2.3　人机物融合群智计算内涵

生物群智机理、智能物联、边缘智能、新一代人工智能和工业互联网等共同推动了人机物融合群智计算的前沿发展。在此背景下，本书将传统“以人为中心”的群智感知计算拓展深化为“人机物三元异构要素”的共融共生，从单纯的群智感知数据收集提升为以人机物群智融合协作计算与增强学习。本节将对人、机、物的基本概念，人机物融合群智计算的挑战与愿景，以及人机物融合智慧空间进行详细介绍。

2.3.1　基本概念

人（群用户）、机（群应用）、物（群智体）三种要素的基本概念如表2.1所示，人机物三种要素的特性和引入的群智计算挑战详述如下。

表2.1　人机物三要素概述

人-群用户（社会空间群智）：移动用户通过个人手持便携终端（如智能手机、可穿戴设备）与人类社会空间、信息空间以及物理空间建立关联关系和交互桥梁。首先，优选和分析碎片化的移动群智数据，进行精确的用户画像和社群挖掘，并借助统计学和概率论算法提供结果的可解释性和可迁移性，支持复杂模型的可调试性；其次，通过人机智慧共融（如人在回路、协同认知）的方式，使机器智慧在复杂任务（如基于多模态感知信号的人类行为预测、联想推理）中突破推理认知的瓶颈等；最后，不同用户在不同设备、时间和空间上都存在感知和计算需求，因此智能计算趋向于具备自适应与自演化的全生命周期优化能力。

机-群应用（信息空间群智）：首先，分布式学习和计算的需求越来越突出。例如，大型复杂模型需要借助多个分布式设备（如智能手机、可穿戴设备、网关、边缘服务器、云服务器）实现联邦训练和并行计算。这也为分布式人工智能算法创新引入了新的挑战。其次，多种人工智能学习与计算策略、算法和模型需要有机结合，才能处理复杂问题。例如，采用元学习和迁移学习解决数据标签不足的小样本问题[29]，使用强化学习技术实现自动化控制调度[30]，采用贝叶斯技术增强因果关系分析[31]，借助递归神经网络实现时间序列性预测[32]。

物-群智体（物理空间群智）：首先，研究多个弱智能体协作增强策略，以解决复杂的实际问题。其难点在于如何通过分布式策略和集中式共识的共同作用，完成全局统一目标。这里的全局统一目标兼顾个体与集群的状态和需求，既克服了分布式贪心决策的局部性，又避免了集中式决策的不均衡性。例如，在智能制造场景中，多辆车服从时空协作调度完成不同制造环节所需不同材料的运输任务时，需要通过分布式决策实现全局目标[33]。其次，群智能体同时具备环境感知、智能计算和自主行动能力，不仅能够建立起社会空间、信息空间与物理空间的连接和交互，并且可以以行动影响社会空间、信息空间与物理空间的双向交互循环。

人机物融合群智计算（跨三元空间群智）：如图2.1所示，针对“人机物融合的空间覆盖与协作增强”科学问题，通过人、机、物异构群智能体的有机融合，利用其感知能力的差异性、计算资源的互补性、节点间的协作性和竞争性，构建具有自组织、自学习、自适应、持续演化等能力的群体智能感知计算空间，实现智能体个体技能和群体认知能力的提升。首先，发掘人机物融合群智能体的连接交互、空间感知数据关联增强、弱智能体有机协作机理。其次，在群智协作数据感知和汇聚分析层面，需要跨空间的异构感知数据优选汇聚、跨空间的知识深度关联、人机混合认知推理挖掘。再次，在面向动态环境的自适应能力方面，群智能体的深度学习模型需要具备自学习增强与自适应演化的能力。最后，在分布式协同计算方面，人机物融合群智计算既融合了云边端的层次化计算架构，又包含了群智能体强化学习、元学习、迁移学习、联邦学习等多种分布式学习方法，如何在异构群智体计算资源和分布式任务性能之间实现最优折中成为关键。

图2.1　人机物融合群智计算的基本要素

然而，人机物融合跨空间群智计算所关注的社会、信息和物理空间的泛在时空覆盖以及群智能体协作增强是一个难题，如图2.2所示。这是因为在移动互联网和智能物联网发展背景下，人机物融合群智计算任务和数据往往来自不同空间和多个社群，其中包括社会空间海量的移动网络用户（群用户）、信息空间丰富的互联网应用（群应用）以及物理空间泛在的智能物联终端（群智体）。然而，现有感知计算方式往往面向单个空间，存在社会、信息、物理三元计算空间交织但计算模块分离、计算数据-算法-结果无双向反馈、与环境仅单向交互，以及群智计算系统低成本、低功耗、易使用性不足等现状，进而导致感知不及时、计算不准确、智能不普及等问题。因此，人机物融合群智计算所面临的空间复杂性、环境动态性和感知计算分散性，不仅加剧了传统单一空间群智计算问题的求解难度，而且引入了人机物融合跨空间群智计算的新问题和新挑战。

图2.2　人机物融合群智计算的挑战与愿景

2.3.2　人机物融合智慧空间

鉴于此，本书介绍的“人机物跨空间群智计算”研究将单纯的人类社会空间群智计算拓展到跨信息、物理、社会三元空间协同群智计算。通过深入探索人机物三元要素协作增强的新型群智计算模式，实现对社会、信息和物理空间的全面刻画、深度挖掘和精准管控。如图2.2所示，人机物融合群智智慧空间关注人（个人便携终端，如智能手机、可穿戴设备）、机（云、边缘设备）、物（具感知计算能力的物理实体）、环境、信息等多维因素之间的复杂关联关系，探索异构群智能体协同增强模式与群用户普适感知计算和社群转化，以及群应用性能和效率间的交互作用机理。

全球领先的信息技术研究和顾问公司Gartner将“智慧空间”列入2020年十大战略科技发展趋势，指出人工智能与物联网、边缘计算和数字孪生等技术的快速发展及深度融合，可以为智能制造等领域提供高度集成的智慧空间。广义上，我们提出“人机物融合群智智慧空间”，它是一个通过激发个体智慧涌现、联动群体智慧协作、人机智慧和谐共融而构建的高度集成的社会-物理-信息混合智能空间，即将传统的“群体协作智能”深化拓展为“弱智能体协作增强的群智智慧空间”。其中人、机、物等要素在开放和智能的生态系统中彼此交互和协作，并构建一个跨空间自组织、多环境自适应、跨领域可迁移、全生命周期可演化的智慧空间。具体地，人机物融合群智智慧空间利用人机物异构设备感知能力的差异性、计算资源的互补性、节点间的交互性，借助协同感知、协同计算、协同演化、人机混合智能，可以解决单独利用某个智能体、智能算法、学习机制或感知计算策略难以解决的复杂问题。因此，人机物融合群智智慧空间重点强调的是群智能体通过分布式连接与协作，实现多个层面的智慧增强。

1）协同计算智慧增强：一方面，人机物协作群智感知的任务分配、数据优选汇聚以及多源数据的跨时空融合都应该与分布式处理建立一体化的可定制协同计算机制。另一方面，面向不同的任务需求，以最佳方式联合群智能体能力和资源，并有机结合云边端分布式协同计算、群智深度强化学习和分布式联邦学习以提升群智计算的性能。

2）协同演化智慧增强：针对人机物融合智能计算情境、目标任务和群智能体平台资源的动态可变性，利用智能体算法的环境自适应调优、新数据持续学习演化、群智体协同知识迁移、群智任务协同优化、群智模型联邦迁移学习和群智体分层技能迁移等有助于进一步提升人机物群智计算系统的长期适应性、知识可迁移以及可持续演化的能力。

3）人机混合智慧增强：人机物融合群智计算中的“人机混合智能”有助于实现机器二十四小时全天候计算、大规模数据存储和查询能力与人类认知推理和联想能力的优势互补，从而提升群智计算的质量和效率。