2.2　應用新業態

在智能物聯、邊緣智能、人工智能規劃和工業互聯網等新興前沿趨勢的推動下，基于群智感知和分布式協同計算的研究成果將逐步融入智慧城市、智能制造、軍事國防等多個國家重大需求和民生領域。更進一步，作為新一代群智技術催生的沃土，城市計算、智能制造、軍事智能等領域的實際場景、需求和問題也將推動其核心技術的突破，從而使應用與新技術發展同頻共振，引領產業新業態。

2.2.1　城市群智計算

智慧城市旨在通過引入、打通和集成信息化基礎設施、數據管理和控制系統來提供智能服務并解決城市難題，從而進一步提升人民生活質量、城市經濟競爭力以及城市持續發展潛力。它既是城市的核心基礎設施、數字經濟的核心載體，也是實現政務服務規范化、流暢化和興業惠民的關鍵?！爸腔鄢鞘小备拍钍状斡裳芯空哂?990年舉辦的題為“智慧城市、高速系統與全球化網絡”（Smart cities, fast systems, and global networks）的國際會議上正式提出，以探究如何通過新興技術聚合城市智慧從而形成可持續的城市競爭力。2008年，IBM正式提出“智慧地球”（Smarter Planet）愿景[14]，引起了全球范圍的廣泛關注。

在逐步成熟的信息化技術推動下，世界各國正積極尋求智慧城市的解決方案，《中共中央關于制定國民經濟和社會發展第十四個五年規劃和二〇三五年遠景目標的建議》中也明確指出加快數字化發展，推進城市設施全面信息化和數字化以及數字化政府業務和居民服務的建設。在此背景下，全球各大科技公司也紛紛在智慧城市領域布局。例如，微軟在全球合作伙伴大會上發布智慧城市CityNext計劃，協同利用多種物聯網設備感知和計算能力為教育、衛生、能源、交通、公共安全、政府管理、城市建設規劃、旅游及文化等8大領域提供了泛在的智能感知計算[15]；阿里城市大腦[16]致力于通過互聯網和人工智能發掘數據價值，構建城市新的基礎設施；京東城市計算致力于構建智能城市的操作系統，以生態的形式共建智能城市；華為提出建設智慧城市的馬斯洛模型[17]，關注泛在端設備連接網絡、多源異構數據湖融合、分布式感知視頻云計算等方面的智能提升。百度智能云在2018年正式將“智慧城市”業務[18]列為百度云計算的重要戰略組成部分，并關注云端融合的智慧城市感知與計算；騰訊云則提出“WeCity未來城市”計劃[19]，從數字政務擴展至城市治理、決策、產業互聯等多個方面，并通過終端應用將智能處理結果反饋給群用戶，從而實現一定程度的人機物融合感知與計算。

值得注意的是，上述關于智慧城市的構想和計劃都展現出了一個共同的特性，即未來智慧城市將是分布式、云邊端設備協同、多源感知數據與智慧融合的復雜感知與計算系統，也即城市群智計算系統。也就是說，城市計算存在于一個由多人（群用戶）、多機（群信息）、多物（群智體）異構分布式主體組成的大型網絡中，需要進一步研究如何實現人機物的協同增強。因此，本書中提出的研究分析及展望將從以下幾方面推動智慧城市的未來發展。

1）未來智慧城市將是人機物群智融合的復雜感知計算系統。結合人工智能和物聯網技術，分布式智能體的聯動和融合將有助于提升城市環境管理（如基礎設施資源分配）、業務流程管控（如特定業務自動化）和人機交互（如人機智能交互）的智能化程度。此外，在群智感知計算的全域，整合城市資源，融合互聯網、云計算、大數據、智能物聯、人工智能、區塊鏈等技術，集成分布式智能系統，從而實現城市設施、數據和領域可控的互聯互通也值得深入研究。在該背景下，如何充分利用人機物感知能力的差異性、計算資源的互補性、節點間的交互性，構建具有自組織、自學習、自適應、可遷移的城市群智計算系統，探索人類社會、物理空間和信息空間的無縫智能，并打通從芯片設計、代碼編譯、運算框架到應用服務整個流程，這些都將成為其中重要的研究問題。

2）群智能體的泛在協同感知與云邊端協同計算是城市群智計算的重要需求。泛在協同感知計算需具備設備資源兼容和環境自適應的能力。具體而言，智慧城市設施需不斷感知應用場景中的人或環境，并結合場景輸入、任務需求、設備資源和環境狀態等情境，通過信息的全面感知、數據全域整合和協同智能計算實現高效響應。因此，群智能體如何針對城市的不同場景進行全面精準感知，按需集成調度不同設備和資源，自適應調整群智能體智能識別或決策，構造特定應用領域的自組織、自適應機制以適應動態城市環境及應用場景等，都是重要的研究問題。此外，在智慧城市系統中，合理調度云邊端群智能體的分布式計算資源和協同計算能力，以提供更廣泛的邊緣智能服務、更穩定的信息同步和傳輸，節省回源帶寬并降低傳輸成本，同樣十分重要。

3）多源異構群智數據融合是城市群智計算的核心推動力。城市中蘊含著大量的群智感知數據，例如遍布城市的傳感和計算設備已融入城市的多個方面，并且每時每刻都在產生海量多源異構數據。而數據內在蘊含的特有規律或特征才是價值的體現。人機物融合空間囊括了來自物理環境、用戶或機器生成的多級異構數據。具體地，多源群智數據包含三個層次，即數據內容、交互情境和社會情境。數據內容指用戶參與并提供的數據，即物理空間的感知數據或用戶在社交媒體上的生成式數據。交互情境即數據生成的情境信息，可以進一步刻畫人和數據的關系，包括時間、地點和交互信息等。社會情境關注參與該數據收集的群體特征，即關于數據個體和群體間的信息，涉及個體特征、個體間交互動態、社會關系等方面，是理解群體參與數據的重要信息。群智數據融合需要從人機物群智數據出發，衡量和利用群體行為的聚集效應，并利用計算技術分析和理解群體參與數據的學習方法。融合計算過程因為群體貢獻數據的雜亂性、碎片化、異質性等特點面臨三類挑戰，即跨模態群智數據的聯合表示、群智知識的特征級與決策級語義融合、群智數據的跨時空理解和關聯預測。第5章和第6章將對群智感知和數據融合問題進行詳細論述。

2.2.2　群智智能制造

面對新一輪的工業革命，國務院于2015年發布《中國制造2025》戰略文件，其中明確提出，要以加快新一代信息技術與制造業深度融合為主線，以推進智能制造為主攻方向。2017年，習近平總書記在黨的十九大報告中提出加快建設制造強國，加快發展先進制造業，推動互聯網、大數據、人工智能和實體經濟深度融合。同年，國務院發布《新一代人工智能發展規劃》，其目標為搶抓人工智能發展的重大戰略機遇，構筑我國人工智能發展的先發優勢，加快建設創新型國家和世界科技強國。其中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、自主智能系統成為人工智能的重點發展方向。新一代人工智能技術與先進制造技術深度融合，將重塑設計、研發、制造、服務等制造全生命周期的各環節，形成新一代智能制造業態，提升制造業生產力和競爭力。

新一代智能制造技術的關鍵特征是人、機、物等要素的協同融合，而智能物聯網作為連接人、機、物的橋梁將發揮重要的支撐作用。在制造領域，智能物聯網涉及的主體包括機器人、AGV小車、移動及可穿戴設備、邊緣設備、感知設備、生產制造設備、產品等。從技術角度而言，智能物聯網在制造業的應用分為兩個層次，第一層是通過工業互聯網技術來實現連接并獲取感知數據，第二層則是利用人工智能技術來對數據進行分析和學習。目前，以工業互聯網為核心的制造大數據獲取方面已經取得較大進展，而結合AI進行分析、學習和自適應演化等方面則處于起步階段。要真正實現人機物和諧融合的未來制造業智慧空間，還面臨群智協同機理、自組織與自適應能力、云邊端融合計算、終身學習、群智能體學習、制造業智慧空間等新的理論、模型和方法的諸多挑戰。

智能物聯與制造業的深度融合帶來了豐富的機遇，下面以四個場景為例進行介紹。

1）產品缺陷檢測。在復雜質量檢測場景中，利用基于深度學習的解決方案代替人工特征提取，能夠在環境頻繁變化的條件下檢測出更微小、更復雜的產品缺陷，提升檢測效率。美國機器視覺公司康耐視開發了基于深度學習進行工業圖像分析的軟件[20]，利用較小的樣本集就能在數分鐘內完成模型訓練。

2）制造工藝參數優化。采用深度學習方法對設備運行、工藝參數等數據進行綜合分析并找出最優參數，能大幅提升運行效率與制造品質。阿里云ET工業大腦[21]通過機器學習技術識別生產制造過程中的關鍵因子并進行優選組合，提升了生產制造效率與良品率。

3）預測性運維服務?；谄髽I累積的運維和業務數據等進行預測，可及早采取措施排除可能的風險，從而提高企業運行效率或降低運營成本。如Google將人工智能應用于數據中心[22]，使用神經網絡來預測耗電量變化，進一步優化服務器和制冷系統等相關設備控制以降低耗電量。

4）設備故障預警。個別設備的故障會給工廠帶來極大的損失，影響整個生產流程。三一重工和騰訊合作，把全球40萬臺設備按入平臺，通過實時采集一萬多個運行參數建立預測模型，以對設備狀態異常進行預警[18]。

對于上述場景，實現人機物和諧融合的未來制造業智慧空間面臨如下挑戰。

首先，人機物群智協同機理。制造業生命周期涉及人、機器、物料、工藝、環境、組織等多種要素，如何實現異構要素間的有機協同和高效協作是智能制造要解決的關鍵問題。智能物聯網通過大數據實時獲取、智能感知與自學習增強、分布式群智交互協同等方法來提供解決方案。在基礎模型和理論層面，需要首先探索人機物融合群智協同機理這一基礎性問題，為技術的突破提供支撐?；谏铩⑷祟惿鐣旱热后w智能研究的啟發，針對制造業的異構要素有機協同問題，也可以通過多智能體競爭合作的方式來提供支撐。借鑒生物界當中的各種生態模式，將其轉化為一些可用的規則，用于支持多智能體之間的溝通協作，進而通過多智能體模型研究復雜制造要素協同模式與制造效率、能耗、質量間的作用機理。此外，為實現制造業人機物群智協同，針對其各要素表達異構、知識碎片化等問題，還需構建統一的制造業知識圖譜表示模型，對各制造要素及其關聯關系進行結構化表征。在制造業生產過程中，會產生大量的數據和專家經驗，需提取工業語義關鍵信息并關聯形成具備專業特點的工業知識圖譜。根據所構建的制造群智表示模型，通過已有制造知識結構發現、挖掘、推理全新制造知識內容，并據此實現搜索、決策、協同等上層群智應用。

其次，自組織與自適應能力。智能物聯網與制造業結合的目標是實現工業領域的智能應用，具有自組織、自學習、自適應等特征。它使制造業主體能不斷感知任務和環境狀態，根據需要分布式組織各生產要素，不斷學習和豐富自身識別與決策能力，以適應動態的生產環境及應用場景，最終達到提高生產效率或產品質量的目的。智能制造系統中的各組成單元或要素根據生產任務的需要，自行選擇、組織和協調形成一種優化的結構，具有生物集群特征，能發揮群體智慧。智能制造系統能夠通過深度學習等方法感知系統運行狀態、產品質量狀況和上下文情境信息，并且通過強化學習、增量學習等方法根據反饋和新增樣本不斷提升學習能力。在機器學習和推斷過程中，智能制造系統的部署環境、運行環境、網絡資源等不斷發生變化，為使系統能適應不同的狀況，需要學習模型具有自適應壓縮、加速和模型參數根據新數據和新需求持續學習的自演化能力。

再次，云邊端融合高效計算。物聯網應用大多有實時性要求，如果把物聯網產生的數據全部傳輸給云端，將會加大網絡負載并產生數據處理延時。在此背景下，一種新的計算模式——邊緣計算應運而生[15]。邊緣計算指的是在網絡的邊緣來處理數據，這樣能夠在減少請求響應時間的同時保證數據私密性。針對本地計算資源不足的問題，邊緣計算的加入也提供了新的機遇，通過云邊端融合產生新的高效計算模式。云邊端融合的模型分割計算根據整體或終端關注點傾向，通常采用兩種方式。一種方式是降低整體模型的資源消耗。因為深度網絡某些中間層間的傳輸數據量要遠小于原始數據量，因此，選取合適的模型分割點能夠降低數據傳輸量，減少全局資源消耗。另一種方式是降低模型在單臺設備上的資源消耗。深度學習模型在分割之后，每個網絡對硬件資源的需求將大幅度減少，可以在資源受限的硬件設備上運行。目前模型分割主要集中在“端云分割”[19]，即將深度學習模型在某一點切分后，一部分部署在終端設備上，一部分部署在云端，二者共同完成學習和推斷任務。而在智能制造設備異構、數量豐富、拓撲易變的背景下，如何實現多異構設備間的協同和模型優化分割是需要進一步探討的問題。

最后，群智能體學習模型。近年來，制造業的智能化受到了學術界和工業界的廣泛關注，取得了一系列重要成果。然而，現有的方法和技術在制造業智能化提升方面還具有以下局限性：其一是傳統感知學習模型沒有考慮數據的分布性及由此衍生的不同制造業主體數據隱私保護的需求；其二是通過工業動態反饋進行強化學習是復雜產品參數優化的重要方面，然而制造要素的多樣性、制造環節的聯動性使得僅依靠單智能體的強化學習難以滿足全局性能優化的要求。具體地，在未來制造領域，需要在保障數據分享隱私安全的前提下開展跨制造要素、跨制造環節以及跨制造企業的分布式學習模型探索。因此，可以在工廠內多個設備之間或生產的不同環節和企業之間開展聯邦學習，通過經驗重播[20]、自我模仿學習[21]以及策略蒸餾[22]等機制實現智能體具備隨環境不斷演變的能力，或通過多智能體學習獲取團隊協作或對抗的策略，成功地與AI隊友和人類隊友協作。此外，針對制造業單個智能體感知范圍有限、基于反饋的參數優化能力差、群體學習能力弱等問題，研究者們前期開展的基于深度強化學習模型的多智能體協同增強相關研究，可將目標任務與動態調優模型關聯。面向特定的制造任務需求，群智深度強化學習模型可對各制造要素建模和協同學習，通過動態反饋和優化調整各智能體參數，可以使制造群體整體性能最優，從而實現多智能體協同增強。

2.2.3　軍事群體智能

2016年8月，美國國防部國防科學委員會發布了《自主性》（Autonomy）研究報告，指出“未來人工智能戰爭不可避免”。2017年7月，美國情報高級研究計劃局發布了《人工智能與國家安全》（Artificial Intelligence and National Security）研究報告[23]，指出“人工智能技術是國家安全的顛覆性技術”。2019年，《解放軍報》的文章《加速推進軍事智能化》[23]提出未來智能化戰爭將朝著以下方向發展：作戰指揮體制需要“算法支撐、人機融合”，規模結構“小型靈巧、模塊集群”，力量編成為多軍種融合、傳統部隊與無人化智能部隊自適應融合等。因此，作戰空間將突破以物理和時間為坐標的時空域和信息域，進一步向人機物融合群域和人機協同認知域延拓。即在復雜多變的戰場態勢下，一方面無人化自主戰地設備需要對戰場態勢進行感知、計算和決策，另一方面人類智能和多智能體協作學習算法智能的有機融合將是智能化戰爭的技術核心。具有自組織、自適應、自學習的人機物協作集群作戰，即軍事群體智能，將顛覆傳統作戰樣式和規則，提升戰斗力。

首先，大量異構無人集群（如無人機、無人船/艦和無人車等）將代替人類士兵完成高危作戰行動，成為主戰裝備。美軍預測到2030年，智能無人裝備將能夠自主決策執行任務，60%的地面作戰平臺可實現無人智能化[24]。自2015年DeepMind團隊在《自然》雜志上發表關于深度Q網絡的工作[24]中提出深度強化學習（Deep Reinforcement Learning, DRL）可以實現類人水平的控制以來，DRL在群智能體的自主決策和移動方面取得了較大進展，尤其是在自由度更高的即時戰略游戲《星際爭霸Ⅱ》中達到了人類大師級的水平[25]。由于強化學習在博弈對抗環境中有著獨特的優勢，因此國內外積極謀求發展智能和自主的軍事化系統。例如，基于蜂群機理的密集無人機編隊研究[26]，無人機可以通過共同觀察、發送電磁信號等進行通信，遇到攻擊的無人機可以自行組織或分散開，然后快速合并以重新發動攻擊。

其次，實時戰地情況下具有形態、功能、決策、能力等多域聯合自組織、自適應、自演化能力的研究在未來戰爭中也備受關注。自組織的集群作戰技術將成為重要的防御和進攻作戰樣式，依托環境感知、深度計算、作戰規則整合等技術支撐，集群作戰可同時發射數十乃至成百架無人機，由其自行精準編隊、精確分工，同時執行多種任務及多目標打擊的智能化作戰樣式?；谖⒂^的生物細胞和宏觀的昆蟲集群（如蟻群）等生物集群機理，通過與環境的分布式交互實現統一指揮協作，達到合理分配火力、發動自動化的無人集群火力攔截和主動攻擊戰爭。2019年9月，美軍正式提出重塑競爭力的“馬賽克戰”概念[25]，旨在打造一個由先進傳感器、多樣化集群、作戰人員和決策者等組成的具有高度適應能力的彈性殺傷網絡。其中，將觀察、判斷、決策、行動等階段分解為不同的力量結構要素，以要素的自我聚合和快速分解的無限多種可能性來降低己方殺傷鏈的脆弱性風險，并使對手情境復雜化，從而有利于在戰爭中取勝。在“馬賽克”戰構想下，部隊結構元素可以被重新排列成許多不同的配置，從而在軍事行動中保持快速變化的適應性能力。2020年2月，美國戰略與預算評估中心發布馬賽克戰的進一步研究報告[27]，關注如何對擁有精確打擊能力的對手進行主動的多域適應性變化。它把軍事作戰過程視為一個快速變化的復雜系統，并將先前為特定目的定制昂貴武器的做法替換為小型無人系統與現有能力進行持續動態組合的新模式，利用不斷變化的戰場條件和快速響應資源建立連接，使用低成本無人蜂群編隊以及其他電子、網絡等手段來擊潰對手。

最后，具有情境自適應能力的人機混合智能將逐漸成為戰爭決勝的核心要素。智能化的作戰將基于“平臺無人、體系有人，作戰無人、指揮有人”的策略，進一步細化人機協同的智能行為模式。根據美國陸軍研究實驗室的觀點，截至2035年，基于“人在回路”人機協同作戰的模式將實現自主化。筆者在文獻[28]中提出“人機共融智能”的概念，利用人類智能和機器智能的差異性和互補性，通過個體智能融合、群體智能融合、智能共同演進等實現人類與機器智能的共融共生，完成復雜的感知和計算任務。

隨著物聯網、移動互聯網和人工智能技術的發展，人機共融智能將不只局限在當前的同類群體協同（如人類、動物、機器），人機物資源異質的跨空間群智協同也對人機協同智能提出了更高的要求。但目前大部分研究都只是基于簡單個體、局部交互實現的人工集群系統，仍存在個體智能同構、復雜系統環境缺少定義、難于控制等方面的不足，而利用人類智能與機器智能的差異性與互補性，通過個體之間、個體與群體之間的智能融合、智能演進等實現人機共融共生以完成更復雜的群集任務，都需要更多新的探索。

綜上所述，人機物融合的群智計算在智慧城市、智能制造、軍事智能等多個國家重大需求領域的未來新業態中都體現出重要研究意義。