2.1　背景和趋势

近年来，随着5G通信技术、人工智能和设备硬件的发展，信息领域面临着重要的发展与变革机遇。一方面，追根溯源，群体智能的研究灵感来源于生物集群、生态群落、人类社会的群智涌现机理，然而传统众包和群智感知计算研究对生物群智的发掘和利用还存在很大的提升空间。另一方面，在智能物联、边缘计算、新一代人工智能等新的发展机遇背景下，如何占据优势、深入挖掘各领域的发展趋势并使其为发展新一代人机物融合群智计算提供推动力也成为重要的研究动机。

2.1.1　智能物联

当前物联网、大数据和人工智能技术的快速发展与加速融合，催生出智能物联网（Artificial Intelligence of Things, AIoT）这一极具前景的新兴前沿领域。其中，人工智能的模型和算法擅长从海量无序数据中发现规律、学习策略，而物联网则能为数以亿计的实体设备建立广泛连接。因此，人工智能与物联网两者的融合将发挥更强大的协同感知计算效力，但同时也将带来更多值得深入探索的问题和挑战。

首先，物联网将持续增长并成为一种势头强劲的网络。预计2025年我国物联网连接节点将达到200亿个，将远远超过互联网主体（即人类用户）的数量。谷歌预测，到2025年世界将被IoT设备主导。因此，未来数百亿异构设备和用户并发联网产生的数据分析和融合需求将促成物联网与人工智能的深度融合。与以人为中心的互联网不同，AIoT[14]是把电子、通信、计算机、人工智能四大领域的技术融合起来的新型网络，在互联网连接的基础上进一步拓展，实现人与人、人与物、物与物以及人与环境的广泛互联，从而将传统“互联网”和“物联网”的连接范围和连接方式提升为“人、机、物”三类异构主体的联结共生和深度融合。

其次，AIoT背景下的群智协同研究面临新的研究挑战。AIoT在架构和实现层面通常包括物理感知层、网络连接层、智能计算层和综合应用层。AIoT首先通过各种异构设备联网实时感知各类数据（环境数据、运行数据、业务数据、监测数据等），进而在终端设备、边缘设备或云端通过大数据挖掘或机器学习算法来进行处理、理解和认知，如智能感知、目标识别、能耗管理、预测预警、自动决策等。近年来，智能物联网应用和服务已经逐步融入智慧城市、智能制造、无人驾驶等多个国家重大需求和民生领域。由于海量AIoT设备具有全天候、多层次的感知、计算、存储和通信能力，不仅能感知人和环境，而且能与人（群用户）、机（群应用）、物（群智体）交互以满足应用驱动的性能需求。此外，在终端智能和云边端层次化资源控制等新兴技术的不断推动下，AIoT在感知、计算、通信和应用四个环节的整体联动都需要人、机、物之间有更深入的协作和互补。因此，如何使群智能体以分布式协作的方式通过自组织、自适应和自学习增强演化，在AIoT全生命周期内实现群信息的优选汇聚和深度挖掘，并始终维持群应用总体性能与分布式资源能效间的权衡优化，已成为一个重要的科学问题。

最后，AIoT分布式协同生态尚未成熟，但发展潜力巨大。微软、IBM、阿里巴巴、腾讯、华为、京东等企业近年来都积极在智能物联网领域布局。2017年，谷歌逐步推出TensorFlow Lite框架[1]支持深度模型压缩和硬件加速，Edge TPU[2]、Coral Dev Board[3]等硬件开发设备支持AIoT应用落地。微软在2019年度的开发者大会上发布AIoT的战略布局。2018年，阿里巴巴宣布进军物联网领域，定位为物联网基础设施的搭建者，提供IoT连接和AI能力，实现云边端一体的协同计算，并开发了轻量级物联网嵌入式操作系统AliOS Things[4]。腾讯也推出了一款物联网系统TencentOS tiny[5]，具有低功耗、低资源占用等特点。华为则推出了面向物联网的华为鸿蒙操作系统[6]，作为一种基于微内核的全场景分布式操作系统，在5G时代具有广泛应用前景。京东也于2018年发布“城市计算平台”[7]，结合深度学习等构建时空关联模型及学习算法解决交通规划、火力发电、环境保护等城市不同场景下的智能应用问题。然而，影响AIoT发展的阻碍因素之一是设备在计算资源（如算力、存储）、操作系统、算法框架等方面的异构性，而统一的AIoT感知计算范式尚未发展成熟。在此背景下，人机物如何以分布式互补增强或竞争对抗的方式实现协同感知、学习、计算和通信以完成复杂任务成为重要的研究方向。第7章将对异构设备资源自适应、动态环境自适应和数据输入自适应的人机物融合智能计算挑战和前瞻性典型研究进行分析和探讨。

2.1.2　边缘智能

边缘计算模式进一步丰富了“人机物”三元主体间的连接和计算关系，推动了“云边端”异构平台间的协同感知计算发展。当前，无处不在的人（智能手机、可穿戴设备）、机（云计算设备、边缘设备）、物（具感知计算能力的物理实体）分别在云边端不同位置产生了大量感知数据和计算需求，同时不断增长的边缘计算能力也促使将更多的数据分析和智能计算核心从云端下沉到网络边缘。

边缘计算（Edge Computing）的概念和架构体系展望首次由美国韦恩州立大学的施巍松教授团队于2016年提出[15]，旨在探索如何在靠近数据产生者的感知终端边缘增加数据分析和智能计算功能以解决数据远程传输的负载、延迟和隐私等问题。针对这些问题，研究者们纷纷从不同方面开展了关于边缘计算的前瞻性研究。例如，移动计算和网络顶会MobiCom于2017年的Panel讨论中指出，边缘计算已成为无线研究领域新兴的重要趋势，并于2018年起将边缘计算作为该会议重点关注的领域主题之一；移动系统顶会MobiSys自2017年起设立了多个边缘驱动数据分析、计算系统、服务应用等相关的主题研讨会；网络和操作系统顶会NSDI和OSDI等也涌现出很多边缘计算主题的相关论文，对其层次化云边端协同计算等核心技术进行研究。

研究者们针对如何通过智能算法模型轻量化和加速来提升边缘智能识别应用的性能和能效性方面开展了探索性研究，例如美国麻省理工学院的Song Han课题组[8]、美国加州大学伯克利分校的Forrest Iandola课题组[9]、英国牛津大学的Lane Nicholas课题组[10]等。此外，面向动态异构场景，如何将各类智能算法（如基于深度卷积神经网络的环境状态描述模型、基于深度强化学习的自动控制模型等）集成到边缘计算框架中，并且持续维护和管理动态自适应的边缘群智能体研究也逐渐得到关注。然而，边缘计算模式是集云计算、网络通信、终端感知计算和智能算法为一体的新型计算模式，尤其是在人机物融合计算趋势的客观需求下，仍需要更多机理探索、方法设计和验证发现。在此背景下，如何通过优化云边端任务负载和资源配置，使人机物融合场景下的群智感知、计算、存储、传输、应用和服务等多个环节能够按需协同，并发挥能力互补优势和异构资源的协同调度优势，从而提升人机物融合的云边端协同计算精确度、能效性、健壮性和隐私性，已成为重要的研究挑战。具体地，如何通过人机物资源协同调配使群用户、群智体、群应用的通信距离最小化、计算效率最大化、智能计算类人化是其关键目标。针对上述问题，第8章将对人机物融合背景下的分布式机器学习、联邦学习、群智深度强化学习等群体分布式学习和云边端协同计算的研究挑战、研究进展和拓展思考进行详细介绍。

2.1.3　新一代人工智能

2017年7月，国务院发布了《新一代人工智能发展规划》，文中多次提及“群体认知”“群体感知”“协同与演化”“群体集成智能”等概念。大数据驱动知识学习、跨媒体协同处理、人机协同增强智能、群体集成智能、自主智能系统等成为人工智能的发展重点。科技部发布的《科技创新2030——“新一代人工智能”重大项目2018年度项目申报指南》[11]中，明确将“群体智能”列为人工智能领域的五大持续攻关方向之一。2020年1月，中国科学院发布的《2019年人工智能发展白皮书》[12]中，将“群体智能技术”列为八大人工智能关键技术之一。从人机物融合群智计算视角出发，人工智能可以从多个方面赋能群体智能。

首先，人工智能有助于提升现有群智感知计算模式中多个环节的性能。传统的众包平台已经实现了一定程度的群体协作并取得较好成效，例如基于群体开发的GitHub平台、基于群体编辑的维基百科、基于众问众答的知乎等。然而，群智知识的优选汇聚和统一表达、计算模型自主评估触发与自适应学习演化、群体智能的主动感知与发现、任务协同与知识迁移共享、自我维持与安全交互、人机协作与增强、移动群体智能的协同决策与自动化控制等环节都有待进一步提升。

其次，人工智能有助于提升群智感知计算服务的自动化和智能化水平，形成群用户连接-群数据获取-群知识挖掘-群智体协作-群应用决策的智能化和自动化的完整技术链条。例如，现有的群智代码开发平台大多是简单的代码交付合并和评估推荐，未来的群智代码开发平台可以基于不同的用户（如开发者）需求，基于群智的代码知识库以及系统架构和设计模式规范库，采用自动化的代码生成算法和强化学习的自动决策算法等多种智能，逐渐使“以机代劳”的虚拟类人智能体具备自动化的代码监视、代码架构与设计模式重构以及代码自动生成服务，从而提升代码和项目性能，并简化程序员和代码监视员的工作。

再次，人工智能可以赋予群智能体自主决策和行动能力。在真实环境中，由于多个机器人集群难以保持某种队形到达预定目标，因此其结构也应以类似上面提到的生物中的结构变换调整队形，增加结构的多样性，以灵活地适应环境。以Li等人研发的能够模拟生物细胞集体迁移的粒子机器人为例[9]，粒子集群在没有外部光源刺激的情况下，只能随机移动；当有外部刺激时，集群可朝向光源移动。如果在集群和光源之间设置一个有缝隙的障碍物，集群就可以改变形状挤过这个缝隙，继续向光源方向运动。一些复杂的强化学习算法具备解决复杂问题的通用智能，可以使智能体在围棋和电子游戏中达到人类水平。例如，DeepMind实验室研究的可战胜人类顶级围棋选手的AlphaGo[16]，以及在《星际争霸Ⅱ》中达到Grandmaster级别的AlphaStar[17]，都用到了强化学习框架。《星际争霸Ⅱ》的智能体模型整体上使用了演员-评论家（Actor-Critic）架构，输入小地图图像以及当前所有的兵种信息（也就是人类玩家玩游戏时所能看到的信息），通过神经网络层之后再输出动作信息，其中包括选中谁、去哪里、去干什么等动作。

最后，人机共融群体智能与人工智能的双向融合将推动人机融合认知科学的发展。图灵奖获得者Yoshua Bengio在全球最大的人工智能专家会议NeurIPS 2019上将当今和未来的深度学习研究与曾获美国国家科学传播奖的Daniel Kahneman的著作Thinking, Fast and Slow中描述的“system 1”和“system 2”认知概念联系起来[13]，概述了通往人类级AI的研究之路。以深度学习为例，他论述了当前的深度学习思维就像“system 1”：直观、快速、无意识、非语言、习惯性。而未来的深度学习应该像“system 2”：包含逻辑性、顺序性、意识、语言学、算法化、规划和推理能力。在不可控、不稳定和开放的真实环境中，实际问题往往需要在包含回归、决策、认知与推理等问题的混合智能空间中寻找求解方案。因此，借助群智数据（如海量知乎、微博等社交媒体数据）中所蕴含的人类、逻辑、语言和认知（如“system 2”）思维有助于当前直观、快速的人工智能算法（如“system 1”）进一步实现更高级别的人机混合智能。此外，人工智能特别是机器学习的进展很大程度上归功于大量潜在的群体劳动，例如通过众包完成的大量标记数据所形成的丰富训练数据集（如ImageNet[5]）是淬炼机器学习理论、训练机器学习模型的重要依据。通过重塑众包模式，人们的合作、智能体的协作或者人机混合协作可以帮助人工智能算法利用更广泛的信息，获得更丰富的智慧和更强大的能力。

综上，群体智能研究不但能够借助人工智能算法获得性能提升，也能推动下一代人工智能研究的理论和技术创新，从而为整个群用户社会、信息空间和应用领域提供核心驱动力。在此背景下，本书整体贯穿了人工智能战略机遇下的人机物融合群智计算思考，并在第9章专门探讨了参与式样本标注、示范模仿学习、人类指导强化学习等具体的人机混合学习的相关研究。