人本计算与收敛

摘要

人类作为最有效率的信息生产者和整合者，直接地运用信息处理的方式进行发明。随着这些发明日趋复杂，人类在信息处理过程中所扮演的独立的角色将更倾向于一种能力，而这种能力源于我们最为复杂的认知加工（例如抽象，创造，以及运用知识）。随着人类计算方法的进步，也就是让人类与机器在信息处理系统之中各取所长，使得之前离散的过程将相互结合并协同成更为集成和复杂的信息处理系统。这些新的、集成的系统将会在模拟物理和社会技术的过程中展现出前所未有的预测准确度，并最终合并成一个可用于预测功能的简单且统一的有机体，去解决社会中最为棘手的问题，进而达到社会稳态。

最初的信息处理器

可以说，地球（也可能是宇宙）的信息处理始于三十亿年前细菌生命的出现（布拉席尔、麦克朗宁、格林和韦西，2006）。自生的生命过程是信息的基本概念处理（摩西、弗拉纳根、勒滕德和佛瑞克，2013）。繁殖本身需要处理和执行一组编码的抽象指令的能力。此外，有机体的生存取决于对于环境条件的适当的反应能力，包括感觉，反应选择和反应动作。即使是古老的生命形式，比如细菌，拥有信息处理能力，并表现出遗传复制以及对化学物质（趋化），光（趋光性）和磁场（趋磁性）的反应能力。

但是，这些信息处理是如何发生的呢？整个行为主义运动在20世纪中叶都于此问题无关，它（这个问题）将有机体内部信息处理的部分看做一个“黑盒子”，也就是系统之中仅仅参与环境输入和行为输出的部分。最终，出现了想要制造智能机器的人，他们认为智能机器可能是探寻自然的黑盒子中的奥秘过程中极为有用的工具。这使信息处理心理学和随后的认知革命得以诞生（米勒，2003），进而促进了如今的认知科学的发展。

认知科学家乐于探究环境刺激如何在有机体的特定反应中起作用的。大多数产生于这一方法的解释性模型趋于描述有机体内部信息的传播特点——也就是有机体的内部通讯。具体来说，该模型假定的关于有机体的环境信息是某种编码和传输到有机体中的一部分，这一部分在影响决策的过程中能够激活出适当反应。细菌通过发出复杂的化学信号的途径来完成这个过程（布莱尔，1995），而如今得大多数的动物则是拥有复杂且专门的网络细胞，俗称神经元，来完成此过程。然而，最近的研究表明，在神经元的进化之前，生物信号出现在体细胞中，这是斑马鱼中仍存在的一个现象（Perathoner等人，2014）。因此出现了信息处理和生命的共同进化。

这引发了一个有趣的问题：是什么使得共同进化得以产生？换句话说，日益复杂的信息处理能力的适应性优势是什么？答案可以从以下信息理论宗旨中得出：信息的来源必然是无法预料的（Desurvire，2009）。预期源于预测。但是这些预测又是从何而来的呢？在自然界中，复杂的生物，比如哺乳动物，都是依靠这种预测能力才得以生存的。举个例子，天敌的捕猎使动物的逃生能力增强。系统发育和个体发育过程中，哺乳动物逐渐掌握了对于它们生存环境的预测能力。这些因果模型经过对生物体生命的学习进行动态微调。这样的学习发生在当这些生物面临着意料不到的结果时，也就意味着预测模型的调整与修正（如图1）。当这一过程成功时，学习引发了更强的预测能力（Vigo，2012）。因此，开发更复杂和全面的预测模型的能力能在更为广大的条件和环境下，得出更为精确的基于生存要求的的预测信息。事实上，积累性学习是一个有机体，即一个不断拓展和增长的机器学习方面研究的成功关键点，这种研究旨在对基于主体系统的能力进行仿真（Michelucci &Oblinger, 2010）。

 图1经验学习在生物生命过程中逐渐提炼其环境预测模型 

对于大多数人来说，“信息处理”使计算机一集网络基础设施的概念得以出现。然而，正如需要考虑的人类和自动化系统未来的关系，它可能在反映这一部分信息处理过程所描述的生物学起源中相当有用。这为我们提供了一个基础，人类不仅仅是作为计算机系统的最终用户，同时我们本身也是一台超级计算机。这种观点使我们更容易想象到由原生和人工信息处理系统相互融合的未来世界将会带来什么，尤其是当这两者之间的界限不甚清晰之时。

当今最先进的信息处理器

简单的多细胞动物的神经回路可能会限制一阶因果关系。然而，高等哺乳动物，如人类，表现出关系更为复杂的应用知识的能力。尽管技术逐渐进步，人类的大脑仍被认为是宇宙中最为复杂的信息处理器，由大约1011个神经元与1015个枝状网络沟通联结(Sporns, Tononi, 和 Kötter, 2005;Larson-Prior, 2013; Michelucci, 2013b)。然而，这不仅仅是尚未成熟的大脑计算能力赋予它规避我们最好的基于机械系统的能力，而是它复杂的认知结构赋予的。这个神经系统软件，引导着大脑之中的信息流，赋予人类创造，抽象，直觉，异常检测，问题分析与解决这些独特的能力，所有都围绕最先进的预测建模能力工作。

迄今为止，生物进化已经赋予人类生存所需的智慧，包括强大的技术发明。然而，其中的一些发明导致了棘手的社会问题（例如，气候变化，流行性疾病，地理政治冲突等等），这些问题的解决方案已经远非人类个体的认知能力所能完成。这些“棘手问题”没有具体的结构形式，正如每个问题的表征取决于具体的解决办法，而这些解决办法则是存在于一套未知的可能途径之中（Rittel 和Webber，1973）。进一步复杂化的问题，则没有确切的终点，候选的解决方案必须是动态的，有适应能力的，并且是正在进行的。此外，棘手的问题也是多方面的，往往涉及到多个系统，这样这样一个利于一个系统的解决方案可能会影响到另外的系统（例如金融市场）。

为了解决这些棘手的问题以及控制他们提出的生存风险，我们需要一个比人类智慧更为先进的知识能力。那就是，我们需要对外界更加复杂的功能性和预测性的模型，以及使用这些模型来生成合理并持久的解决方案的能力。由于迫切需要拓展生物进化的时间尺度，一个可行的方案更需要技术创新。

这一决定就是制造一个超级智能机器，可以用来为我们解决棘手的问题。有些人认为，制造一个类似人类认知的机器，也就是所谓的人工智能（AGI），将会在以下三步中产生：1）绘制全人类的“连接体”，大脑神经回路；2）复制使用计算机硬件和软件的电路；3）等待微处理器的速度超越人脑。这些步骤的结果被称为“技术奇点”（“技术奇点”，2014），这是指AGI超越人类智力的时刻，在此之后我们无法预料其对文明的影响（因此比喻为物理中构建的“奇点”，涉及到了“极限点”）。

这种方法不成立的原因可能有两个。首先，人工智能专家对于何时技术奇点可能发生这一问题存在广泛的分歧（Armstrong和Sotala，2015），是近几年还是要等到二十二世纪。因此，无法尽快在有害的全球化进程变为不可逆转之前对其进行处理。另一个原因是大多数技术奇点是基于电子复制人脑的连接组。然而，近期的证据（Hansson和RöNNBäCK，2003）（唐等人，2014）详细介绍了非神经细胞在大脑发信中的作用是通过这一途径基本问题的象征：一个神经连接体的人脑模型，绘出了现有神经元的互连情况，以及一个神经传递的功能模型，但这不足以解释认知功能。事实上，我们对于管理大脑发育和活动的生化机制原煤有一个全面的了解。为此，制造一个类似人类认知的机器将不完全取决于处理速度或人工复制连接体，而是要实现一个完整的、准确的动态机制，即人的认知过程机理模型（米切鲁奇，2013a）。

人本计算

还有另外一种途径，建立高级信息机制，包含直接利用人类认知的分布式信息处理网络的方法，这可能在短期内有更大的保障。如前所述，尽管人工智能的研究有所进展但是认知能力仅仅停留在人类的范围内。然而，也有很多任务委托给机器比给人类要好得多，比如计数，计算数学和统计公式，还有保持跟踪事件及其结果。事实上，人类和机器的信息处理架构和由此产生的能力（如图2）表现出惊人的互补性，显示出一个极具成效的合作机会。

机器	人类
计数	推理
精确度	视力
客观性	语言能力
计算	抽象
永久存储	知识
数据融合	社会文化意识
进程执行	创造力

图2 人类和机器的复杂信息处理能力比较 

如果工程师系统可能结合机器和人类各自的优势并达到前所未有的信息处理能力呢？这是否能赋予人类解决问题的能力，以解决目前和未来的社会挑战？在过去的十年中，科学界已经出现了探索变革的潜力，即直接采用更大的人类认知计算系统，引领起“人本计算”领域的研究。人本计算（HC）应经被广泛地定义为信息处理的设计和分析，而人类是作为其中的一个组成元素（米切鲁奇，2013c）。在这一定义中，“计算”的概念囊括了整个处理范围，这可能被应用到转换、合成和解释数据上。

无论是在自然出现还是人为造成的情况下，HC系统都可以被归为一个较高的水平（米切鲁奇，2013c）。如前所述，信息处理是大多数自然人类行为的组成部分。当大量的这类行为可以通过社会技术的基础设施，就可能从这些数据中提取有用的信息。在这种情况下，人本计算可以表现为一种新兴的现象。金融市场就是一个例子，总体行为，即有时可以比人更好的预测事件的行为，表现为“群体智慧”的现象。另一个例子关于新兴人本计算则涉及到一种名为“基于特征监测查询”的分析方法，检测在线搜索行为。将语义相关的谷歌搜索词组合成当下普遍的搜索词条，例如流感症状的描述，流感时期，流感并发症等，已经被证明是提高流感预测度的模型（杜加斯等人，2103）（金斯伯格等人，2009）。 

然而，当今大多数的HC研究主要集中于如何设计一个目标明确的HC系统，即仍然利用比最好的自动化方法更高级的人类认知能力。HC学术界已经逐渐开始通过学习之前设计系统的前辈的经验和提高应用方法的可重复性的办法将HC系统识别与分类（格林尼，2013）。为了开发一种更具体的运用方法以及扩大人本计算的影响，研究一些更为普遍并具有显著典范特点的HC系统是很有价值的。

作为一个早已成功的案例，验证码已经成为人本计算中一个典型的例子，特别是在众包微任务系统中。通过在网站中嵌入验证码，网络实体可以区分合法用户和恶意网页爬虫。这是通过让访问网站的用户输入扭曲的文本图像后才允许这些用户浏览网站的方法实现的，这是当今机器作业比人为更好的例子。除了提供人类验证，验证码还通过从扭曲的文本范例中计入失败的OCR片段来帮助组织数字档案，这些问题才能被人工解决。因此，在证明它们人性化的过程中，数亿的验证码用户无意之中促成了一个世纪的纽约时报档案问题的数字化。

“报偿”系统，如验证码（Ahn, Maurer, McMillen, Abraham, & Blum, 2008），通过提供一些服务（例如，访问网站内容）来强迫用户参与一些活动，以达到获取人本计算的目的。另一个体现这种互惠的系统是多语言系统（加西亚，2013），它提供外语教学，而用户在线学习得行为则有助于文本翻译服务的改进。因此，通过外语学习，多语言系统的学生能将维基百科的文章翻译成另一种语言。多语言内隐训练它的劳动市场显示出了HC成为破坏性的经济力量的未来潜力。 

与报偿系统相比，众包市场（Amazon Mechanical Turk，CrowdFlower等等）提供货币补偿作为一种外在的动力。微任务，例如往照片上加标签，完成调查任务，或者编辑文档都是外包给活跃的团体众包工人。薪酬往往是以最低档的业绩为条件，并按照指标量化的工作量支付，这是由微任务股东，也就是通称的“请求人”所决定。这样的众包市场早先就有实行来进行市场调查的历史，但是这也被科学家们越来越多的用来收集数据，这个惯例有时被称作是网络空间（G.Newman，2014）。

从历史的角度上看，众包市场制衡已经迎合了最初的请求者。然而，对于那些请求者的不法行为，如turkopition这样的信用系统应运而生，帮助团体众包工人自己在选择项目和项目请求人去做出更多更为明智的决定。

大众科学是关于人本计算的应用，泛指在科学过程中公众的参与（G.Newman，2014），通常是在一个在线的情况下，但不总是这样（例如，奥杜邦圣诞节鸟类计数（乌尔里希巴克斯，n.d）和圣路易斯婴儿牙齿调查（Early，n.d））。一个新兴的公民科学与互联网之间的区别是，前者似乎必须涉及教育方面，如对于参与者科学目标的理解和这些参与过程是如何为这些目标工作的。不论这些潜在的教育效益，项目的策划者往往被巨大的加速前景所吸引，这就是所谓的利用群众的力量。事实上，大多数公民科学项目涉及众包微任务，这其中包括数据修复，即将它用在人类认知上。此外，为了保证参与量，许多这样的项目包括了“游戏”或者类似游戏的元祖（克劳斯，2013）。

一个在线公民科学的先例是星辰之家项目，始于2006年， 其中有30000个参与者用一个虚拟显微镜分析数以百万计的气凝胶的数字化图像，去探测彗星野生2号的轨迹中纳米尺度的宇宙尘埃颗粒。要想成功，参与者必须要学习使用虚拟聚焦器，从常见的气凝胶包裹体中用视觉区分出粒子轨迹。最终，该项目发现了被视为可能是太阳系以外的例子，这个发现使得现有的宇宙模型要加以修订。全部的30000个参与人员成为科学杂志上这篇论文结果的共同作者。

大众科学正被越来越多的应用于医学研究领域（例如fold.it,Phylo,WeCureALZ等等），特别是通过利用人类的分析能力来排除那些没有成效的发现途径。由于自动化的解决方案往往是详尽的，它们可以计算密集型的，甚至棘手的问题（NP-Hard）。然而，人性化的方法往往是运用各种知识，抽象推理，转移学习和确定一个值得探索的，对于未来研究更有成效的结果的途径。Fold.it项目通过将一个复杂的生物医学研究问题重塑成一个对于非专业人士的三维折叠游戏，这与人类能力相比更胜一筹。即使成千上万的参与者提供了难题的解决方案，事实证明，只有只有最好的以人为基础解决方案超越了机器生成的方案，从而产生新的研究发现。因此，对比星辰之家项目，采用“逐一突破”的方案在一团乱麻的数字影像中寻找彗星尘埃针，fold.it项目运用一个“赢者通吃”的模型来确定最优的蛋白质分子结构。迄今为止，fold.it难题解决方案已经帮助推进了我们对于猴免疫缺陷病毒（SIV）——也就是艾滋病的近亲的理解。Fold.it现在正着眼于埃博拉病毒中蛋白的研究（朗，n.d）。 

最近，大众科学系统的创造者已经在共同探索方面表现出了更大的兴趣，也许是受到以社区为基础的GalaxyZoo项目（Cardamone等，2009）里一种由在线社交论坛所收录的新型的“豌豆”星系发现的启发。Phylo项目已经开发了一种开放语言的系统，允许任何疾病研究者在Phylo平台上上传基于人群分析的基因序列。Phylo的创始者Jérôme Waldispüh，将这个新的突破口看作是一个极具潜力的机会，运用将一名Phylo参与者作为另一参与者的起始点的方法来实现协同解决方案的发展。

验证码已经在上述介绍中被定义为一个每个众包工人和利益相关者之间贸易关系的报偿系统。然而，在过去的几年中，一种不同的互惠方式已经推动了一类人本计算的平台，在这个平台上参与者自己本身就是获利者，他们共享目标。在这个良性循环的系统中，个体参与者提供信息，然后再结合其他用户的信息和共享成果。该平台提供这个形式，是易于理解并针对每个用户独特需求的，使现实生活中的行为得以修改，而且经常改进个人用户的结论。

在一些案例中，参与者需要一直向系统报告新的结果，并且继续这个良性循环。注意这个情境下的“美德”，指的不是在应用领域上，而是对更大的整体的影响，这是反过来利用个人参与者来鼓励进一步的结果贡献。

良性循环系统的巧妙又有效的一个例子是叫做“Trapster”的在线平台。在Trapster中，参与者就是一个司机，当他们看见路边的汽车超速监视器时，他们需要就做的就是按下智能手机应用程序的按钮。应用地理注册的方法，中央服务器记录的汽车超速监视器的观察位置和时间，从而帮助整合，将所有汽车超速监视区的位置和在他们直接路径中新的汽车超速监视器报告给Trapster的用户，这样他们就能远离法院的传票。具有讽刺意味的是，Trapster完全是在提高速度限制遵守度，这给与此平台毫无关联的一些人带来了意想不到的好处，比如执法机构，或许还有当地的行人。

其他值得一提的良性生态系统的例子包括PatientsLikeMe项目和YardMap项目。PatientsLikeMe项目保证社区居民拥有能够定期报告他们当前症状以及治疗方式的医疗条件。汇总的数据被用来提供直观的图表和记录针对特定的疾病群和病人的症状治疗效果，这是根据对其他病人起作用的药物和病人的临床表现绘制而出的。连带的获益者是那些医学研究组织，他们购买匿名数据以开发更有效的治疗方法。

鸟类学Yardmap项目的康奈尔实验室允许在线参与者在共享航空地图上描述任何一块地域，提供由后院或者屋顶花园到公园或企业园区这些区域的详细地图，并确定生境类型，独立客体及作用（例如，植物，楼顶的太阳能板，堆肥）。用户可以询问他们的植物，生境，作用等等，而更为熟悉的用户可以观看这些带有注释的庭院图，然后提出一些环境维护的建议，来整合社会网络，促进学习以及帮助新人成为未来用户的资源（狄金森和克林，2014）。社区还利用平台通过共享目标来共同工作，如增加附近地区原生植物群的数量或者扩大传粉昆虫的栖息地。Yardmap从而产生有用的维护数据，这些数据可连接到实验室的鸟类监测工作，同时也作为一个强大的平台来利用在线社会动力去影响与用户目标一致的现实中的行为（狄金森，克雷恩，里夫，舒尔德特，2013）。 

即使这些良性生态系统为这些投入者展现了一个循环利益，那么也不难想象一些恶意的运用。为了更好的了解这些风险，这个话题由最近的研讨会突破团队提出的（多个作者，2015），他们认为这些应用方法（例如级联社交网络）是扩大虚假情报的种子（麦当娜等，2014）。 

互联网的出现消除了人类协同的物理障碍——一个实体会议室能容纳30个人，但是一个虚拟房间可以容纳3000万人。这就意味着信息处理的工作流程包括了人，机器，或这两者的贡献，在一个前所未有的规模上，使得集体创新和问题解决成为可能。例如，在这么一种分布式信息处理上应用机器为基础的集成方法，就达到了“集群智慧”的效果（Surowiecki，2005），即计算机集成答案超越个人最佳答案。从订单的信息的回溯(Steyvers, Lee, Miller, & Hemmer, 2009)（例如，这20本书以什么样的顺序出版）到解决旅行推销员的麻烦(Yi,Steyvers,Lee, & Dry, 2012)（例如，给定一个路线图，从A到B的最短路径是什么？），这种影响已经在各类问题上得以证实。结果表明，用来整合人类输入的特定的算法和基本的理论是这些方法成功的关键（Yi等人，2012）。

与群体智慧的方法——倾向于非社会化并依赖于算法的途径去结合人类的答案相比，其他集群智慧的方法则是增强人与人之间的合作。事实上，全球脑研究所的弗兰西斯海莱恩，将集群智慧定义成“一组解决问题的能力”（米切鲁奇，2013c）。安妮塔伍利和她的同事们进一步讨论了这个概念，通过创造“群体智商”的指标作为一种影响小团体问题解决能力的调查因素（Woolley,Chabris, Pentland, Hashmi, & Malone, 2010）伍利等人，得出了一个值得注意的发现，在小组为基础的问题解决中成功的最重要因素是群体智慧，而不是个人智商。也就是说，群体成员的个人问题解决能力与团队合作解决能力相关度低。

美国国家航空航天局协同创新卓越中心（CoECI）已经成为推动集体创新的先驱，它的成功促使美国其他的联邦机构对这种方法也产生了兴趣，包括国土安全部和国家卫生研究院。在美国航空航天局比赛风格的争夺赛中，解决问题的部门获得问题描述，之后奖品会颁发给最佳的方案。在一件值得注意的案例中，一个提升美国航天局对太阳质子效应（由太阳耀斑导致，其辐射对航天器和宇航员造成危害）的预测能力的挑战出现了。经过前美国航空航天局和学术界的努力，他们可以提前一到两个小时预测到这样的效应。获奖的方案是由一个退休的无线电工程师提出的，这个方案能够提前八个小时预测到此效应并且有85%的准确率（戴维斯和理查德，2010）。 

虽然没有本质上的合作，这样比赛风格的竞赛能够带来更多的合作，共同意识推动小组之间相互结合他们的方法以此达到更具竞争力的效果。这样的自发的合作发生在2009年Netflix奖争夺赛中，在之前电影推荐的基础上，寻求一个更好的算法来预测用户喜好的电影匹配推荐。5万美元的奖金颁发给了最好的方案，但是想要获得百万美元的大奖，获奖的方案必须至少超越现有的“Cinematch”推荐系统10%。两个团队很接近，但是都不能超越10%的提升门槛得到特等奖，所以他们决定融合两者的方案，结果超越了原有系统10.09%，虽然划分了奖金，也获得了不少奖励。

在局内，美国宇航局采用了更多的集体（和更少的竞争）创新形式，利用第三方平台（如InnoCentive@work），即由引出问题定义的在线协作的工作流过程驱动问题解决，促进协同工作讨论，然后简化方案评估。更复杂的分布式问题求解方法也层出不穷，如ePluribus问题求解，采用stigmergic（即简介协调，如蚂蚁留下的气味）的方法使得用户协作开辟出一个初始状态到目标状态之间的解决途径。在这个路径查找的过程中，ePluribus也促使问题分解成可管理的组件，可以由用户异步解决，然后将来自各个不同问题解决的反馈子解决方案融合起来，求解到一个集体解决路径（格林尼和杨，2013）。这种方法有扩展到数以百万级用户的潜力。

有些人可能把科学界正在进行的活动看作是一个集体智慧的形式。事实上，借助合作平台，执行科学进程与交流实证研究结果变得越来越自动化，通过公众参与公民科学，在线期刊管理系统，实验数据采集（Shreejoy等人，2013），连接集群科学的框架中自动化岛的候选方案（Thierry Buecheler，2010）。然而，如今的科学往往是一个连续的过程，一个单独的研究团队提出假设，方案，结果和结论——这是研究结束后，研究报告发表所包含的内容。

你可以想象一个合作科学的平台，其中的科学交流与实验研究共同进步发展，研究稿件可以由任何人在任何阶段传入。在软件开发领域采用版本控制技术，例如分支过程，允许一个简单的假设在多个方面进行测试，并对所得的数据本身进行各种分析和推论，推动“版本2”的研究，新的假设由版本1的研究结果驱动，这些都是一个可追踪的活动，数据和结果的共同框架。这种新形式的开放式研究将更好地发挥个人优势，提高透明度，允许瞬时知识转移，并有利于复制。另一方面，它将带来一系列新的挑战，例如如何实施信用分配。比如说，记入A提供假设，B决定方法，C改善B的方法，D统计分析，等等。尽管如此，为各种数据采集及保存的群集工作系统连接这种合作研究平台，普遍参与科学研究的文化和显著的科技进步得以产生。

因此讨论出的集群智慧的途径相当具体，通过明确的方法或者过程来达到一定的结果。事实上，我们的集群智慧的做法本质上已经将人类融入了不同阶段的算法流程中。然而，人类的认知，它代表我们最复杂的能力智力模型，似乎表现出了多层次的抽象能力以及新型的特性，如意识，就是从综合能力中诞生的。事实上，我们所认为的方式并不是算法。那么，我们使用群集智能的方式更为接近的模仿人类的认知过程，我们又希望从中获得些什么呢？

著名的认知科学家和人工智能先驱明斯基，在1988年出版了一本名为《社会思维》（明斯基，1988），以一个完全新型的学说和与其共同发展的西摩学说为基础，人类的大脑功能由无数个专用模块组成，在这些模块的相互作用下产生更高水平的认知。跟随明斯基的脚步，其他人也开始做了一些具体的尝试，研究各个模块相互作用，以此解释人类的认知功能（见（Chong，Tan和Ng，2009））。这些认知理论，以及其他更多生物启发的方法，都在软件中实现认知架构，从而能有效的复制目标，记忆，学习，推理和其他认知能力。如今，还没有一个认知架构能够提供出全面复杂的人类认知工作模型，但是这一行的研究使得我们模拟越来越接近人类智慧。

这种认知结构的概念提供了一个情形——思考如何去设计类似人类与人相近的群集智能。将一个有前途的认知架构看做一个起点，在这个架构里每个基于模块的系统或者专业化的进程中，设想一个替代人类或者专门设计的人类群集。也许用这种方式去实现一个完全意义上的认知系统，不仅仅表现于在专门任务上的群集智能，而是体现出集体的目标——执行收集，处理以及在帮助大规模的信息处理等高级的功能。即使这样一个混合认知架构也许是一个实现人类群集智能的合理方法，要达到超人级别的群集智能还需要全新的认知架构，无论是人还是人造系统，都要最大限度的提高功能模块之间的协同效应。

随着群集智能在社会中的普及，一些群集精神病理学的风险也浮出水面。人类的心理疾病（例如神经症和精神病）往往可以被改写为信息处理功能（恩德雷斯，2011），这也会在群集信息处理系统中发生（布鲁姆伯格和米切鲁奇，2013）。个体精神疾病和人类群集系统性精神病理学的潜在相互作用有待研究。因此，当我们开始越来越依赖系统呈现的群集智能，我们理应保持这种潜在的风险意识，并寻找缓解措施。 

正如所讨论的，群集智能研究往往集中在理解智能是如何在多个个体相互作用后产生的，以及如何运用这些知识去设计比他们的组成人（constituent human）或者单独的机器系统更有效率的系统。虽然这样的群集智能系统也许可以用来处理现实世界的数据，并且能够自己组成物理系统（例如人和机器），他们不一定直接与物理世界有所互动。 

然而，人性化分布式传感是一个有权不断发展的研究领域，包括集体感知的方法，即应用统计的方法获取社会网络数据，人作为传感器，其中涉及人类在自然环境下通过移动设备报告他们的主观直觉经验，并参与感知过程，即人类使用便携式传感器技术从这个世界上获得客观数据（雷希，2013）。一个巧妙实施参与式感应的方法是“路撞”（SteetBump），一种智能手机的应用程序在后台运行，当人们开车经过时，设备的内置加速度计能感应到坑洼路面。当感应到“撞”时，会把GPS数据到报告到中央服务器，它将会在地图上记录这个坑洼的位置，以此帮助未来的道路修缮（Carrera, Guerin, & Thorp, 2013）。在这个例子中，参与感知是基于人类行为的存在形态，因此，除了下载和运行应用程序，不需要任何新的活动行为。

其他两个分布式传感方式如上所述，人作为传感器和集体感应的个体，在危机救援工作中是很有用的（迈耶，2013）。紧急报警平台的人群地图平台临时创建一个地理空间信息，用户可以提供主观的，特定区域的信息更新图。这个以人为传感器的平台在2010年海地地震中被采用，每个人都以一个四位代码来检测他们的自身需要，每个需求都会自动定位到地图上。在2012年造成菲律宾巨大损失的的台风巴勃罗期间，通过集体感应进行损害评估，收集到了20000个相关信号。然而，一个新的问题出现了——如何从社会网络数据中获得可操作信息。有趣的是，联合国工作小组决定利用众包来分析集体遥感数据。CrowdFlower，一个专业从事众包微任务， 将这些信号的分析分配给上万个众包工人，这些人发现任何照片或视频的链接，然后对损害情况进行影像评估。十二小时之内，专案组能够得出一个地理坐标毁伤评估图的链接，这些信息都来源于集体感应和众包社会网络分析。 

除了通过集体传感来放大意识感官，人本计算也提供了一个通过协作行为来提高效率的机会。群理论展示出地区协作是如何导致整体行为突变（例如，迁移鹅群的V形队列）。通过调停技术提供的集中协调的机会能够被用于共享本地相关信息，个体行动者也能提升其效力，并执行更为复杂的任务。维基百科专题是一个自动化的工具，旨在通过利用获得用户活动信息的可能性来协调维基百科投稿者的线上活动。通过调用关注其他共享同一目标的用户，维基百科专题试图鼓励投稿并减少重复的工作，即便这个效果受限（里尔等）。

而群集智能，分布式传感，还有协调行动，当它们成功实施时，每一个自身都具有潜在的变革能力，将这些统一系统中的功能结合起来的前景显现出了诱人的机会——建立一个分布式的有机体系，用于标示群集机构。这样一个“超级有机体系”可以通过它的分布式感官能力表现出群体意识，预测精度也达到了前所未有的准确度，完成复杂过程，实现多角色行为。这个模型在完全社会性的昆虫物种中有进化的先例，通过本地协作获得生存优势，整个群体出现集体行为。事实上，最近一个关于这些昆虫行为的比较分析使得开放源软件的发展为人类的计算方法提供了新的启示（Pavlic & Pratt, 2013）。

生物计算的影响已经于一个在线捉迷藏的游戏中进行了调查，这个游戏的目的在于衡量共享遥感的影响，集体推理，以及群体效能上的协作行为（米切鲁奇，2013b）。采用一种新的技术，即模拟现实增强技术，使它能够测试尚未改造的协同增强作用。相反，虚拟现实，即在计算机生成的环境中模拟外界过程，通过显示器增强的现实虚拟元素叠加到真实世界中。由于增强现实技术现在还比较稚嫩，模拟增强现实在虚拟环境中是作为一个有用的代理存在的。 

对于团队绩效的有机计算的整体利益由研究结果所支持，如中央预测的那样，更大的组群比相对小的组群在生物计算上获得更多的效益。这些早期的研究结果暗示了它的转换能力可能会由于大规模的生物计算而出现。在每一个规模的组织单位，从企业（Brambilla和fraternali，2013）到政府，从社会到国家，甚至全人类都能够从协和作用，效能，和通过这些方法产生的相关意识中获益。

协同进化，收敛，及其产生

生物计算，正如上一节讨论的，描述了一个人类跨空间内在联系的技术趋势。为了看到完整的蓝图，需要我们退一步，并思考跨越时间的内在联系的影响。从一代人到下一代，Smaldino和Richerson将累积文化描述成“了解到的信息与行为（即）可靠的传输及其改进”（Smaldino和Richerson，2013），并指出没有单独的个人知道如何从头构建一个计算机。因此，累积文化作为人类的长期记忆，确保了每个新生代不需要重蹈覆辙（或者在计算机方面）。但是，内存又驻留在哪里？

一直以来，技术本身已经改善了我们累积文化的能力。虽然终结的一代也许已经通过讲故事和引导的方式传播了智慧和知识，书面交流和保存方法的出现将人类知识的状态空间扩展到外部的，物理的世界。最终，我们发展出了抽象符号的方法去指定一个过程，比如一个数学公式，甚至制造了机械设备来执行这样一些过程，一直以来都仔细的记录着我们的方法，所以后人们可以在这些方法的基础上再加以研究。而且，事实上，我们能够利用知识通过电子穿过半导体的方式去复制这些计算过程，甚至用它们去储存这些信息。这方面的知识，使我们通过日益复杂的方法，去扩展信息过程以及储存外界信息的容量，并且提升人类与物质世界之间信息交流的流动性。因此，通过两代之间的合作得到进化的该技术已被进一步精简，协作，从而加速技术和人类社会在自我延续过程中的共同进化的进程。 

上述分析表明，人体系统与技术的融合引导了人类之间时间和空间上连通性的增加，而且这已经在物理系统中实现技术了。为了更好的定义一个持续增长的收敛人类系统和技术的潜在意义，考虑一个简单得耦合作用也许会很有用。想象一个习惯于在她的头上头脑中加3位数的学生，这并不太难，因为大多数人能够在短时记忆中能够保留一部分信息。现在给她一道难一些的算术题，涉及到增加两个十位数。因为很难记住这枚多数字，这个学生决定用纸和笔来进行计算。这就出现了一个有趣的问题：纸张作为状态空间（即工作记忆）替代她的大脑激活模式来解决问题，是部分发生在她脑外的思想吗？克拉克和查尔莫斯认为认知行为，即使用外部物理结构增强认知，以此构成了人类的思维延伸（克拉克和查尔莫斯，1998）。这种观点将人类有机体和促进的身体构造看作一个认知耦合系统。 

延伸这一认知耦合系统的概念包括不同尺度下的人类的一切系统，以及所有协助人们处理和共享的物理系统，而且储存信息也意味着一个理解与预测人类系统和技术融合的新框架。

 
图3：宇宙的认知模型 

在这个框架中（见图3），将物理宇宙看作一张画布，上面是生命的编码知识。人类作为信息处理器，聚合者和演绎者，作为物理状态空间以及与你网络之间的中介，后者为前者的知识进行编码，然后反过来操纵前面的过程。从本质上来说，网络空间可以被认为是信息的经济表示，以在物理设施基础上提供通信，数据存储，计算和算法的工作方式存在。然而在实践中，网络空间中是人类表现，共享以及建立对宇宙理解的媒介。因此，随着网络空间的人际互动变得更加普遍，频繁，多样，由此产生的耦合认知系统发展更忠实于模型本身。 

现今，我们共享的宇宙模型主要是零碎的分散在专家头脑以及某些特殊群体中。更糟的是，我们每日都被淹没在物理，基因组学，社会，经济学和其他种类的数据字节中。因此，除了特定领域的计算模拟的孤立存在，我们的主要知识经验呈现为静态，编码在在人类语言以及数据的知识分布在异构存储库中。幸运的是，人本计算系统（比如维基百科）通过协同知识获取的方法改善了这一境况。此外，支持人本计算的基础设施，如语义网，将启用新的人性化的发现和使用连接孤立数据集的方法编写出的更有用的编码（Simperl, Acosta, & Flöck, 2013）。随着时间的推移，我们会用越来越复杂的人本计算的方法帮助我们累积文化，增多数据衔接桩，以及事物的运行原理——也就是说，准确的预测，发生在包括生命形式在内的物理系统之间相互作用的动力模型。事实上，这些模型能够自省，作为人类贡献者也会做自身的、与其他人以及物理系统的关系建模，也包括建设基础设施的模型。最终，我们可以想象一个系统的最终情况，能够最好地协助我们预见自身对世界的影响。 

之前描述的信息加工的有机观点表明了生存需要一个有机体对其本身及其环境使用精确预测的因果模型。当这一观点在全局范围内被应用，对生活进程与物理宇宙相互作用的认知偶尔系统中，这样的预测模型成为了自我延续的元模型。换句话说，当生命形式协作并融合时，由于技术的启用，产生更为先进的信息处理系统，从而更好地进行预测。动态系统理论认为，这样的级联过程可能导致一个相移，即在生命宇宙中出现突发性质不同的模式组织。这种相移的一种可以想象的表现形式是意识。综合信息理论将人类意识定义为从属组织过程中的信息处理的因果关系，在意识出现所必须的处理要素中规定一个低水平的连接单元（Tononi，2008）。因此，一个足够水平的信息处理能力和复杂生命宇宙系统会导致普遍意识和自我意识的出现。再这样一个紧密结合的系统中，我们可以想象，集体思想的表现超越了作为单个思想个体，正如同个体思想超越了神经元组成的简单信息处理。

结论

每年，数据产量成倍增长。这种趋势将继续在设备中发展，如家电，越来越网络功能化。“量化自我”的改进形式将带来数以百万计的个性化，基于传感器的生理数据在运动过程中捕获数据流。然而，为了利用数据提升我们对世界的认识，它必须能够提供充足信息，这就同时需要一个目标导向的情境和一个可以提取有预测价值的信息处理器。人本计算，在某种意义上，代表一种新的“网络代理”，这将有助于处理物联网长生的海量数据。这种如大规模分布式问题求解、公民科学，分布式分析和协同建模的方法，将有效地利用人力2和机器代理互补的方式将大数据转化成有用信息。 

由于新兴技术的产生，人与技术的融合将继续加速，如神经植入物和扩增实境，扩大人类经验的范畴到更直接的将网络变成一个混合现实。信息生态系统将随着基于消费者和生产商信息的人类与机械的协调关系迅速成熟，引导出跨域聚结（如社会，金融，政治）和科学方法。大规模的协作将动态地嵌入转化为政策和不断发展治理模式的价值。自动化程度的提高，入无人驾驶汽车（J.纽曼，2014），将逐渐迫使人类占据一个较窄但更满意的劳动范畴来发挥人类特有的认知能力，如抽象、直觉、创造力等，甚至在满足感“低于原料药”（见莱茵哈特，2015）的情况下他们也能有所发现。

最终，我们会发现新的方法将非人类生活过程纳入我们的集体模型里（例如，哺乳动物，细菌，病毒）我们将开发纳米尺度的接口，支持微生物为基础的传感及信息处理。我们将发展新的传播和储存信息的方式。随着时间的推移，物理基底将会越来越经济且不可磨灭（见 Hornyak，2015）地作为一个知识积累的状态空间。我们的模型将包括其自身功能的原模型。最终，由于量子粒子的特定组合而产生的生命系统以及定义我们的宇宙的力量将能够群集地描述和理解其自身产生的机制，并且通过这一理解创造，新型的日趋复杂的系统将会反过来产生级别越来越高的解释模型。这种失控复杂形势的启示很难预料，但是可以想象的是，这样的系统将变得越来越清晰，智能和富有影响力。