從個體層面來說，你并不比孔子那個時候的人聰明多少，然而現(xiàn)代人類整體的能力卻是古人所無法企及的。是文明與科技——這個人類集體的創(chuàng)造物反過來賦予了每個人類個體更高的智能。同樣的道理，個體層面的人工智能存在著能力上的天花板，只有將成千上萬的AI鏈接、整合起來，甚至創(chuàng)造出AI自己的文明，才可能為每一個個體AI賦能。
還記得這張圖嗎？在上一篇文章中《從萬物有靈到機器掌管世界》，我們將整個世界按照人類是否能夠理解的程度劃分了三個區(qū)域，現(xiàn)在我們將進(jìn)入“人工智能自己玩”這個區(qū)域……
聊天機器人、推薦算法、智能助理，我們已經(jīng)被越來越多的人工智能所包圍。就像我們現(xiàn)在越來越多地依賴微信一樣，未來的AI程序?qū)纬擅總€人的數(shù)字化外衣，我們需要透過這層外衣才能間接地與外在世界互動。智能程序可以在一定程度上進(jìn)行自主思考，所以，它們之間會形成一個龐雜的社會。放眼未來，我認(rèn)為這種大趨勢必然會催生一門新興學(xué)科的誕生——我把它叫做“人工智能社會學(xué)”（Socialogy of Artificial Intelligence），它將會在未來世界起到越來越大的作用。
一、
人工智能的社會
實際上將Social（或者Socialogy，Society）與人工智能（Artificial intelligence，或者Agent等）詞匯相結(jié)合的學(xué)科已有不少。在20世紀(jì)90年代的時候，復(fù)雜性科學(xué)興起，人們忙于利用計算機建模與仿真的方式來模擬各種復(fù)雜系統(tǒng)。社會系統(tǒng)顯然是這類模擬程序所關(guān)注的一個主要對象。
最近的AI研究又呈現(xiàn)出了一種新的趨勢，就是將深度學(xué)習(xí)研究與群體智能（collective intelligence）相結(jié)合。盡管由于算力的限制，目前所考慮的智能體數(shù)量一般都很少，但是可以預(yù)期在不久的將來，運用深度學(xué)習(xí)技術(shù)構(gòu)建的集體智能框架將會出現(xiàn)。
隨著算法經(jīng)濟的興起，現(xiàn)實世界中的智能程序開始彼此相連，于是為這些智能體制定交易規(guī)則成為了一種新的問題。人們發(fā)現(xiàn)，本已備受詬病的主流經(jīng)濟學(xué)（Mainstream）也許更適合描述智能體，而非人類。這是因為，智能體可以更符合“理性行為人”的基本假說。
所有這些本質(zhì)上都是在研究人工智能構(gòu)成的社會，盡管它們的本質(zhì)目的并不是相同的。接下來，就讓我們沿著歷史的順序，考察人工智能社會的研究思路。
人工社會
早在1971年，著名的經(jīng)濟諾貝爾獎獲得者Thomas Schelling就構(gòu)造了一個人工智能社會Segaration，用來研究種族隔離問題。紐約一直是一個多民族聚居的城市，Schelling敏銳地發(fā)現(xiàn)，同種族的人會相互聚集在一起。盡管后來紐約政府曾試圖強制將不同種族的人混合在一起，以促進(jìn)民族和諧，但是經(jīng)過長時間的演化，家族的不斷搬遷，最終仍然形成了多種族分割的現(xiàn)象。為了理解這一社會現(xiàn)象，Schelling開發(fā)了一個簡單的人工社會模型Segaration，該模型不僅重現(xiàn)了種族分割現(xiàn)象，還從模型的角度證明了政府強行將不同種族混合在一起的嘗試是徒勞的。更重要的是，Segaration成為了社會學(xué)仿真的開山之作，后來Schelling還榮獲了諾貝爾經(jīng)濟學(xué)獎。
Netlogo中的人工社會模擬程序Segaration，其中紅色和綠色格點分別表示兩種不同的種族居住地，黑色格點表示空地。每個紅（綠）格點都按照如下規(guī)則演化：當(dāng)鄰居中異族比例超過一定閾值（參數(shù)p）的時候，就搬家，隨機找一個沒有人的地方住下來。最終，模型有可能演化到一種穩(wěn)定的形態(tài)。如上圖所示，不同種族分別住在了不同的區(qū)塊。
密西根大學(xué)的著名政治學(xué)家R. Axelrod也是研究人工智能體社會學(xué)的先驅(qū)，他早在1984年的時候就組織了多輪計算機實驗以探討合作的演化。它首先采用人工參與的方式，即向全世界學(xué)者征集人工智能程序，并將這些程序放到同樣一個競技場內(nèi)進(jìn)行交互。然后，競技場會任意選擇兩個程序，并讓他們玩所謂的囚徒困境博弈，以計算兩個程序的相應(yīng)得分。最后，經(jīng)過多輪比賽后，得分最高者卻是一個超級簡單的程序，叫做“針鋒相對”（Tit for tat），它的策略是首先合作，然后只要對方叛變，他就果斷地不合作。
第二場比賽則完全沒有人類來參與，而是允許程序自己通過遺傳算法而不斷地改進(jìn)程序，看最終進(jìn)化是如何在這個人工社會中起作用的。研究結(jié)果表明，合作作為一種進(jìn)化穩(wěn)定的結(jié)果是可以自發(fā)演化出來的，而且遺傳算法甚至可以發(fā)現(xiàn)比人手工編寫更好的程序。
另外一個早期的人工社會模型要算Arthur和 Holland合作的人工股市模型（Artificial Stock Model）。與傳統(tǒng)的股市交易模型不同，Arthur等人放棄了每個交易主體（Agent）都必須具有全部的信息、完美的理性等強假設(shè)，取而代之的是Agent可以通過歷史信息不斷的學(xué)習(xí)，修改自己對股價走勢的預(yù)測； 也就是說人工股市是一個不斷變化的永不平衡的系統(tǒng)，Agent之間的關(guān)系是一種既有競爭又有合作的協(xié)同進(jìn)化關(guān)系。該模型成功的模擬出了真實股 市中的“股市心理”，以及狂漲狂跌的非線性突變現(xiàn)象。目前，運用人工股市模型，人們可以通過更改模型的參數(shù)來模擬、預(yù)測某種新的股票政策是否可以達(dá)到預(yù)期的效果。
1996年，Epstein和Axtell在計算機中構(gòu)造了一個人工智能農(nóng)場，叫做Sugarspace，其中可以時不時地長出“糖果”（Sugar）或者“香料”（Spice）出來。之后，他們將一系列人工智能體放到其中，并為這些Agent賦予簡單的程序，讓它們在這個開心農(nóng)場中開采、交易、繁殖、社交，……。所有這些有趣的實驗結(jié)果被他們總結(jié)成了一本書，就叫做“養(yǎng)殖人工社會”（Growing Artificial Societies）。
ASPEN模型是美國Sandia國家試驗室在 1996 年開始開發(fā)的一個基于Agent的經(jīng)濟系統(tǒng)模型。這是一個較大規(guī)模的模擬了包括公司、住戶和政府等各 種Agent的經(jīng)濟系統(tǒng)模型。采用先進(jìn)的建模技術(shù)以及大規(guī)模并行計算機的支持，ASPEN模型成功的應(yīng)用于美國宏觀經(jīng)濟系統(tǒng)和過渡經(jīng)濟的研究中。
……之后，這種人工模擬社會的方法被應(yīng)用于從經(jīng)濟學(xué)、金融學(xué)，到組織學(xué)、文化學(xué)、社會學(xué)等各個方面。更多詳情請點看本人多年前寫的一篇綜述文章《人工社會——基于Agent的社會學(xué)仿真》點擊閱讀原文可以獲取。
集體智能（Collective Intelligence）
90年代可以說是多個體研究（Multi-agent system）大爆發(fā)的時代，另外一個引人矚目的研究領(lǐng)域就是所謂的集體智能，它是希望為每個微觀個體設(shè)計簡單的規(guī)則，從而在整體實現(xiàn)期望的屬性，例如求解工程中的優(yōu)化問題。順便說一下，集智俱樂部一詞的來源就是集體智能。
集體智能的一個最典型例子就是螞蟻群體（Ant colony）。我們都知道每一只螞蟻都不夠聰明，但是成千上萬只螞蟻組成的蟻群卻具有超凡的群體智慧。例如，南美洲有一種螞蟻叫做行軍蟻，當(dāng)森林火災(zāi)發(fā)生的時候，它們可以聰明地聚集成一個大螞蟻球，快速滾動出火災(zāi)包圍的區(qū)域。實際上，這個過程會犧牲掉大量螞蟻球外圍的螞蟻，但是為了集體的生存，它們會“聰明地”想出這個拯救辦法。
再比如，螞蟻群體不僅能夠找到從巢穴到食物的通路，還能夠找到在所有可能通路之中最短的一條，如下圖所示：
隨著時間推移（從左往右），螞蟻最終會收斂到若干路徑中最短的一條上面去。通過計算機模擬人們知道，只要讓螞蟻可以釋放信息素（一種氣味），這種信息素又能吸引更多的螞蟻聚集過來，那么這群螞蟻智能體就能找到最短路。
一旦理解了其工作原理，人們便可以借鑒螞蟻的智慧，通過模擬螞蟻與信息素交互的規(guī)則，可以將蟻群的智慧應(yīng)用于工程實踐之中，例如下面兩張圖就展示了用蟻群算法解決路徑導(dǎo)航問題，和推銷員旅行問題。
運用蟻群算法最終找到了地圖上的最優(yōu)導(dǎo)航路徑
借鑒大自然中的群體智慧，人們開發(fā)了不少集體智能算法，這些算法只要讓每一個簡單個體遵循非常簡單的計算規(guī)則，就可以智能地解決一系列復(fù)雜的難題。從某種意義上說，神經(jīng)網(wǎng)絡(luò)其實就是利用了群體智能，因為每個簡單的神經(jīng)元都遵循簡單的規(guī)則來完成信息的發(fā)放，但是大量神經(jīng)元整體卻可以產(chǎn)生智慧。
深度學(xué)習(xí)助力
然而，這些程序雖然展現(xiàn)了豐富多彩的集體現(xiàn)象，但因為它們受制于早期計算能力的限制，只能通過很簡單的代碼構(gòu)造智能體，遠(yuǎn)不能模擬復(fù)雜的人類思維。好在早期這些人工社會、集體智能研究者們更加關(guān)注的是簡單程序在整體社會層面所體現(xiàn)出來的涌現(xiàn)結(jié)果，因此，對單個智能體是否足夠逼真并不十分關(guān)心。
然而，隨著計算力的提升，以及深度學(xué)習(xí)技術(shù)的突飛猛進(jìn)，人們已經(jīng)具備了利用深度學(xué)習(xí)來建模Agent主體的能力了。當(dāng)我們把每一個人工智能社會中的簡單程序替換成具備“深度學(xué)習(xí)”能力的大型人工神經(jīng)網(wǎng)絡(luò)的時候，整張人工智能程序的大網(wǎng)將會發(fā)生什么就不是那么一目了然了。事實上，現(xiàn)在的人工智能科學(xué)家們已經(jīng)開始了這樣的研究，他們研究興趣的焦點已經(jīng)從單個的深度神經(jīng)網(wǎng)絡(luò)過渡到了多個神經(jīng)網(wǎng)絡(luò)，并且再讓這些神經(jīng)網(wǎng)絡(luò)本身聯(lián)網(wǎng)，只不過目前聯(lián)網(wǎng)的智能體數(shù)量并不多。
下面，我將分別介紹幾個研究思路：
GAN（Generative Adversial Network，生成對抗網(wǎng)絡(luò)）
GAN的框架，其中生成模型（Generative Model）和判別模型（Discriminitive model）就是兩個神經(jīng)網(wǎng)絡(luò)構(gòu)成的智能體
比如，Ian Goodfellow等人提出的對抗式神經(jīng)網(wǎng)絡(luò)就是一種兩體人工智能，其中一個神經(jīng)網(wǎng)絡(luò)負(fù)責(zé)生成圖像，另一個負(fù)責(zé)辨別究竟是神經(jīng)網(wǎng)絡(luò)生成的還是真實的圖片。在這樣一種框架下，我們可以同時訓(xùn)練兩個網(wǎng)絡(luò)，結(jié)果卻比僅僅訓(xùn)練一個生成網(wǎng)絡(luò)得到了好得多的效果。這也許恰恰就是蘊含在集體之中的神秘力量。
我們還可以將這種二體的競爭模式擴大，創(chuàng)造更多更復(fù)雜的玩法。比如Jun-Yan Zhu等人就將二體擴充到了4體，分別有兩個生成器和兩個判別器，并且讓它們按照如下的方式鏈接起來：
這里藍(lán)色的框是生成器，粉色的圓圈框是判別器。整個系統(tǒng)可以自動生成圖片。例如如果我們將一張馬的圖像輸入進(jìn)來，它就可以吐出一張圖像，把馬變成了斑馬。它是怎么做到的呢？首先，生成器G會根據(jù)圖片X生成圖片Y，DY保證了這個Y要足夠真實。然后再把這個Y輸入給生成器F轉(zhuǎn)化為圖片X'，還要要求這個X'要和X足夠靠近。類似的，如果從任意圖像Y經(jīng)由生成器F轉(zhuǎn)化為圖像X，再從G轉(zhuǎn)化為Y'，在整個的過程中，要求：1、經(jīng)過DY判斷，Y要足夠逼真；2、X與X‘要足夠相似；3、經(jīng)由DX判斷，F(xiàn)生成的X要足夠逼真；3、Y與Y‘要足夠靠近。這就可以使得網(wǎng)絡(luò)學(xué)習(xí)到了X域（所有包含白馬的圖像）到Y(jié)域（所有斑馬圖像）的對應(yīng)。
這樣，我們只要輸入給這四個Agent兩組圖片，比如一組圖片全部是馬，另一組圖片全部是斑馬，經(jīng)過訓(xùn)練，就可以將一組圖像映射為另一組圖像，例如將馬變成斑馬、將包包上色、以及將塞尚的風(fēng)格遷移到我的照片中來。
還有更復(fù)雜的玩法，Taeksoo Kim等人將相互連接關(guān)系制作了一個五花大綁，結(jié)果網(wǎng)絡(luò)不僅可以生成類似于真實的圖像，也能夠讓輸入輸出圖像形成對應(yīng)。
多體的引入讓GAN系列的研究如火如荼，然而生成器和辨別器的關(guān)系就像是警察和騙子，生成器是造假者，辨別器是抓造假者的警察，它們構(gòu)成了一種相互對抗的競爭關(guān)系。
然而，多體關(guān)系不僅僅包括對抗性競爭關(guān)系，更多的則是合作、協(xié)調(diào)、配合的關(guān)系。這方面的研究最近也是越來越多了起來。
交流與合作
前不久，F(xiàn)acebook爆料，他們的人工智能程序們在交流的過程中發(fā)明了特屬于人工智能的語言，如下所示：
實際上，這就是LSTM神經(jīng)網(wǎng)絡(luò)在未訓(xùn)練好的時候經(jīng)常會表現(xiàn)出來的行為，似乎FB在搞笑。但是，F(xiàn)acebook的科學(xué)家們的確在研究多個AI程序如何在特定的條件下產(chǎn)生語言。他們將一群Agent放置到了一個模擬的環(huán)境中，并賦予它們相互交流的能力：它們可以通過發(fā)送一些在人類看來無意義的信號而彼此通訊。
這個研究通過在機器中營造了一個模擬的環(huán)境，讓多個Agent完成相互作用，從而演化出自己的語言。每個Agent都需要到達(dá)目標(biāo)節(jié)點（landmark），并讓它的伙伴也達(dá)到規(guī)定的地點。在這種情況下，Agent可以通過發(fā)出一系列的抽象信號（Utterance）來相互協(xié)調(diào)。之后研究人員對這些信號進(jìn)行了一定的解讀，并發(fā)現(xiàn)它們可以形成有體系的符號及其意義。
在另一個實驗中，研究人員要求兩個聊天機器人可以針對圖像完成多輪對話。其中，一個機器人可以將它所看到的圖像盡可能地描述成一些符號串，把它傳遞給第二個機器人；而第二個機器人無法看到圖像，但卻可以根據(jù)第一個機器人的描述盡可能猜測圖像之中的內(nèi)容。最終，當(dāng)?shù)诙€機器人能夠猜出原圖內(nèi)容的時候，它們獲得了游戲的勝利。在這個過程中，機器們可以演化出自己的語言。而且，當(dāng)我們用人類的對話數(shù)據(jù)來做預(yù)訓(xùn)練以后，這些機器人就可以演化出人類能夠聽懂的語言，并用這種語言來對話了。實驗人員指出，這種通過兩個機器人合作的方式來生成對話比用一般的監(jiān)督學(xué)習(xí)方式訓(xùn)練一個機器人要更有效率得多。
另外一個斯坦福大學(xué)計算機系的HeHe等人的研究成果表明，機器人可以通過交流的方式完成合作。還是兩個機器人，它們被要求針對一個內(nèi)在的知識圖譜來找到共同的朋友。于是，這些Agent可以根據(jù)自己的知識圖譜而發(fā)送出語言，來傳遞給它的合作者，而合作者則將根據(jù)收到的消息而嘗試?yán)斫?，并根?jù)獲得的信息進(jìn)一步提問，最終當(dāng)兩個機器人找到了它們朋友列表中的一個共同朋友后就會完成游戲。在整個過程中，機器不僅能夠找到最終的朋友，而且還能在訓(xùn)練期間得到一個非常完善的知識圖譜以及圖譜的抽象表示。
類似這樣的研究還有很多。現(xiàn)在的AI研究者已經(jīng)重新將焦點從單個主體移到了多個主體研究工作中；另外，利用深度學(xué)習(xí)方法對每一個人工智能主體進(jìn)行建?？梢载S富每個主體的表現(xiàn)，還能夠更加逼真地模擬人類行為。大量的研究表明，對于同樣的問題，例如多輪會話，多個主體會比單個主體更好地完成任務(wù)。
機器經(jīng)濟學(xué)
盡管目前的多主體研究隨著深度學(xué)習(xí)的滲透已經(jīng)涌現(xiàn)出了一些有趣的新結(jié)果，但這與現(xiàn)實情況還有很大的差距。設(shè)想一下，如果未來聯(lián)入互聯(lián)網(wǎng)的五百億設(shè)備都裝備上深度學(xué)習(xí)模塊，那么我們應(yīng)該考慮的人工智能社會就不再是簡單的兩三個智能的合作與交流，而應(yīng)該是五百億個（注意，這已經(jīng)遠(yuǎn)遠(yuǎn)超出了現(xiàn)在的地球人口）人工智能主體所構(gòu)建的超大規(guī)模的機器社會。于是，這一全新的社會將會給我們帶來怎樣的挑戰(zhàn)？我們還能對它實施管理嗎？
比較樂觀的一點是，現(xiàn)在的機器還沒有完全脫離我們?nèi)祟惖目刂?。那么，我們需要搶在機器擁有自由意識之前為他們制定好規(guī)則。
其實，科學(xué)家們早已經(jīng)展開了行動，他們用“機器經(jīng)濟學(xué)”（Machine Economics）來概括這一新興研究領(lǐng)域。我們知道隨著全球性的金融危機爆發(fā)，傳統(tǒng)主流經(jīng)濟學(xué)（Mainstream economics）受到了大量的詬病。人們指責(zé)，由于主流經(jīng)濟學(xué)中關(guān)于“理性經(jīng)濟人”的假設(shè)過于嚴(yán)格，從而使得經(jīng)濟學(xué)的研究嚴(yán)重脫離了人類行為的實際表現(xiàn)。
但是，隨著人工智能的興起，人們突然發(fā)現(xiàn)，主流經(jīng)濟學(xué)中的“理性經(jīng)濟人”假說更適合描述人工智能，而非不理性的人類。顯然，人工智能程序這種“機器經(jīng)濟人”（Machine economicus）會比人類更可能嚴(yán)格按照“理性經(jīng)濟人”假設(shè)的情況來完成決策和行動。事實上，隨著近年來計算經(jīng)濟學(xué)、計算博弈論等學(xué)科的進(jìn)一步發(fā)展和計算能力的大幅度提升，人們已經(jīng)可以在機器中利用算法的方式逼近所謂的“理性經(jīng)濟人”模型。于是，從這樣的基本點出發(fā)，我們便能構(gòu)建所謂的“機器經(jīng)濟學(xué)”這一新興科學(xué)。
機器經(jīng)濟學(xué)將會面臨一系列的問題。假設(shè)程序A代表了主人a的想法，而智能程序B代表了主人b的想法，那么當(dāng)A代替主人向b購買產(chǎn)品的時候，A將會與b的代理B進(jìn)行算法的討價還價。由于A和B都是近似的理性經(jīng)濟人，這些算法就會盡其所能充分暴露自己的偏好，并力圖達(dá)成一個對主人最好的結(jié)果。這樣，在人類經(jīng)濟系統(tǒng)中的信息不對稱的問題就有可能不復(fù)存在了。
當(dāng)然，這里面的關(guān)鍵就在于我們應(yīng)該如何為機器算法們設(shè)定環(huán)境和一系列的交易的基本規(guī)則，學(xué)名叫做機制設(shè)計（Mechanism design），以使得近似理性的算法能夠在給定的機制下實現(xiàn)一定程度上的最優(yōu)。
比如說，在囚徒困境博弈之中，我們可以通過引入“協(xié)調(diào)者”從而讓兩個近似理性的Agent能夠達(dá)成合作，博弈矩陣如下：
博弈的支付矩陣，每一個矩陣元給出了（行玩家、列玩家）的效用。（A）囚徒困境。戰(zhàn)友策略均衡是（背叛，背叛）。（B）協(xié)調(diào)的囚徒困境。占優(yōu)策略均衡是（協(xié)調(diào)者，協(xié)調(diào)者）
再比如，Google的競價排名就是一種典型的將機制設(shè)計理論應(yīng)用到算法設(shè)計上的一個成功案例。根據(jù)經(jīng)濟學(xué)中的拍賣理論，第二價格拍賣（Second price auction）會比第一價格拍賣更好地揭露交易者的隱藏信息。
近年來，搜索引擎競價已經(jīng)開始支持更豐富的，基于目標(biāo)的出價語言。例如，廣告客戶可能要求在受預(yù)算約束的情況下對一組加權(quán)的查詢主題來最大化點擊。搜索引擎可以提供代理主體，來代表廣告客戶出價以實現(xiàn)所述目標(biāo)。代理主體的的引入以及早期從一級價格拍賣到二級價格拍賣的轉(zhuǎn)換本質(zhì)上就是信息揭示原理的計算應(yīng)用，這是機制設(shè)計理論中的一個基本概念。簡單地說，如果一個機制的規(guī)則和該機制的均衡策略被一個在功能上等同的新機制取代，那么這個新機制將是激勵相容的。雖然在形式上說重新設(shè)計沒有專門地考慮激勵相容性，但二級價格拍賣和投標(biāo)代理都可以看作為早期版本中的廣告主的行為。另外，廣告平臺還可以設(shè)計一種策略防范（strategy proof）機制[Vickrey-Clarke-Groves機制]來決定廣告空間分配：哪些廣告被分配，哪些（非贊助的）內(nèi)容陳列給用戶。
兩代贊助搜索機制。早期的設(shè)計是一級價格拍賣（FP），廣告商（ADV）使用AI（AI-POS）以最低的可能價格在搜索結(jié)果列表上保持位置。引入二級價格（SP）拍賣機制，旨在取代FP和AI-POS的組合。 廣告商采用了新的AI（AI-GOAL），以實現(xiàn)更高級的目標(biāo)，例如最大化利潤或最大化點擊次數(shù)。二級價格拍賣被擴展到包括智能代理（SP +Proxy）中，旨在取代組合 SP和AI-GOAL。
在不遠(yuǎn)的將來，假如每一個人都有自己的一個人工智能個人助理，那么大量的經(jīng)濟交易活動就會由這些人工智能算法代理我們進(jìn)行。于是，AI與AI之間就會討價還價。按照“完美理性”的“經(jīng)濟人”假說，這些AI將能夠和諧共處，并給主人帶來最大的利益。
二、
人工智能社會學(xué)還有多遠(yuǎn)？
《三體》中構(gòu)思了一種“宇宙社會學(xué)”用來描述在時空跨度超級巨大的宇宙空間中，不同物種之間的相互作用法則。根據(jù)兩條“宇宙社會學(xué)”基本公理，1、生存是文明的第一需要；2、文明爆炸和擴張，但宇宙中的物質(zhì)總量保持不變，由此劉慈欣推導(dǎo)出了技術(shù)爆炸和猜疑鏈這兩個基本概念，以及“黑暗森林”這個宇宙尺度的叢林法則。
于此相似，如果人工智能社會是可能的，那么是否存在著人工智能社會學(xué)這門學(xué)問呢？它將會是什么樣的呢？我們能否像宇宙社會學(xué)那樣提煉出來一系列的公理用以構(gòu)架一個理論體系？
也許正如機器經(jīng)濟學(xué)所描述的那樣，相對于構(gòu)建人類自身的社會學(xué)原理來說，人工智能的社會學(xué)會更加簡單。原因在于機器完全有可能按照一種人為預(yù)設(shè)的方式來進(jìn)行行為，這樣的話機器會更加接近于理性人假說?；蛘撸催^來說，人工智能社會學(xué)的基本原則與其說是一套公理體系用以描述AI，還不如說它是一套未來AI的行為準(zhǔn)則。與物理學(xué)研究范式最大的不同就在于人工智能，以及人工智能社會究其本質(zhì)是一種規(guī)范性研究（Normaltive）。如果這個結(jié)論是正確的，那么構(gòu)建人工智能社會學(xué)也許真的是可能的。
另外一個問題是，這樣的理論體系有什么用呢？
也許它可以幫助我們?nèi)祟惛玫乩斫夂Ａ康娜斯ぶ悄芩鶚?gòu)成的巨系統(tǒng)，也許它可以讓人工智能的群體更好地運轉(zhuǎn)。然而，還有一種情況是，也許人工智能社會學(xué)壓根就不是人類可以掌握的學(xué)問，而是一個徹頭徹尾的AI自身的學(xué)問。它們也許會比我們?nèi)祟惛斫釧I構(gòu)成的社會。有關(guān)AI社會學(xué)，也許壓根就輪不到人類來說話。
參考資料
有關(guān)人工社會，大家可以參看本人寫的一篇綜述，點擊下載
有關(guān)集體智能，請參看公眾號文章：涌現(xiàn)智能
有關(guān)不同架構(gòu)的GAN，可以參看這兩篇文章：
Jun-Yan Zhu et al. Unpaired?Image-to-Image Translation?using Cycle-Consistent Adversarial Networks,https://arxiv.org/pdf/1703.10593.pdf
Taeksoo Kim et al. Learning to Discover Cross-Domain Relations with Generative Adversarial Networks,https://arxiv.org/abs/1703.05192
關(guān)于多主體交流與合作的論文：
Igor Mordatch, Pieter Abbeel: Emergence of Grounded Compositional Language in Multi-Agent Populations,https://arxiv.org/abs/1703.04908
Jon Gauthier, Igor Mordatch: A Paradigm for Situated and Goal-Driven Language Learning,https://arxiv.org/abs/1610.03585
HeHe et al.: Learning Symmetric Collaborative Dialogue Agents with Dynamic Knowledge Graph Embeddings,https://arxiv.org/abs/1704.07130
關(guān)于機器經(jīng)濟學(xué)，可以參看：經(jīng)濟推理與人工智能
