2.2　应用新业态

在智能物联、边缘智能、人工智能规划和工业互联网等新兴前沿趋势的推动下，基于群智感知和分布式协同计算的研究成果将逐步融入智慧城市、智能制造、军事国防等多个国家重大需求和民生领域。更进一步，作为新一代群智技术催生的沃土，城市计算、智能制造、军事智能等领域的实际场景、需求和问题也将推动其核心技术的突破，从而使应用与新技术发展同频共振，引领产业新业态。

2.2.1　城市群智计算

智慧城市旨在通过引入、打通和集成信息化基础设施、数据管理和控制系统来提供智能服务并解决城市难题，从而进一步提升人民生活质量、城市经济竞争力以及城市持续发展潜力。它既是城市的核心基础设施、数字经济的核心载体，也是实现政务服务规范化、流畅化和兴业惠民的关键。“智慧城市”概念首次由研究者于1990年举办的题为“智慧城市、高速系统与全球化网络”（Smart cities, fast systems, and global networks）的国际会议上正式提出，以探究如何通过新兴技术聚合城市智慧从而形成可持续的城市竞争力。2008年，IBM正式提出“智慧地球”（Smarter Planet）愿景[14]，引起了全球范围的广泛关注。

在逐步成熟的信息化技术推动下，世界各国正积极寻求智慧城市的解决方案，《中共中央关于制定国民经济和社会发展第十四个五年规划和二〇三五年远景目标的建议》中也明确指出加快数字化发展，推进城市设施全面信息化和数字化以及数字化政府业务和居民服务的建设。在此背景下，全球各大科技公司也纷纷在智慧城市领域布局。例如，微软在全球合作伙伴大会上发布智慧城市CityNext计划，协同利用多种物联网设备感知和计算能力为教育、卫生、能源、交通、公共安全、政府管理、城市建设规划、旅游及文化等8大领域提供了泛在的智能感知计算[15]；阿里城市大脑[16]致力于通过互联网和人工智能发掘数据价值，构建城市新的基础设施；京东城市计算致力于构建智能城市的操作系统，以生态的形式共建智能城市；华为提出建设智慧城市的马斯洛模型[17]，关注泛在端设备连接网络、多源异构数据湖融合、分布式感知视频云计算等方面的智能提升。百度智能云在2018年正式将“智慧城市”业务[18]列为百度云计算的重要战略组成部分，并关注云端融合的智慧城市感知与计算；腾讯云则提出“WeCity未来城市”计划[19]，从数字政务扩展至城市治理、决策、产业互联等多个方面，并通过终端应用将智能处理结果反馈给群用户，从而实现一定程度的人机物融合感知与计算。

值得注意的是，上述关于智慧城市的构想和计划都展现出了一个共同的特性，即未来智慧城市将是分布式、云边端设备协同、多源感知数据与智慧融合的复杂感知与计算系统，也即城市群智计算系统。也就是说，城市计算存在于一个由多人（群用户）、多机（群信息）、多物（群智体）异构分布式主体组成的大型网络中，需要进一步研究如何实现人机物的协同增强。因此，本书中提出的研究分析及展望将从以下几方面推动智慧城市的未来发展。

1）未来智慧城市将是人机物群智融合的复杂感知计算系统。结合人工智能和物联网技术，分布式智能体的联动和融合将有助于提升城市环境管理（如基础设施资源分配）、业务流程管控（如特定业务自动化）和人机交互（如人机智能交互）的智能化程度。此外，在群智感知计算的全域，整合城市资源，融合互联网、云计算、大数据、智能物联、人工智能、区块链等技术，集成分布式智能系统，从而实现城市设施、数据和领域可控的互联互通也值得深入研究。在该背景下，如何充分利用人机物感知能力的差异性、计算资源的互补性、节点间的交互性，构建具有自组织、自学习、自适应、可迁移的城市群智计算系统，探索人类社会、物理空间和信息空间的无缝智能，并打通从芯片设计、代码编译、运算框架到应用服务整个流程，这些都将成为其中重要的研究问题。

2）群智能体的泛在协同感知与云边端协同计算是城市群智计算的重要需求。泛在协同感知计算需具备设备资源兼容和环境自适应的能力。具体而言，智慧城市设施需不断感知应用场景中的人或环境，并结合场景输入、任务需求、设备资源和环境状态等情境，通过信息的全面感知、数据全域整合和协同智能计算实现高效响应。因此，群智能体如何针对城市的不同场景进行全面精准感知，按需集成调度不同设备和资源，自适应调整群智能体智能识别或决策，构造特定应用领域的自组织、自适应机制以适应动态城市环境及应用场景等，都是重要的研究问题。此外，在智慧城市系统中，合理调度云边端群智能体的分布式计算资源和协同计算能力，以提供更广泛的边缘智能服务、更稳定的信息同步和传输，节省回源带宽并降低传输成本，同样十分重要。

3）多源异构群智数据融合是城市群智计算的核心推动力。城市中蕴含着大量的群智感知数据，例如遍布城市的传感和计算设备已融入城市的多个方面，并且每时每刻都在产生海量多源异构数据。而数据内在蕴含的特有规律或特征才是价值的体现。人机物融合空间囊括了来自物理环境、用户或机器生成的多级异构数据。具体地，多源群智数据包含三个层次，即数据内容、交互情境和社会情境。数据内容指用户参与并提供的数据，即物理空间的感知数据或用户在社交媒体上的生成式数据。交互情境即数据生成的情境信息，可以进一步刻画人和数据的关系，包括时间、地点和交互信息等。社会情境关注参与该数据收集的群体特征，即关于数据个体和群体间的信息，涉及个体特征、个体间交互动态、社会关系等方面，是理解群体参与数据的重要信息。群智数据融合需要从人机物群智数据出发，衡量和利用群体行为的聚集效应，并利用计算技术分析和理解群体参与数据的学习方法。融合计算过程因为群体贡献数据的杂乱性、碎片化、异质性等特点面临三类挑战，即跨模态群智数据的联合表示、群智知识的特征级与决策级语义融合、群智数据的跨时空理解和关联预测。第5章和第6章将对群智感知和数据融合问题进行详细论述。

2.2.2　群智智能制造

面对新一轮的工业革命，国务院于2015年发布《中国制造2025》战略文件，其中明确提出，要以加快新一代信息技术与制造业深度融合为主线，以推进智能制造为主攻方向。2017年，习近平总书记在党的十九大报告中提出加快建设制造强国，加快发展先进制造业，推动互联网、大数据、人工智能和实体经济深度融合。同年，国务院发布《新一代人工智能发展规划》，其目标为抢抓人工智能发展的重大战略机遇，构筑我国人工智能发展的先发优势，加快建设创新型国家和世界科技强国。其中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、自主智能系统成为人工智能的重点发展方向。新一代人工智能技术与先进制造技术深度融合，将重塑设计、研发、制造、服务等制造全生命周期的各环节，形成新一代智能制造业态，提升制造业生产力和竞争力。

新一代智能制造技术的关键特征是人、机、物等要素的协同融合，而智能物联网作为连接人、机、物的桥梁将发挥重要的支撑作用。在制造领域，智能物联网涉及的主体包括机器人、AGV小车、移动及可穿戴设备、边缘设备、感知设备、生产制造设备、产品等。从技术角度而言，智能物联网在制造业的应用分为两个层次，第一层是通过工业互联网技术来实现连接并获取感知数据，第二层则是利用人工智能技术来对数据进行分析和学习。目前，以工业互联网为核心的制造大数据获取方面已经取得较大进展，而结合AI进行分析、学习和自适应演化等方面则处于起步阶段。要真正实现人机物和谐融合的未来制造业智慧空间，还面临群智协同机理、自组织与自适应能力、云边端融合计算、终身学习、群智能体学习、制造业智慧空间等新的理论、模型和方法的诸多挑战。

智能物联与制造业的深度融合带来了丰富的机遇，下面以四个场景为例进行介绍。

1）产品缺陷检测。在复杂质量检测场景中，利用基于深度学习的解决方案代替人工特征提取，能够在环境频繁变化的条件下检测出更微小、更复杂的产品缺陷，提升检测效率。美国机器视觉公司康耐视开发了基于深度学习进行工业图像分析的软件[20]，利用较小的样本集就能在数分钟内完成模型训练。

2）制造工艺参数优化。采用深度学习方法对设备运行、工艺参数等数据进行综合分析并找出最优参数，能大幅提升运行效率与制造品质。阿里云ET工业大脑[21]通过机器学习技术识别生产制造过程中的关键因子并进行优选组合，提升了生产制造效率与良品率。

3）预测性运维服务。基于企业累积的运维和业务数据等进行预测，可及早采取措施排除可能的风险，从而提高企业运行效率或降低运营成本。如Google将人工智能应用于数据中心[22]，使用神经网络来预测耗电量变化，进一步优化服务器和制冷系统等相关设备控制以降低耗电量。

4）设备故障预警。个别设备的故障会给工厂带来极大的损失，影响整个生产流程。三一重工和腾讯合作，把全球40万台设备按入平台，通过实时采集一万多个运行参数建立预测模型，以对设备状态异常进行预警[18]。

对于上述场景，实现人机物和谐融合的未来制造业智慧空间面临如下挑战。

首先，人机物群智协同机理。制造业生命周期涉及人、机器、物料、工艺、环境、组织等多种要素，如何实现异构要素间的有机协同和高效协作是智能制造要解决的关键问题。智能物联网通过大数据实时获取、智能感知与自学习增强、分布式群智交互协同等方法来提供解决方案。在基础模型和理论层面，需要首先探索人机物融合群智协同机理这一基础性问题，为技术的突破提供支撑。基于生物、人类社会集群等群体智能研究的启发，针对制造业的异构要素有机协同问题，也可以通过多智能体竞争合作的方式来提供支撑。借鉴生物界当中的各种生态模式，将其转化为一些可用的规则，用于支持多智能体之间的沟通协作，进而通过多智能体模型研究复杂制造要素协同模式与制造效率、能耗、质量间的作用机理。此外，为实现制造业人机物群智协同，针对其各要素表达异构、知识碎片化等问题，还需构建统一的制造业知识图谱表示模型，对各制造要素及其关联关系进行结构化表征。在制造业生产过程中，会产生大量的数据和专家经验，需提取工业语义关键信息并关联形成具备专业特点的工业知识图谱。根据所构建的制造群智表示模型，通过已有制造知识结构发现、挖掘、推理全新制造知识内容，并据此实现搜索、决策、协同等上层群智应用。

其次，自组织与自适应能力。智能物联网与制造业结合的目标是实现工业领域的智能应用，具有自组织、自学习、自适应等特征。它使制造业主体能不断感知任务和环境状态，根据需要分布式组织各生产要素，不断学习和丰富自身识别与决策能力，以适应动态的生产环境及应用场景，最终达到提高生产效率或产品质量的目的。智能制造系统中的各组成单元或要素根据生产任务的需要，自行选择、组织和协调形成一种优化的结构，具有生物集群特征，能发挥群体智慧。智能制造系统能够通过深度学习等方法感知系统运行状态、产品质量状况和上下文情境信息，并且通过强化学习、增量学习等方法根据反馈和新增样本不断提升学习能力。在机器学习和推断过程中，智能制造系统的部署环境、运行环境、网络资源等不断发生变化，为使系统能适应不同的状况，需要学习模型具有自适应压缩、加速和模型参数根据新数据和新需求持续学习的自演化能力。

再次，云边端融合高效计算。物联网应用大多有实时性要求，如果把物联网产生的数据全部传输给云端，将会加大网络负载并产生数据处理延时。在此背景下，一种新的计算模式——边缘计算应运而生[15]。边缘计算指的是在网络的边缘来处理数据，这样能够在减少请求响应时间的同时保证数据私密性。针对本地计算资源不足的问题，边缘计算的加入也提供了新的机遇，通过云边端融合产生新的高效计算模式。云边端融合的模型分割计算根据整体或终端关注点倾向，通常采用两种方式。一种方式是降低整体模型的资源消耗。因为深度网络某些中间层间的传输数据量要远小于原始数据量，因此，选取合适的模型分割点能够降低数据传输量，减少全局资源消耗。另一种方式是降低模型在单台设备上的资源消耗。深度学习模型在分割之后，每个网络对硬件资源的需求将大幅度减少，可以在资源受限的硬件设备上运行。目前模型分割主要集中在“端云分割”[19]，即将深度学习模型在某一点切分后，一部分部署在终端设备上，一部分部署在云端，二者共同完成学习和推断任务。而在智能制造设备异构、数量丰富、拓扑易变的背景下，如何实现多异构设备间的协同和模型优化分割是需要进一步探讨的问题。

最后，群智能体学习模型。近年来，制造业的智能化受到了学术界和工业界的广泛关注，取得了一系列重要成果。然而，现有的方法和技术在制造业智能化提升方面还具有以下局限性：其一是传统感知学习模型没有考虑数据的分布性及由此衍生的不同制造业主体数据隐私保护的需求；其二是通过工业动态反馈进行强化学习是复杂产品参数优化的重要方面，然而制造要素的多样性、制造环节的联动性使得仅依靠单智能体的强化学习难以满足全局性能优化的要求。具体地，在未来制造领域，需要在保障数据分享隐私安全的前提下开展跨制造要素、跨制造环节以及跨制造企业的分布式学习模型探索。因此，可以在工厂内多个设备之间或生产的不同环节和企业之间开展联邦学习，通过经验重播[20]、自我模仿学习[21]以及策略蒸馏[22]等机制实现智能体具备随环境不断演变的能力，或通过多智能体学习获取团队协作或对抗的策略，成功地与AI队友和人类队友协作。此外，针对制造业单个智能体感知范围有限、基于反馈的参数优化能力差、群体学习能力弱等问题，研究者们前期开展的基于深度强化学习模型的多智能体协同增强相关研究，可将目标任务与动态调优模型关联。面向特定的制造任务需求，群智深度强化学习模型可对各制造要素建模和协同学习，通过动态反馈和优化调整各智能体参数，可以使制造群体整体性能最优，从而实现多智能体协同增强。

2.2.3　军事群体智能

2016年8月，美国国防部国防科学委员会发布了《自主性》（Autonomy）研究报告，指出“未来人工智能战争不可避免”。2017年7月，美国情报高级研究计划局发布了《人工智能与国家安全》（Artificial Intelligence and National Security）研究报告[23]，指出“人工智能技术是国家安全的颠覆性技术”。2019年，《解放军报》的文章《加速推进军事智能化》[23]提出未来智能化战争将朝着以下方向发展：作战指挥体制需要“算法支撑、人机融合”，规模结构“小型灵巧、模块集群”，力量编成为多军种融合、传统部队与无人化智能部队自适应融合等。因此，作战空间将突破以物理和时间为坐标的时空域和信息域，进一步向人机物融合群域和人机协同认知域延拓。即在复杂多变的战场态势下，一方面无人化自主战地设备需要对战场态势进行感知、计算和决策，另一方面人类智能和多智能体协作学习算法智能的有机融合将是智能化战争的技术核心。具有自组织、自适应、自学习的人机物协作集群作战，即军事群体智能，将颠覆传统作战样式和规则，提升战斗力。

首先，大量异构无人集群（如无人机、无人船/舰和无人车等）将代替人类士兵完成高危作战行动，成为主战装备。美军预测到2030年，智能无人装备将能够自主决策执行任务，60%的地面作战平台可实现无人智能化[24]。自2015年DeepMind团队在《自然》杂志上发表关于深度Q网络的工作[24]中提出深度强化学习（Deep Reinforcement Learning, DRL）可以实现类人水平的控制以来，DRL在群智能体的自主决策和移动方面取得了较大进展，尤其是在自由度更高的即时战略游戏《星际争霸Ⅱ》中达到了人类大师级的水平[25]。由于强化学习在博弈对抗环境中有着独特的优势，因此国内外积极谋求发展智能和自主的军事化系统。例如，基于蜂群机理的密集无人机编队研究[26]，无人机可以通过共同观察、发送电磁信号等进行通信，遇到攻击的无人机可以自行组织或分散开，然后快速合并以重新发动攻击。

其次，实时战地情况下具有形态、功能、决策、能力等多域联合自组织、自适应、自演化能力的研究在未来战争中也备受关注。自组织的集群作战技术将成为重要的防御和进攻作战样式，依托环境感知、深度计算、作战规则整合等技术支撑，集群作战可同时发射数十乃至成百架无人机，由其自行精准编队、精确分工，同时执行多种任务及多目标打击的智能化作战样式。基于微观的生物细胞和宏观的昆虫集群（如蚁群）等生物集群机理，通过与环境的分布式交互实现统一指挥协作，达到合理分配火力、发动自动化的无人集群火力拦截和主动攻击战争。2019年9月，美军正式提出重塑竞争力的“马赛克战”概念[25]，旨在打造一个由先进传感器、多样化集群、作战人员和决策者等组成的具有高度适应能力的弹性杀伤网络。其中，将观察、判断、决策、行动等阶段分解为不同的力量结构要素，以要素的自我聚合和快速分解的无限多种可能性来降低己方杀伤链的脆弱性风险，并使对手情境复杂化，从而有利于在战争中取胜。在“马赛克”战构想下，部队结构元素可以被重新排列成许多不同的配置，从而在军事行动中保持快速变化的适应性能力。2020年2月，美国战略与预算评估中心发布马赛克战的进一步研究报告[27]，关注如何对拥有精确打击能力的对手进行主动的多域适应性变化。它把军事作战过程视为一个快速变化的复杂系统，并将先前为特定目的定制昂贵武器的做法替换为小型无人系统与现有能力进行持续动态组合的新模式，利用不断变化的战场条件和快速响应资源建立连接，使用低成本无人蜂群编队以及其他电子、网络等手段来击溃对手。

最后，具有情境自适应能力的人机混合智能将逐渐成为战争决胜的核心要素。智能化的作战将基于“平台无人、体系有人，作战无人、指挥有人”的策略，进一步细化人机协同的智能行为模式。根据美国陆军研究实验室的观点，截至2035年，基于“人在回路”人机协同作战的模式将实现自主化。笔者在文献[28]中提出“人机共融智能”的概念，利用人类智能和机器智能的差异性和互补性，通过个体智能融合、群体智能融合、智能共同演进等实现人类与机器智能的共融共生，完成复杂的感知和计算任务。

随着物联网、移动互联网和人工智能技术的发展，人机共融智能将不只局限在当前的同类群体协同（如人类、动物、机器），人机物资源异质的跨空间群智协同也对人机协同智能提出了更高的要求。但目前大部分研究都只是基于简单个体、局部交互实现的人工集群系统，仍存在个体智能同构、复杂系统环境缺少定义、难于控制等方面的不足，而利用人类智能与机器智能的差异性与互补性，通过个体之间、个体与群体之间的智能融合、智能演进等实现人机共融共生以完成更复杂的群集任务，都需要更多新的探索。

综上所述，人机物融合的群智计算在智慧城市、智能制造、军事智能等多个国家重大需求领域的未来新业态中都体现出重要研究意义。