谜时间平均减少31.36%~ 64.57%，与实验中最好的单人玩家相比。
2018-12-11 cs.AI
Universality in Collective Intelligence on the Rubik's Cube
Santa Fe Institute（圣菲研究所）；University of Colorado Boulder（科罗拉多大学波尔德分校）
本文通过研究魔方竞争社区，发现无论有视力还是盲解，魔方集体学习均表现出普遍性，专家表现遵循指数曲线，参数反映算法延迟获取对解题路径的影响，并揭示了认知工具如何通过整合社区知识与个人技能维持集体智慧。
2025-11-23 cs.AI cs.CY cs.HC
Bringing AI to Autonomous Systems -- From Cognition to Collective Intelligence
Verimag Laboratory（Verimag实验室）
本文提出基于通用智能体架构的自主系统设计评估框架，强调联结主义与符号主义AI结合，并探讨可信度评估及多智能体协调，指出愿景与现实间存在显著差距。
2026-09-28 cs.AI
The Internet of Agentic AI: Communication, Coordination, and Collective Intelligence at Scale
Department of Electrical and Computer Engineering（电气与计算机工程系）；NYU Center for Cybersecurity（纽约大学网络安全中心）；NYU Tandon School of Engineering（纽约大学坦顿工程学院）；New York University（纽约大学）
本文提出智能体互联网（IoAI）愿景，构建异构智能体在云、边缘、设备等环境中发现、协商、通信与协作的开放生态系统，并探讨其架构、机制及关键研究挑战。
2026-06-12 cs.AI cs.CY cs.MA
Universal Intelligence: A Definition of Machine Intelligence
IDSIA（达勒莫尔人工智能研究所）
人工智能的一个基本问题是没有人真正知道智能是什么。当我们需要考虑与人类显著不同的人工系统时，这个问题尤其严重。在本文中，我们处理这个问题的方式如下：我们采取了一些众所周知的非正式定义的人类智能，已由专家，并提取其基本特征。然后这些被数学形式化，以产生任意机器的智能的一般度量。我们认为，这个等式在最广泛的合理意义上正式捕捉了机器智能的概念。然后，我们展示了这个正式的定义是如何与通用的最佳学习代理的理论。最后，我们调查了许多其他的测试和定义的智能已经提出了机器。
2007-12-20 cs.AI
Watershed of Artificial Intelligence: Human Intelligence, Machine Intelligence, and Biological Intelligence
University of Brasilia（巴西利亚大学）；University of Sao Paulo（圣保罗大学）
本文回顾了23年前提出的“一次学习”机制，以及随后在图像分类中的“一次性学习”和在客观检测中的“You Only Look Once - YOLO”的成功。分析了人工智能（AI）的发展现状，提出AI应明确划分为人工人类智能（AHI）、人工机器智能（AMI）和人工生物智能（ABI），这也将是AI理论和应用发展的主要方向。作为人工智能分支的分水岭，讨论了一些分类标准和方法：1）面向人类、面向机器和面向生物的人工智能研发; 2）通过模糊度上升或模糊度下降处理的信息输入; 3）使用一个/几个或大样本进行知识学习。
2021-05-07 cs.AI
Living Together: Mind and Machine Intelligence
Amazon Research Cambridge（亚马逊剑桥研究院）；The University of Sheffield（谢菲尔德大学）
在本文中，我们考虑我们在人类智能的背景下创造的机器智能的性质。我们认为，人类和机器智能之间的根本区别归结为\emph{embodiment factors}。我们将体现因素定义为实体传达信息的能力与计算信息的能力之间的比率。我们推测化身因素在驱动我们自己的智力和意识中的作用。我们简要回顾了认知的双重过程模型，并在该框架内铸造了机器智能，将其描述为一个占主导地位的零系统，它可以通过与我们潜意识的交互来驱动行为。出于对这种系统后果的担忧，我们建议可以考虑采取预防性行动。我们的主要结论是，我们应该害怕的是\emph{not}感知智能，而不是\emph{non-sentient}智能。
2017-05-22 cs.AI
Predictive Situation Awareness for Ebola Virus Disease using a Collective Intelligence Multi-Model Integration Platform: Bayes Cloud
BAIES, LLC（BAIES有限责任公司）；George Mason University（乔治梅森大学）
人类一直面临着与传染病相关的大量挑战，每年有600多万人死于传染病。尽管已作出持续努力以减轻此类不幸事件的潜在损害，但毫无疑问，仍有许多持续的挑战有待克服。我们在此特别讨论的一个相关问题是对此类流行病的评估和预测。在这一研究领域，传统的和特设的模型往往无法提供适当的预测态势感知（PSAW），其特征在于理解当前的情况和预测未来的情况。针对传染病的全面PSAW可以支持决策，并有助于阻止疾病传播。在本文中，我们开发了一个计算系统平台，专注于集体智慧因果建模，以支持PSAW在传染病领域。对全球流行病的分析需要整合多个不同的数据和模型，这些数据和模型可能来自多个独立的研究人员。这些模型应该整合起来，从整体上准确地评估和预测传染病。该系统应提供三个主要功能：（1）协作因果建模，（2）因果模型集成，（3）因果模型推理。这些功能由主题专家和人工智能（AI）支持，并具有不确定性处理。主题专家，作为集体智慧，开发因果模型，并将它们整合为一个联合因果模型。综合因果模型应用于推理：（1）过去，关于因果因素如何发生;（2）现在，关于传播现在如何进行;（3）未来，关于传播将如何进行。最后，我们介绍了一个用于埃博拉病毒疾病的预测性态势感知的用例。
2019-05-04 cs.AI physics.soc-ph q-bio.PE
Collective Intelligence for 2D Push Manipulations with Mobile Robots
The University of Tokyo（东京大学）；Matsuo Institute（松尾研究所）；Google Research（谷歌研究院）
本研究利用可微分物理模拟器蒸馏出基于注意力的神经网络，使多移动机器人协作二维推操作实现优于基线的性能，并能泛化到新配置及适应环境变化。
2025-01-27 cs.AI cs.LG cs.RO
Tests of Machine Intelligence
IDSIA（达勒莫尔人工智能研究所）；NICTA（国家信息与通信技术澳大利亚中心）
虽然智能的定义和测量对人工智能领域显然具有根本的重要性，但还没有关于机器智能的定义和测试的一般性调查。事实上，很少有研究人员知道图灵测试及其许多衍生物的替代品。在本文中，我们填补了这一空白，提供了一个简短的调查，已提出的许多测试机器智能。
2007-12-22 cs.AI
Human collective intelligence as distributed Bayesian inference
MIT Media Lab（麻省理工学院媒体实验室）；Australian National University（澳大利亚国立大学）；Tel-Aviv University（特拉维夫大学）；MIT（麻省理工学院）
集体智慧被认为是人类社会取得巨大成功的基础。准确的共同信念的形成是人类集体智慧的关键组成部分之一。在由易犯错误的个体组成的群体中，正确的共同信念是如何形成的？解决这个问题需要多尺度分析。我们必须了解人们使用的个人决策机制，以及这些机制的属性和动态。到目前为止，这种方法的数学工具一直缺乏。为了解决这一差距，我们引入了一个新的分析框架：我们提出，通过分布式贝叶斯推理，群体达到准确的共享信念。分布式推理通过个体层面的信息处理发生，并在群体层面产生合理的信念形成。我们在一个新的人类社会决策模型中实例化了这个框架，我们使用我们收集的超过50，000名在线社交交易平台用户的数据集进行验证，投资者在外汇和其他资产市场上使用真实货币模仿彼此的交易。我们发现，在这种情况下，人们使用的决策机制，其中流行被视为一个先验分布的决定是最好的。这种机制是有限的理性在个人层面上，但我们证明，在聚合实现了一种近似的“汤普森抽样”-一个著名的和高效的单代理贝叶斯机器学习算法顺序决策。因此，分布式贝叶斯推理的视角揭示了集体理性是如何从人们使用的有限理性决策机制中产生的。
2016-08-05 cs.AI cs.CY cs.GT
The Evolution of Coordination in a Collective Intelligence System: 25 Years of English Wikipedia and the Emergence of Generative AI
King’s College London（伦敦国王学院）
基于对英语维基百科近25年的纵向分析，研究发现协调空间参与度相对内容生产有所下降，编辑行为更专业化，且生成式AI未从根本上改变协调与参与的长期趋势。
2026-09-16 cs.AI cs.HC cs.SI
The Epistemological Consequences of Large Language Models: Rethinking collective intelligence and institutional knowledge
本文探讨LLM对集体智慧和制度知识的影响，提出集体知识论理论，强调反思性知识的重要性，并提出三级规范计划以应对LLM带来的知识论风险。
2026-03-03 cs.AI cs.HC
Artificial and Biological Intelligence
本文考虑了来自物理和生物科学的证据，表明与生物系统相比，机器在整合智能方面存在缺陷。机器在两个方面存在不足：首先，与大脑不同，机器不会以递归的方式自组织;其次，机器基于经典逻辑，而自然的智能可能依赖于量子力学。
2006-01-13 cs.AI
Elementary epistemological features of machine intelligence
机器智能（MI）的理论分析有助于定义理论和应用人工智能（AI）的公共平台。本文的目标是建立规范的定义，可以帮助语用研究在强和弱人工智能。描述了机器智能的认识论特征，包括智能行为之间的关系、智能与非智能的机器特征、可观察与不可观察的实体以及智能的分类。本文还建立了多元智能测试的效率和准确性的代数定义作为其质量度量。文章的最后一部分从传统的认识论和多元智能的认识论两个方面论述了学习过程。建议的意见MI积极相关的黑格尔一元论认识论，并有助于融合理想主义的审议与人工智能理论，特别是在当地的参考框架。
2017-06-30 cs.AI
Experimental Assessment of Aggregation Principles in Argumentation-enabled Collective Intelligence
Massachusetts Institute of Technology（麻省理工学院）；Masdar Institute（马斯达尔学院）；Toulouse School of Economics（图卢兹经济学院）；Institute for Advanced Study in Toulouse（图卢兹高等研究院）；University of Toulouse Capitole（图卢兹第一大学）；Cardiff University（卡迪夫大学）
在网络上，总是需要从人群中聚集意见（如在帖子，社交网络，论坛等）。不同的机制已经实现来捕获这些意见，例如Facebook中的“喜欢”，Twitter中的“收藏”，拇指向上/向下，标记等。然而，在更具争议性的领域（例如维基百科，政治讨论和气候变化讨论），这些机制是不够的，因为它们只处理每个问题，而不考虑不同声明之间的关系。我们可以将一组相互冲突的参数看作一个图，其中节点表示参数，这些节点之间的弧表示失败关系。然后，一组人可以共同评估这些图。要做到这一点，小组必须使用一个规则来汇总他们对整个论点图的个人意见。在这里，我们提出了第一个实验评估的不同原则，通常采用的聚合规则在文献中。我们使用随机对照实验来研究人们在不同条件下更好地聚合意见的原则。我们的分析揭示了一些因素，而不是传统的正式模型，发挥了重要作用，在确定聚合的功效。这些结果有助于使论证的正式模型更接近现实世界的应用。
2017-02-12 cs.AI
Harnessing Collective Intelligence Under a Lack of Cultural Consensus
Stevens Institute of Technology（史蒂文斯理工学院）；The School of Business（商学院）
本文提出非参数贝叶斯模型iDLC-CCT，通过潜在构念连接深度神经网络嵌入与群体共识信念，解决文化共识理论难以泛化、无法利用外部知识及稀疏数据失效的问题，并在多领域验证其预测共识、泛化与稀疏数据下的有效性。
2023-09-19 cs.AI cs.LG
Computational Narrative Intelligence: A Human-Centered Goal for Artificial Intelligence
Georgia Institute of Technology（佐治亚理工学院）
叙事智能是对故事进行创作、讲述、理解和情感回应的能力。我们认为，灌输人工智能与计算叙事智能提供了一些有益于人类的应用。我们列出了实现计算叙事智能所需解决的一些机器学习挑战。最后，我们认为，计算叙事是一个实际的一步，机器文化，社会文化价值观的教学机器。
2016-02-21 cs.AI
Detecting Intentions of Vulnerable Road Users Based on Collective Intelligence
University of Kassel（卡塞尔大学）；University of Passau（帕绍大学）；University of Applied Sciences Aschaffenburg（阿沙芬堡应用科学大学）
弱势道路使用者（VRU，即骑自行车者和行人）将在未来的交通中发挥重要作用。为了避免交通事故，实现高效的交通流，检测VRU并预测其意图是很重要的。在这篇文章中，一个整体的方法检测VRU的意图合作的方法。意图检测包括基本的运动基元预测，例如站立、移动、转弯和未来轨迹的预测。配备有传感器、数据处理系统和通信能力的车辆（被称为智能车辆）获取并维护其周围交通环境的本地模型，例如，交叉骑自行车者。异构、开放的代理集（协作和交互的车辆、基础设施，例如摄像机和激光扫描仪，以及配备有智能设备和身体穿戴式传感器的VRU）交换信息，形成多模态传感器系统，其目标是在考虑实时的要求和不确定性的情况下可靠且鲁棒地检测VRU及其意图。由此产生的模型允许扩展个体代理的感知范围，超出其自身的感知能力，从而实现更长的预测范围。隐瞒、不真实和不一致的问题由合作代理人的集体智慧解决。信号处理和建模的新技术与基于分析和学习的模式和活动识别方法相结合，用于检测，以及VRU的意图预测。协作，通过概率传感器和知识融合，发生在感知和意图识别的水平。基于对协作通信方式的要求，提出了一种新的adhoc网络通信策略。
2018-09-11 cs.AI
