Swarm Intelligence

📌 Brief Summary

"단순한 개체들의 위대한 합창: 중앙 집중적 통제 없이도 개별 개체들이 주변과 상호작용하며 만드는 집단적 질서를 통해, 개별 지능을 뛰어넘는 고난도의 최적해를 찾아내는 자연의 알고리즘."

"중앙의 지휘관 없이 단순한 개체들의 상호작용만으로 거대한 질서를 창조하고, 흩어진 정보 조각들을 모아 집단적인 최적의 해답을 도출하라" — 개미, 벌, 새와 같은 생명체들의 집단적 행동 양식을 모방하여 복잡한 문제를 해결하는 분산형 인공지능 기술.

집단 지능(Swarm Intelligence, 군집 지능)은 개미, 벌, 새와 같은 사회적 곤충 및 동물들이 보여주는 집단적 행동에서 영감을 얻은 분산적이고 자발적인 지능 형태입니다.

3대 원칙:
- Decentralization: 지휘관이나 중앙 통제 장치가 없음.
- Self-Organization: 개체 간의 로컬한 상호작용이 거시적인 패턴을 형성 (Self-Correction과 밀접).
- Stigmergy: 환경에 남겨진 흔적(예: 개미의 페로몬)을 매개로 소통하여 협업 수행.
주요 알고리즘:
- Ant Colony Optimization (ACO): 최단 경로를 찾는 개미의 습성을 이용해 네트워크 라우팅 및 물류 최적화.
- Particle Swarm Optimization (PSO): 무리의 이동을 모방하여 다차원 공간의 최적점 탐색.
로보틱스/AI 적용:
- Drone Swarms: 수천 대의 드론이 충돌 없이 군집 비행하며 입체적 공격이나 감시 수행.
- Multi-Agent_systems: 소형 AI 에이전트들이 협업하여 복잡한 소프트웨어 문제를 해결.

추출된 패턴: "Self-organization and Decentralized Collaboration" — 개별 에이전트는 주변의 국소적인 정보만으로 행동하지만, 이들의 상호작용이 누적되어 전체 시스템 차원의 목적(최적 경로 탐색, 먹이 확보 등)을 달성하는 패턴.
주요 알고리즘:
- Ant Colony Optimization (ACO): 페로몬 자국을 따라 최단 경로를 찾는 개미의 습성 모방. 물류 및 네트워크 경로 최적화에 탁월.
- Particle Swarm Optimization (PSO): 먹이를 찾는 새 떼의 위치 변화 모방. 연속적인 공간에서의 수치 최적화에 강점.
핵심 원칙:
- Scalability: 개체 수가 늘어나도 통제 부담이 크지 않음.
- Robustness: 일부 개체가 사라져도 시스템 전체의 목적 달성에 지장이 없음.
- Adaptability: 환경 변화에 유연하게 대응.
의의: 군집 로봇(Swarm Robotics), 트래픽 제어, 복잡한 조합 최적화 문제 등 중앙 집중형 제어가 한계에 부딪히는 지점에서 강력한 대안을 제시함.

과거 데이터와의 충돌: 과거에는 개별 지능(슈퍼컴퓨터 하나)을 키우는 것에 집착했으나, 현대 AI 인프라 정책은 작고 저렴한 에이전트 수천 개를 엮어 집단 지능을 구현하는 '엣지 군집 정책'으로 확장됨(RL Update).
정책 변화(RL Update): 군집 지능 무기가 가져올 통제 불능 리스크를 방어하기 위해, 인위적인 군집 비행 및 로봇 무리의 동작 프로토콜에 '킬 스위치'를 의무화하고 집단 윤리를 프로그래밍하는 국방 테크 정책이 수립됨.

과거 데이터와의 충돌: 초기에는 생물학적 모사에 치중했으나, 이제는 이를 수학적으로 정교하게 모델링하여 클라우드 리소스 배분이나 다중 에이전트 강화학습(MARL)의 협력 전략 설계로 응용 영역이 넓어짐.
정책 변화: Antigravity 프로젝트는 다수의 에이전트가 지식을 병렬로 가드닝할 때, 서로 중복되지 않으면서도 최적의 탐색 순서를 결정하기 위해 집단 지능의 분산 협력 프로토콜을 시스템 기저에 도입함.

Complex Adaptive Systems, Robotics, Simulated-Annealing, Self-Correction Mechanisms, Decision Theory
Modern Tech/Tools: Swarm Robotics, Slime mold algorithms, Boids simulation.