2.1　背景和趨勢

近年來，隨著5G通信技術、人工智能和設備硬件的發展，信息領域面臨著重要的發展與變革機遇。一方面，追根溯源，群體智能的研究靈感來源于生物集群、生態群落、人類社會的群智涌現機理，然而傳統眾包和群智感知計算研究對生物群智的發掘和利用還存在很大的提升空間。另一方面，在智能物聯、邊緣計算、新一代人工智能等新的發展機遇背景下，如何占據優勢、深入挖掘各領域的發展趨勢并使其為發展新一代人機物融合群智計算提供推動力也成為重要的研究動機。

2.1.1　智能物聯

當前物聯網、大數據和人工智能技術的快速發展與加速融合，催生出智能物聯網（Artificial Intelligence of Things, AIoT）這一極具前景的新興前沿領域。其中，人工智能的模型和算法擅長從海量無序數據中發現規律、學習策略，而物聯網則能為數以億計的實體設備建立廣泛連接。因此，人工智能與物聯網兩者的融合將發揮更強大的協同感知計算效力，但同時也將帶來更多值得深入探索的問題和挑戰。

首先，物聯網將持續增長并成為一種勢頭強勁的網絡。預計2025年我國物聯網連接節點將達到200億個，將遠遠超過互聯網主體（即人類用戶）的數量。谷歌預測，到2025年世界將被IoT設備主導。因此，未來數百億異構設備和用戶并發聯網產生的數據分析和融合需求將促成物聯網與人工智能的深度融合。與以人為中心的互聯網不同，AIoT[14]是把電子、通信、計算機、人工智能四大領域的技術融合起來的新型網絡，在互聯網連接的基礎上進一步拓展，實現人與人、人與物、物與物以及人與環境的廣泛互聯，從而將傳統“互聯網”和“物聯網”的連接范圍和連接方式提升為“人、機、物”三類異構主體的聯結共生和深度融合。

其次，AIoT背景下的群智協同研究面臨新的研究挑戰。AIoT在架構和實現層面通常包括物理感知層、網絡連接層、智能計算層和綜合應用層。AIoT首先通過各種異構設備聯網實時感知各類數據（環境數據、運行數據、業務數據、監測數據等），進而在終端設備、邊緣設備或云端通過大數據挖掘或機器學習算法來進行處理、理解和認知，如智能感知、目標識別、能耗管理、預測預警、自動決策等。近年來，智能物聯網應用和服務已經逐步融入智慧城市、智能制造、無人駕駛等多個國家重大需求和民生領域。由于海量AIoT設備具有全天候、多層次的感知、計算、存儲和通信能力，不僅能感知人和環境，而且能與人（群用戶）、機（群應用）、物（群智體）交互以滿足應用驅動的性能需求。此外，在終端智能和云邊端層次化資源控制等新興技術的不斷推動下，AIoT在感知、計算、通信和應用四個環節的整體聯動都需要人、機、物之間有更深入的協作和互補。因此，如何使群智能體以分布式協作的方式通過自組織、自適應和自學習增強演化，在AIoT全生命周期內實現群信息的優選匯聚和深度挖掘，并始終維持群應用總體性能與分布式資源能效間的權衡優化，已成為一個重要的科學問題。

最后，AIoT分布式協同生態尚未成熟，但發展潛力巨大。微軟、IBM、阿里巴巴、騰訊、華為、京東等企業近年來都積極在智能物聯網領域布局。2017年，谷歌逐步推出TensorFlow Lite框架[1]支持深度模型壓縮和硬件加速，Edge TPU[2]、Coral Dev Board[3]等硬件開發設備支持AIoT應用落地。微軟在2019年度的開發者大會上發布AIoT的戰略布局。2018年，阿里巴巴宣布進軍物聯網領域，定位為物聯網基礎設施的搭建者，提供IoT連接和AI能力，實現云邊端一體的協同計算，并開發了輕量級物聯網嵌入式操作系統AliOS Things[4]。騰訊也推出了一款物聯網系統TencentOS tiny[5]，具有低功耗、低資源占用等特點。華為則推出了面向物聯網的華為鴻蒙操作系統[6]，作為一種基于微內核的全場景分布式操作系統，在5G時代具有廣泛應用前景。京東也于2018年發布“城市計算平臺”[7]，結合深度學習等構建時空關聯模型及學習算法解決交通規劃、火力發電、環境保護等城市不同場景下的智能應用問題。然而，影響AIoT發展的阻礙因素之一是設備在計算資源（如算力、存儲）、操作系統、算法框架等方面的異構性，而統一的AIoT感知計算范式尚未發展成熟。在此背景下，人機物如何以分布式互補增強或競爭對抗的方式實現協同感知、學習、計算和通信以完成復雜任務成為重要的研究方向。第7章將對異構設備資源自適應、動態環境自適應和數據輸入自適應的人機物融合智能計算挑戰和前瞻性典型研究進行分析和探討。

2.1.2　邊緣智能

邊緣計算模式進一步豐富了“人機物”三元主體間的連接和計算關系，推動了“云邊端”異構平臺間的協同感知計算發展。當前，無處不在的人（智能手機、可穿戴設備）、機（云計算設備、邊緣設備）、物（具感知計算能力的物理實體）分別在云邊端不同位置產生了大量感知數據和計算需求，同時不斷增長的邊緣計算能力也促使將更多的數據分析和智能計算核心從云端下沉到網絡邊緣。

邊緣計算（Edge Computing）的概念和架構體系展望首次由美國韋恩州立大學的施巍松教授團隊于2016年提出[15]，旨在探索如何在靠近數據產生者的感知終端邊緣增加數據分析和智能計算功能以解決數據遠程傳輸的負載、延遲和隱私等問題。針對這些問題，研究者們紛紛從不同方面開展了關于邊緣計算的前瞻性研究。例如，移動計算和網絡頂會MobiCom于2017年的Panel討論中指出，邊緣計算已成為無線研究領域新興的重要趨勢，并于2018年起將邊緣計算作為該會議重點關注的領域主題之一；移動系統頂會MobiSys自2017年起設立了多個邊緣驅動數據分析、計算系統、服務應用等相關的主題研討會；網絡和操作系統頂會NSDI和OSDI等也涌現出很多邊緣計算主題的相關論文，對其層次化云邊端協同計算等核心技術進行研究。

研究者們針對如何通過智能算法模型輕量化和加速來提升邊緣智能識別應用的性能和能效性方面開展了探索性研究，例如美國麻省理工學院的Song Han課題組[8]、美國加州大學伯克利分校的Forrest Iandola課題組[9]、英國牛津大學的Lane Nicholas課題組[10]等。此外，面向動態異構場景，如何將各類智能算法（如基于深度卷積神經網絡的環境狀態描述模型、基于深度強化學習的自動控制模型等）集成到邊緣計算框架中，并且持續維護和管理動態自適應的邊緣群智能體研究也逐漸得到關注。然而，邊緣計算模式是集云計算、網絡通信、終端感知計算和智能算法為一體的新型計算模式，尤其是在人機物融合計算趨勢的客觀需求下，仍需要更多機理探索、方法設計和驗證發現。在此背景下，如何通過優化云邊端任務負載和資源配置，使人機物融合場景下的群智感知、計算、存儲、傳輸、應用和服務等多個環節能夠按需協同，并發揮能力互補優勢和異構資源的協同調度優勢，從而提升人機物融合的云邊端協同計算精確度、能效性、健壯性和隱私性，已成為重要的研究挑戰。具體地，如何通過人機物資源協同調配使群用戶、群智體、群應用的通信距離最小化、計算效率最大化、智能計算類人化是其關鍵目標。針對上述問題，第8章將對人機物融合背景下的分布式機器學習、聯邦學習、群智深度強化學習等群體分布式學習和云邊端協同計算的研究挑戰、研究進展和拓展思考進行詳細介紹。

2.1.3　新一代人工智能

2017年7月，國務院發布了《新一代人工智能發展規劃》，文中多次提及“群體認知”“群體感知”“協同與演化”“群體集成智能”等概念。大數據驅動知識學習、跨媒體協同處理、人機協同增強智能、群體集成智能、自主智能系統等成為人工智能的發展重點。科技部發布的《科技創新2030——“新一代人工智能”重大項目2018年度項目申報指南》[11]中，明確將“群體智能”列為人工智能領域的五大持續攻關方向之一。2020年1月，中國科學院發布的《2019年人工智能發展白皮書》[12]中，將“群體智能技術”列為八大人工智能關鍵技術之一。從人機物融合群智計算視角出發，人工智能可以從多個方面賦能群體智能。

首先，人工智能有助于提升現有群智感知計算模式中多個環節的性能。傳統的眾包平臺已經實現了一定程度的群體協作并取得較好成效，例如基于群體開發的GitHub平臺、基于群體編輯的維基百科、基于眾問眾答的知乎等。然而，群智知識的優選匯聚和統一表達、計算模型自主評估觸發與自適應學習演化、群體智能的主動感知與發現、任務協同與知識遷移共享、自我維持與安全交互、人機協作與增強、移動群體智能的協同決策與自動化控制等環節都有待進一步提升。

其次，人工智能有助于提升群智感知計算服務的自動化和智能化水平，形成群用戶連接-群數據獲取-群知識挖掘-群智體協作-群應用決策的智能化和自動化的完整技術鏈條。例如，現有的群智代碼開發平臺大多是簡單的代碼交付合并和評估推薦，未來的群智代碼開發平臺可以基于不同的用戶（如開發者）需求，基于群智的代碼知識庫以及系統架構和設計模式規范庫，采用自動化的代碼生成算法和強化學習的自動決策算法等多種智能，逐漸使“以機代勞”的虛擬類人智能體具備自動化的代碼監視、代碼架構與設計模式重構以及代碼自動生成服務，從而提升代碼和項目性能，并簡化程序員和代碼監視員的工作。

再次，人工智能可以賦予群智能體自主決策和行動能力。在真實環境中，由于多個機器人集群難以保持某種隊形到達預定目標，因此其結構也應以類似上面提到的生物中的結構變換調整隊形，增加結構的多樣性，以靈活地適應環境。以Li等人研發的能夠模擬生物細胞集體遷移的粒子機器人為例[9]，粒子集群在沒有外部光源刺激的情況下，只能隨機移動；當有外部刺激時，集群可朝向光源移動。如果在集群和光源之間設置一個有縫隙的障礙物，集群就可以改變形狀擠過這個縫隙，繼續向光源方向運動。一些復雜的強化學習算法具備解決復雜問題的通用智能，可以使智能體在圍棋和電子游戲中達到人類水平。例如，DeepMind實驗室研究的可戰勝人類頂級圍棋選手的AlphaGo[16]，以及在《星際爭霸Ⅱ》中達到Grandmaster級別的AlphaStar[17]，都用到了強化學習框架。《星際爭霸Ⅱ》的智能體模型整體上使用了演員-評論家（Actor-Critic）架構，輸入小地圖圖像以及當前所有的兵種信息（也就是人類玩家玩游戲時所能看到的信息），通過神經網絡層之后再輸出動作信息，其中包括選中誰、去哪里、去干什么等動作。

最后，人機共融群體智能與人工智能的雙向融合將推動人機融合認知科學的發展。圖靈獎獲得者Yoshua Bengio在全球最大的人工智能專家會議NeurIPS 2019上將當今和未來的深度學習研究與曾獲美國國家科學傳播獎的Daniel Kahneman的著作Thinking, Fast and Slow中描述的“system 1”和“system 2”認知概念聯系起來[13]，概述了通往人類級AI的研究之路。以深度學習為例，他論述了當前的深度學習思維就像“system 1”：直觀、快速、無意識、非語言、習慣性。而未來的深度學習應該像“system 2”：包含邏輯性、順序性、意識、語言學、算法化、規劃和推理能力。在不可控、不穩定和開放的真實環境中，實際問題往往需要在包含回歸、決策、認知與推理等問題的混合智能空間中尋找求解方案。因此，借助群智數據（如海量知乎、微博等社交媒體數據）中所蘊含的人類、邏輯、語言和認知（如“system 2”）思維有助于當前直觀、快速的人工智能算法（如“system 1”）進一步實現更高級別的人機混合智能。此外，人工智能特別是機器學習的進展很大程度上歸功于大量潛在的群體勞動，例如通過眾包完成的大量標記數據所形成的豐富訓練數據集（如ImageNet[5]）是淬煉機器學習理論、訓練機器學習模型的重要依據。通過重塑眾包模式，人們的合作、智能體的協作或者人機混合協作可以幫助人工智能算法利用更廣泛的信息，獲得更豐富的智慧和更強大的能力。

綜上，群體智能研究不但能夠借助人工智能算法獲得性能提升，也能推動下一代人工智能研究的理論和技術創新，從而為整個群用戶社會、信息空間和應用領域提供核心驅動力。在此背景下，本書整體貫穿了人工智能戰略機遇下的人機物融合群智計算思考，并在第9章專門探討了參與式樣本標注、示范模仿學習、人類指導強化學習等具體的人機混合學習的相關研究。