L’origine di tale campo di ricerca risale alla fine degli anni ’80 ed all’inizio degli anni ’90. In quel tempo alcune nuove conferenze (Artificial Life Conferences, Simulation of Adaptive Behavior, and the European Conference on Artificial Life) si sono svolte in Europa negli USA ed hanno tentato di coordinare persone che lavorano tradizionalmente  in campi separati (comportamento animale, scienza del Computer, robotica) che non comunicavano gli uni con gli altri. Credo che queste conferenze abbiano permesso una opportunità reale di inter-fertilizzazione, trasferendo idee algoritmiche dalla Biologia alle Scienze artificiali e fornendo strumenti dalle scienze fisiche alla biologia per studiare le dinamiche complesse. Nel 1990, sono stato invitato al primo meeting sull’intelligenza di gruppo in Filadelfia. Questo incontro, organizzato dal Prof. Alexander Meystel e Gerardo Beni,è stato parte di un Simposio internazionale sul Controllo Intelligente. Meystel e Beni hanno ascolatato il mio lavoro sul controllo condiviso nell’assegnamento di compiti,  basato sui processi di autoorganizzazione nelle colonie di formiche e hanno trovato molto interessante apprendere in che modo gli insetti organizzano le loro colonie e come questi principi possono essere applicati a sistemi artificiali, principalmente in un contesto robotico. Il simposio non ha attratto una particolare audience, ma ho potuto discutere in modo fruttuoso e quindi ho deciso di visitare il laboratorio di Beni Ferardo durante il periodo del mio post-dottorato. Era per me chiaro che, se noi abbiamo successo nell’analizzare e modellare un gran numero di comportamenti collettivi negli insetti sociali, ciò potrebbe permettere nuovi modi di risolvere molti problemi simili nella robotica e nelle scienze del computer. Negli anni successivi, ho trascorso 4 mesi in California ed ho visitato L’istituto di Santa Fé per un periodo di 8 mesi.  Durante la mia permanenza, ho incontrato uno studioso francese, Eric Bonebau, che frequentava la Scuola estiva sui Sistemi Complessi. Eric era un ingegnere delle telecomunicazioni che lavorava in un centro di ricerca della Telecom francese ed era interessato a scoprire le nuove tendenze della ricerca nelle Scienze Cognitive. Eric ha trascorso una settimana nella mia casa a Santa Fé ed ho iniziato a parlare con lui del mio lavoro. Tutto ciò era molto stimolante e abbiamo deciso di rivederci quando saremmo tornati in Francia. Questo è stato l’inizio di un periodo ricco ed intenso di collaborazione durante il quale abbiamo lavorato su molti modelli di comportamenti collettivi negli insetti sociali e sulle modalità con cui essi possono essere trasformati in dispositivi artificiali utili di intelligenza collettiva.

L’intelligenza collettiva è un campo di ricerca che si pone tra le scienze del Computer, la robotica e la Biologia degli insetti sociali. Essa utilizza i modelli di comportamenti collettivi degli insetti sociali per creare sistemi decentralizzati di interazione semplice e, spesso, agenti mobili.  L’intelligenza collettiva che emerge dagli insetti sociali risiede non nelle singole capacità complesse ma piuttosto in reti di interazioni che esistono tra i soggetti e tra i soggetti e il loro ambiente. Poiché i sistemi che esibiscono intelligenza collettiva implicano numerose entità che interagiscono, essi appartengono al complesso generale di sistemi connessionisti. Ma, mentre la maggior parte degli esempi di sistemi connessionisti implicano interazioni deboli con il loro ambiente, i sistemi di intelligenza collettiva interagiscono fortemente con esso: non solo nel  fare strutture che compaiono nell'ambiente a causa delle attività collettive, ma le attività collettive sono influenzate a sua volta dal modo in cui l'ambiente è strutturato.

Una delle caratteristiche più importanti degli insetti sociali è che essi possono risolvere problemi in un modo molto flessibile e robusto: la flessibilità permette di adattarsi alla modifica di ambienti, mentre la robustezza dota la colonia della capacità di funzionare sebbene alcuni individui non possano riuscire a eseguire isolatamente  il loro compito. Inoltre, gli insetti sociali hanno limitato le proprie capacità cognitive: è quindi semplice progettare agenti, inclusi gli  agenti automatici, che mimino il loro comportamento per qualche aspetto. In breve, la creazione di modelli di insetti sociali per mezzo di auto-organizzazione può aiutare a progettare dispositivi per la  risoluzione di problemi artificiali che si auto-organizzino per risolvere problemi.

Il fatto che esista competizione tra individui (prevalentemente per riproduzione) non è incompatibile con l'esistenza di qualche cooperazione al livello della colonia. Inoltre, ogni insetto segue un set  limitato di regole e costantemente scambia informazioni con il suo gruppo attraverso contatti diretti o indirettamente mediante ferormoni, o semplicemente, mediante il prodotto della  loro attività nel caso della costruzione del comportamento. Queste interazioni 'asserviscono' in qualche modo il comportamento di ogni insetto  così come le proprietà collettive emergono a livello di gruppo che  rende la colonia capace come una struttura  intera di organizzare l’attività in modo efficiente, flessibile e robusto. Cosa si può dire circa il prendere decisioni da parte di un gruppo di robot simile a scarafaggi? I processi di aggregazione auto-organizzata come sono osservati negli scarafaggi possono essere usati da un gruppo di robot con abilità cognitive e sensoriali molto limitate, per prendere una decisione collettiva. Quando gruppi di scarafaggi sono posti all’interno di uno spazio chiuso, dopo un certo periodo di tempo, iniziano ad aggregarsi. La traspirazione di ogni scarafaggio crea una microatmosfera che aumenta il livello di umidità e tende a mantenere la coesione di gruppo. Esperimenti hanno mostrato che l’aggregazione permette un feedback positivo: maggiore è il gruppo, più gli scarafaggi tendono a restare nelle vicinanze. Più precisamente gli scarafaggi aggiustano la loro probabilità di iniziare a muoversi o a fermarsi a seconda del numero dei soggetti che percepiscono nelle loro vicinanze. La probabilità di fermarsi aumenta quando il numero di larve nelle vicinanze aumenta. E quando il numero di  vicini aumenta, la probabilità di lasciare il gruppo si riduce. La combinazione di entrambi i comportamenti crea un feeback positivo che induce la formazione di un gruppo. In natura alcuni posti sono più attraenti per gli scarafaggi e promuovono l’aggregazione, in particolare gli scarafaggi preferiscono i posti bui e evitano la luce; al contrario se c’è un rifugio buio nel luogo, gli scarafaggi si aggregano nel rifugio. E se poniamo due o più rifugi identici bui vicini, osserviamo che gli scarafaggi si aggregheranno solo sotto uno dei rifugi, piuttosto che dividersi sotto entrambi i rifugi. Quindi gli scarafaggi sono in grado di eseguire una  scelta collettiva. E questa scelta deriva dalla combinazione di una aggregazione auto-organizzata e di preferenze individuali per posti particolari. Gli stessi meccanismi possono essere usati per prendere una decisione collettiva da parte di un gruppo di robots con abilità sensoriali e potere computazionale molto limitati. Per far ciò, abbiano usato microrobots progettati  dalla Scuola Federale politecnica della Lausanne.  Questi robot minuscoli sono lunghi circa due centimetri, con un piccolo microcontroller e equipaggiati con quattro  sensori infrarossi per la scoperta di ostacoli e comunicazioni locali tra robot.  Ed abbiamo realizzato nei robot le funzioni di  spostamento ed aggregazione locale degli scarafaggi per riprodurre fedelmente il loro comportamento. Con i loro sensori essi possono fare una stima della densità locale dei robot vicini, quindi  elaborare la probabilità di iniziare o interrompere il loro spostamento. Essi possono anche capire una differenza tra un ostacolo semplice ed un altro robot. Abbiamo eseguito una serie di esperimenti in cui a un gruppo di 10 robot veniva fornita la scelta tra due rifugi bui che erano posti nelle vicinanze. Quando essi si muovono sotto un rifugio l’intensità della luce si riduce ed essi hanno  una maggiore probabilità di interrompere li movimento. Non appena un numero consistente di robot si ferma sotto un rifugio, la probabilità per gli altri robot di interrompere il movimento quando raggiungono il gruppo, aumenta e alla fine tutti i robot si ritrovano sotto un singolo rifugio.

Per me c’è una analogia con quanto fatto da Pierre Lévy, ma si tratta di un campo che va oltre  quanto riportato sui fenomeni che abbiamo osservato nelle colonie animali.

La mia ricerca ora è focalizzata sull’analisi della morfogenesi delle strutture di reti  (1) e sulle colonie miste di insetti naturali ed artificiali (2). Un gran numero di strutture auto-organizzate costituite da insetti sociali così come  le strutture dei nidi sono reti o possono essere descritti come una rete. Sino a tempi abbastanza recenti queste strutture a rete non hanno attratto molta attenzione poiché essi erano considerati essenzialmente come dispositivo casuale. Tuttavia alcuni risultati sperimentali recenti hanno rilevato che la geometria della rete può essere una fonte valutabile di informazioni per gli insetti che viaggiano in questi sentieri e che queste reti possiedono inoltre proprietà funzionali interessanti come la robustezza e l’efficienza. Conoscere il modo in cui gli insetti sociali costruiscono la loro rete e come le strutture di rete possano aiutare la trasmissione dell’informazione nella colonia è di particolare importanza (2). Conoscere come l’auto-organizzazione lavori negli insetti sociali fornisce inoltre l’opportunità di controllare i comportamenti collettivi e le caratteristiche che emergono a livello di colonia.  Abbiamo osservato che modificando i valori di alcuni parametri ambientali possiamo indurre modificazioni profonde qualitative nel comportamento di gruppo. Ma possiamo anche immaginare che, usando sistemi artificiali che mimino i segnali semplici usati dagli insetti sociali per coordinare il loro comportamento, sarebbe possibile che un gruppo di insetti assuma il controllo in modo che essi possano comportarsi in modo concorde ai nostri stessi desideri. Infatti, ciò non è più un sogno dal momento che un progetto europeo attuale in cui siamo coinvolti con molti altri teams ha dimostrato che è stato possibile controllare l’aggregazione dei gruppi di scarafaggi con scarafaggi artificiali che mimano in qualche modo il comportamento di quelli reali e interagiscano con quelli.  Lo stato dell’arte della robotica è tale che, oggi, siamo in grado di disegnare robot autonomi in grado di interagire con gli animali e, usando questi robot per controllare i comportamenti collettivi di queste società miste di animali e robot. Esiste un numero in aumento di lavori in cui l’auto-organizzazione lavora in varie società animali, dalle colonie batteriche a categorie di pesci e gruppi di invertebrati. Anche nelle nostre società esistono alcune situazioni in cui un ordine spontaneo emerge ad un livello collettivo. Ad esempio, i pedoni hanno una naturale tendenza a seguire i loro prossimi pedoni e questo comportamento permette la formazione di una fila singola che spontaneamente si organizza nello spazio quando la densità dei soggetti aumenta. È superfluo dire che il nostro mondo sta diventando sempre più complesso. In gran parte questa complessità è la risultante dell’aumento delle interazioni e degli scambi tra le persone e dell’incremento impressionante di fonti di informazioni. Dunque, avere accesso ad informazioni giuste al momento giusto sta diventando di vitale importanza per prendere decisioni efficienti. Considerando tutte le variabili, l’uomo, a causa delle sue limitate abilità, è in una situazione simile a quella delle formiche: ha accesso spesso a solo una piccola parte dei dati che caratterizzano un problema dato. Per alcuni aspetti, possiamo pensare che i meccanismi usati dagli insetti sociali per più di cento milioni di anni per organizzare le loro attività e i processi informativi potrebbero essere una fonte di ispirazione per disegnare nuovi modi di condurre le nostre attività in modo da renderle più affidabili, adattabili e robuste.

Theraulaz, G., Goss, S., Gervet, J. & Deneubourg, J.L. 1991. Task differentiation in Polistes wasp colonies : a model for self-organizing groups of robots, pp. 346-355. In: Meyer J.A. & Wilson S.W., Edits. Simulation of Adaptive Behavior : From Animals to Animats. MIT Press/Bradford Books.

Deneubourg, J.L., Theraulaz, G. & Beckers, R. 1992. Swarm-Made Architectures, pp. 123-133. In: Varela F.J. & Bourgine P., Edits. Toward a Practice of Autonomous Systems, Proceedings of The First European Conference on Artificial Life. MIT Press/Bradford Books.

Theraulaz, G. & Deneubourg, J.L. 1992. On Formal Constraints in Swarm Dynamics. In : Proceedings of the 1992 IEEE International Symposium on Intelligent Control, Glasgow, Scotland, IEEE Computer Society Press, pp. 225-233.

Theraulaz, G. & Deneubourg, J.L. 1994. Swarm Intelligence in Social Insects and the Emergence of Cultural Swarm Patterns, pp. 107-123. In: Gardner A., Gardner B., Chiarelli B. & Plooij F., Edits. The Ethological Roots of Culture. Proceedings NATO Advanced Study Institute, Cortona, Italy, June 21-July 3. Series D: Behavioural and Social Sciences - Vol. 78. Dordrecht: Kluwer Academic Publishers.

Bonabeau, E. & Theraulaz, G. 1994. Intelligence Collective. Hermès, Paris.

Theraulaz, G., Bonabeau, E., Goss, S. & Deneubourg, J.L. 1994. L'Intelligence Collective, Pour La Science, N°198, Avril 1994, 90-95.

Deneubourg, J.L. & Theraulaz, G. 1995. L'Intelligence Collective, pp. 70-75. In : L'Intelligence Animale, hors-série numéro 103, Sciences & Avenir, Octobre 1995.

Bonabeau, E., Sobkowski A., Theraulaz, G. & Deneubourg, J.L. 1997. Adaptive task allocation inspired by a model of division of labour in social insects, pp. 36-45. In: Lundh D., Olsson B. & Narayanan A. Edits. Bio-Computing and Emergent Computation. World Scientific.

Bonabeau, E., Henaux, F., Guérin, S., Snyers, D., Kuntz, P., Theraulaz, G. 1998. Routing in telecommunications networks with ant-like agents, pp. 60-71. In: Albayrak, S. & Garijo, F.J. Edits. Intelligent Agents for Telecommunication Applications. Springer Verlag.

Bonabeau, E. & Theraulaz, G. 1999. Niveaux de sélection, intelligence collective et compétition interindividuelle, pp. 293-298. In : Gervet, J. & Pratte, M. Edits. Eléments d'éthologie cognitive. Du déterminisme biologique au fonctionnement cognitif, Hermès, Paris.

Bonabeau, E., Dorigo, M. & Theraulaz, G. 1999. Swarm Intelligence: From Natural to Artificial Systems. Oxford University Press.

Bonabeau, E., Dorigo, M. & Theraulaz, G. 2000. The social insect paradigm for optimization and control. Nature, 406: 39-42.

Dorigo, M., Bonabeau, E. & Theraulaz, G. 2000. Ant algorithms and stigmergy. Future Generation Computer Systems, 16: 851-871.

Bonabeau, E. & Theraulaz, G. 2000. Swarm Smarts. Scientific American, 282 (3): 72-79.

De Schutter, G., Theraulaz, G. & Deneubourg, J.L. 2001. Animal-robots collective intelligence. Annals of Mathematics and Artificial Intelligence, 31: 223-238.

Campos, M, Bonabeau, E, Theraulaz, G & Deneubourg, J.L. 2001. Dynamic scheduling and division of labor in social insects. Adaptive Behaviour, 8: 83-95.

Theraulaz, G. 2002. Comment les insectes sociaux peuvent-ils nous aider à résoudre des problèmes complexes, pp. 257-273. In: Borillo, M. & Goulette, J.P. Edits. Cognition et création. Explorations cognitives des processus de conception. Mardaga.