2.5　研究脉络

为了实现人机物三元主体的有机融合，构建人机物融合智慧空间并体现自组织、自学习、自适应和自演化四种特质，本书的研究脉络共包含人机物融合群智计算的理论机理、关键技术和系统平台三大部分，如图2.4所示。

图2.4　研究组织脉络

在理论机理部分，第3章对群体智能的机理追根溯源，分类介绍生物集群（如狼群、蚁群等）协同机理、人类群智（如众包）涌现机理、生物集群到人工集群映射机理和人机物融合群智涌现机理，为后续技术章节的研究问题提供跨领域的灵感和原理性支撑；第4章在第3章的基础上，详细介绍人机物融合群智涌现行为、演化博弈以及系统的动力学模型，为读者引入多个跨领域的研究启发并为后续技术章节提供时空维度的动力学机理支撑。

在关键技术部分，人机物融合群智感知与计算相辅相成。1）在感知层面，第5章介绍人机物异构智能体的协作群智感知，包括感知新发展、协作任务分配、感知数据的高效汇聚；第6章介绍对上述感知数据进行多源群智数据融合，包括跨模态群智数据关联、群智知识集聚与发现、群智融合时空预测。2）在计算层面，由于人机物融合群智计算系统/算法/模型在长期生存中的适应能力非常重要，第7章重点介绍在动态变化环境中，人机物融合群智计算方法（如深度学习模型）如何根据环境变化自动进行适应性伸缩、分割、加速和持续学习演化；人工智能算法中深度学习模型的计算能力往往与其前期从样本中学习的成效息息相关，因此第8章介绍人机物融合群智能体的分布式学习与计算机制，包括传统分布式机器学习、群智能体联邦学习、群智能体深度强化学习以及群智能体（云边端）协同计算；从智能的角度，“人机混合智能”往往能够达到甚至超越人类或机器的效果，因此第9章重点介绍人机物混合学习的前瞻性研究，包括参与式样本标注、示范模仿学习、人类指导强化学习；群智能体间的迁移学习能力有助于其利用已有知识或经验加快完成新任务、求解新问题的速度，第10章介绍的群智知识迁移学习方法包括基于知识蒸馏、域自适应、多任务学习、元学习、联邦迁移学习、分层学习以及多智能体强化学习的知识迁移和共享的问题概述以及前沿研究。第11章隐私、信任与社会因素为上述技术提供性能保障和优化拓展。

在系统平台部分，综合运用本书中所有章节的机理、模型和核心技术，首先概述了麻省理工学院、谷歌、微软、IBM、华为、腾讯等多个高校和企业纷纷布局并提出相关系统构想和平台。在此背景下，我们提出人机物融合群智计算（CrowdHMT）系统的通用系统框架，并推出包含其核心技术模块以及作者前期面向智能制造、智能家居、智能军事等典型应用场景设计实现的原型系统代码的开源共享平台（http://www.crowdhmt.com/）；最后，我们提出“太易”人机物链中间件的设计构想，旨在实现人机物异构群智能体之间的分布式资源共享、通信连接、协作感知、协同计算、分布式学习以及隐私保护等。

综上所述，本书的研究脉络遵循由整体到局部、由机理到技术再到系统实践，循序渐进，逐步深入。相信读者在阅读过程中可以获得不同层面的启迪。