群体智能是指去中心化系统的集体行为，其中个体遵循简单的规则，从而实现自适应的群体层面问题解决。 这种概念在自然界中被广泛观察到，其中生物群体在没有中心控制的情况下完成复杂的任务。 三个常见的例子包括蚂蚁群落、鸟群和蜜蜂群，每个例子都展示了局部互动如何扩展到有效的全局结果。
蚂蚁群落通过觅食行为表现出群体智能。 工蚁在寻找食物时会留下信息素，从而形成其他蚂蚁可以跟随的路径。 当存在多条路径时，由于蚂蚁流量较高，较短的路径会更快地积累信息素，从而形成正反馈循环。 随着时间的推移，蚁群会收敛到最佳路径。 这一过程启发了蚁群优化 (ACO) 等算法，该算法用于路由和调度问题。 例如，ACO 模仿信息素的蒸发和强化来解决网络优化任务。 蚂蚁也会动态适应——如果一条路径被阻挡，它们会迅速找到替代方案，这表明在没有中央规划者的情况下也能实现弹性。
蜜蜂群使用集体决策来选择新的巢穴位置。 侦察蜂会探索潜在的位置，并通过“摇摆舞”来传达它们的发现，其中持续时间和强度反映了该地点的质量。 其他侦察蜂会验证这些地点，如果他们同意，他们就会加入舞蹈。 几个小时后，随着越来越多的蜜蜂聚集在最佳选择上，达成共识。 这一过程平衡了探索（搜索新区域）和利用（专注于高质量地点），这是优化算法（如粒子群优化 (PSO)）中应用的一个原则。 PSO 使用类似的反馈机制来迭代改进搜索空间中的解决方案，例如训练神经网络或调整参数。
鸟群，如椋鸟的集群，通过简单的规则展示了涌现的协调性。 每只鸟都遵循三个原则：避免碰撞（分离）、与邻居对齐方向（对齐）和保持靠近群体（凝聚）。 这些规则在本地执行，无需领导者即可创建复杂、流畅的模式。 这种行为启发了分布式机器人和自动驾驶车辆的协调。 例如，无人机群使用类似的规则来保持队形，同时适应障碍物。 缺乏集中控制降低了计算开销，使此类系统具有可扩展性——这是去中心化 AI 应用中的一个关键优势。 这些例子突出了自然界的群体策略如何通过简单性和局部互动解决复杂问题。