隨著物聯(lián)網(wǎng)、大數(shù)據(jù)和人工智能技術(shù)的快速發(fā)展與加速融合，智能物聯(lián)網(wǎng)（AI in IoT, AIoT）正成長為一個(gè)具有廣泛發(fā)展前景的新興前沿領(lǐng)域。隨著在經(jīng)濟(jì)社會(huì)各領(lǐng)域應(yīng)用的拓展深化，物聯(lián)網(wǎng)的產(chǎn)業(yè)鏈、價(jià)值鏈、創(chuàng)新鏈不斷融合，催生新模式、新業(yè)態(tài)不斷涌現(xiàn)，成為驅(qū)動(dòng)經(jīng)濟(jì)創(chuàng)新升級(jí)的重要?jiǎng)恿Γ晃锫?lián)網(wǎng)跨界融合應(yīng)用深入推進(jìn)，成為注入傳統(tǒng)產(chǎn)業(yè)的創(chuàng)新要素，幫助傳統(tǒng)產(chǎn)業(yè)實(shí)現(xiàn)全方位變革；物聯(lián)網(wǎng)基礎(chǔ)設(shè)施加快推進(jìn)，成為支撐智能經(jīng)濟(jì)的重要載體。

　　西北工業(yè)大學(xué)計(jì)算機(jī)系統(tǒng)與微電子系主任郭斌認(rèn)為，智能物聯(lián)網(wǎng)可實(shí)現(xiàn)制造業(yè)人、機(jī)、物、環(huán)境等要素的連接、交互、感知與計(jì)算，實(shí)現(xiàn)具有自組織、自學(xué)習(xí)、自適應(yīng)、持續(xù)演化等能力的制造業(yè)智慧空間，對(duì)促進(jìn)制造業(yè)新模式新業(yè)態(tài)形成、提高我國制造業(yè)生產(chǎn)力和競爭力、推動(dòng)下一代智能制造變革具有重要意義。因此，構(gòu)建未來制造產(chǎn)業(yè)，推動(dòng)數(shù)字化轉(zhuǎn)型升級(jí)不僅需要充分發(fā)揮政府整體規(guī)劃優(yōu)勢(shì)與政策優(yōu)勢(shì)，更需要企業(yè)以技術(shù)為驅(qū)動(dòng)，充分發(fā)揮技術(shù)優(yōu)勢(shì)和全球資源整合的優(yōu)勢(shì)，共同推動(dòng)產(chǎn)業(yè)升級(jí)和社會(huì)進(jìn)步。

　　如何推動(dòng)我國未來智能制造產(chǎn)業(yè)實(shí)現(xiàn)高質(zhì)量發(fā)展？

　　1、發(fā)揮智能物聯(lián)網(wǎng)引領(lǐng)作用。物聯(lián)網(wǎng)、人工智能及其深度融合將成為引領(lǐng)未來制造業(yè)變革的關(guān)鍵技術(shù)。智能物聯(lián)網(wǎng)作為物聯(lián)網(wǎng)和人工智能結(jié)合的前沿技術(shù)在新一代智能制造中將發(fā)揮關(guān)鍵作用。

　　2、加強(qiáng)從0到1基礎(chǔ)研究。目前我國在制造領(lǐng)域關(guān)鍵技術(shù)應(yīng)用方面已取得不少進(jìn)展，而在基礎(chǔ)研究領(lǐng)域還相對(duì)滯后，存在大而不強(qiáng)、重技術(shù)輕基礎(chǔ)的現(xiàn)狀。因此，需要加強(qiáng)從0到1的基礎(chǔ)性研究，從長遠(yuǎn)角度推動(dòng)智能制造不斷革新、持續(xù)發(fā)展。

　　3、注重多學(xué)科融合人才培養(yǎng)。目前高校人才培養(yǎng)模式還主要面向單個(gè)學(xué)科開展，學(xué)生知識(shí)結(jié)構(gòu)單一，難以滿足未來對(duì)于多學(xué)科知識(shí)融合解決復(fù)雜問題的需求，應(yīng)該創(chuàng)新人才培養(yǎng)模式，促進(jìn)多學(xué)科知識(shí)融合，為培養(yǎng)復(fù)合型創(chuàng)新型人才提供有效途徑。

　　4、產(chǎn)學(xué)研深度協(xié)同融合。智能制造具有很高的新技術(shù)密集度，汲取了人工智能領(lǐng)域最前沿的理論和技術(shù)成果。需要打破壁壘促進(jìn)高校和科研院所積極參與智能制造產(chǎn)業(yè)變革，創(chuàng)造條件促進(jìn)產(chǎn)學(xué)研的深度協(xié)同與技術(shù)革新。

　　5、推動(dòng)新興技術(shù)在制造業(yè)的落地應(yīng)用。聯(lián)邦學(xué)習(xí)、遷移學(xué)習(xí)、多智能體強(qiáng)化學(xué)習(xí)、深度模型壓縮、邊緣計(jì)算、云邊端融合計(jì)算等智能物聯(lián)網(wǎng)相關(guān)技術(shù)近年來不斷取得新突破，在國家科研發(fā)展規(guī)劃中要注重推動(dòng)以上關(guān)鍵技術(shù)和制造業(yè)關(guān)鍵科學(xué)和技術(shù)問題的結(jié)合，產(chǎn)生示范性應(yīng)用效果，進(jìn)而形成新的產(chǎn)業(yè)鏈，促進(jìn)制造業(yè)智慧空間的形成。

　　更多精彩觀點(diǎn)

　　01

　　智能物聯(lián)

　　隨著物聯(lián)網(wǎng)、大數(shù)據(jù)和人工智能技術(shù)的快速發(fā)展與加速融合，智能物聯(lián)網(wǎng)（AI in IoT, AIoT）正成長為一個(gè)具有廣泛發(fā)展前景的新興前沿領(lǐng)域。AIoT首先通過各種傳感器聯(lián)網(wǎng)實(shí)時(shí)采集各類數(shù)據(jù)（環(huán)境數(shù)據(jù)、運(yùn)行數(shù)據(jù)、業(yè)務(wù)數(shù)據(jù)、監(jiān)測數(shù)據(jù)等），進(jìn)而在終端設(shè)備、邊緣設(shè)備或云端通過數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)方法來進(jìn)行智能化處理和理解，如智能感知、目標(biāo)識(shí)別、能耗管理、預(yù)測預(yù)警、智能決策等。近年來，智能物聯(lián)網(wǎng)應(yīng)用和服務(wù)已經(jīng)逐步融入國家重大需求和民生的各個(gè)領(lǐng)域，例如，智慧城市、智能制造、無人駕駛等。預(yù)計(jì)2025年我國物聯(lián)網(wǎng)連接節(jié)點(diǎn)將達(dá)到200億個(gè)，未來數(shù)百億的設(shè)備并發(fā)聯(lián)網(wǎng)產(chǎn)生的數(shù)據(jù)分析和融合需求將促使物聯(lián)網(wǎng)與人工智能的深度融合。

　　阿里、騰訊、華為、京東等企業(yè)近年來都積極在智能物聯(lián)網(wǎng)領(lǐng)域布局。2018年，阿里巴巴宣布進(jìn)軍物聯(lián)網(wǎng)領(lǐng)域，將其定位為物聯(lián)網(wǎng)基礎(chǔ)設(shè)施的搭建者，提供IoT連接和AI能力、實(shí)現(xiàn)云邊端一體的協(xié)同計(jì)算，并開發(fā)了輕量級(jí)物聯(lián)網(wǎng)嵌入式操作系統(tǒng)AliOS Things。騰訊也推出了一款物聯(lián)網(wǎng)系統(tǒng)TencentOS tiny，具有低功耗、低資源占用等特點(diǎn)。華為則推出了面向物聯(lián)網(wǎng)的華為鴻蒙操作系統(tǒng)，作為一種基于微內(nèi)核的全場景分布式操作系統(tǒng)，在5G時(shí)代具有廣泛應(yīng)用前景。京東也于2018年發(fā)布“城市計(jì)算平臺(tái)”，結(jié)合深度學(xué)習(xí)等構(gòu)建時(shí)空關(guān)聯(lián)模型及學(xué)習(xí)算法解決交通規(guī)劃、火力發(fā)電、環(huán)境保護(hù)等城市不同場景下的智能應(yīng)用問題。

　　02

　　智能物聯(lián)驅(qū)動(dòng)的制造業(yè)變革

　　2017年國務(wù)院發(fā)布《新一代人工智能發(fā)展規(guī)劃》，其目標(biāo)為搶抓人工智能發(fā)展的重大戰(zhàn)略機(jī)遇，構(gòu)筑我國人工智能發(fā)展的先發(fā)優(yōu)勢(shì)，加快建設(shè)創(chuàng)新型國家和世界科技強(qiáng)國。其中大數(shù)據(jù)驅(qū)動(dòng)知識(shí)學(xué)習(xí)、跨媒體智能、人機(jī)協(xié)同增強(qiáng)智能、群體智能、自主智能系統(tǒng)成為新一代人工智能的重點(diǎn)發(fā)展方向。新一代人工智能技術(shù)與先進(jìn)制造技術(shù)深度融合，將重塑設(shè)計(jì)、研發(fā)、制造、服務(wù)等產(chǎn)品全生命周期的各環(huán)節(jié)，形成新一代智能制造技術(shù)和業(yè)態(tài)，提升制造業(yè)生產(chǎn)力和競爭力。

　　新一代智能制造技術(shù)的一個(gè)關(guān)鍵特征是人、機(jī)、物等要素的協(xié)同融合，而智能物聯(lián)網(wǎng)作為連接人、機(jī)、物的橋梁，在新一代智能制造技術(shù)中將發(fā)揮重要支撐作用。在制造領(lǐng)域，智能物聯(lián)網(wǎng)涉及的主體包括機(jī)器人、AGV小車、移動(dòng)及可穿戴設(shè)備、邊緣設(shè)備、感知設(shè)備、生產(chǎn)制造設(shè)備、產(chǎn)品等。從技術(shù)角度而言，智能物聯(lián)網(wǎng)在制造業(yè)的應(yīng)用分為兩個(gè)層次，第一層次是通過工業(yè)互聯(lián)網(wǎng)技術(shù)來實(shí)現(xiàn)連接并獲取感知數(shù)據(jù)，第二層次則是利用人工智能技術(shù)來對(duì)數(shù)據(jù)進(jìn)行分析和學(xué)習(xí)。目前，以工業(yè)互聯(lián)網(wǎng)為核心的制造大數(shù)據(jù)獲取方面已經(jīng)取得較多進(jìn)展，但要真正實(shí)現(xiàn)人機(jī)物和諧融合的未來制造業(yè)智慧空間，還面臨很多挑戰(zhàn)。下面將從群智協(xié)同機(jī)理、自組織與自適應(yīng)能力、云邊端融合計(jì)算、終身學(xué)習(xí)、群智能體學(xué)習(xí)、制造業(yè)智慧空間等新的理論、模型和方法探索方面分別進(jìn)行闡述。

　　03

　　人機(jī)物群智協(xié)同機(jī)理

　　制造業(yè)生命周期涉及人、機(jī)器、物料、工藝、環(huán)境、組織等多種要素，如何實(shí)現(xiàn)異構(gòu)要素間的有機(jī)協(xié)同和高效協(xié)作是智能制造要解決的關(guān)鍵科學(xué)問題。智能物聯(lián)網(wǎng)通過大數(shù)據(jù)實(shí)時(shí)獲取、智能感知與自學(xué)習(xí)增強(qiáng)、分布式群智交互協(xié)同等方法來提供解決方案。在基礎(chǔ)模型和理論層面，需要首先探索人機(jī)物融合群智協(xié)同機(jī)理這一基礎(chǔ)性問題，為技術(shù)的突破提供支撐。

　　關(guān)于群智協(xié)同的研究起源于生物學(xué)和生態(tài)學(xué)等領(lǐng)域。一大群相同的自然生物或人造物，如螞蟻、蜜蜂、白蟻、魚和鳥等，其個(gè)體擁有的智慧有限，但通過群體合作能夠?qū)崿F(xiàn)超越個(gè)體行為的集體智慧。生物個(gè)體之間的交互，其實(shí)就是在定義協(xié)同協(xié)作規(guī)則，智能體之間的行為交互方式或者交互模式，產(chǎn)生集聚、組隊(duì)、集體移動(dòng)、形狀變換等行為，物理學(xué)研究指出通過簡單的交互規(guī)則可以產(chǎn)生復(fù)雜的行為。

　　人類社會(huì)的群體智能得到廣泛的研究，眾包（Crowdsourcing）是美國《連線》雜志2006年發(fā)明的一個(gè)專業(yè)術(shù)語，用來描述一種新的生產(chǎn)組織形式。具體就是企業(yè)/研發(fā)機(jī)構(gòu)利用互聯(lián)網(wǎng)將工作分配出去，利用大量用戶的創(chuàng)意和協(xié)作來解決技術(shù)問題。如維基百科通過大眾參與和有效協(xié)作構(gòu)建了全球最大的百科知識(shí)庫、reCAPTCHA將古老印刷品的數(shù)字化問題與驗(yàn)證碼系統(tǒng)進(jìn)行融合，通過10萬家網(wǎng)站的使用和全民參與，幫助《紐約時(shí)報(bào)》這份有著100多年歷史的報(bào)紙實(shí)現(xiàn)存檔數(shù)字化。

　　鑒于生物和人類群體智能所體現(xiàn)的集群優(yōu)勢(shì)及廣泛應(yīng)用前景，國家《新一代人工智能發(fā)展規(guī)劃》明確提出“群體智能”研究方向。其實(shí)，早在上世紀(jì)90年代，著名科學(xué)家錢學(xué)森先生便曾提出“綜合集成研討廳”體系，強(qiáng)調(diào)專家群體以人機(jī)合的方式進(jìn)行協(xié)同研討，共同對(duì)復(fù)雜巨系統(tǒng)的挑戰(zhàn)性問題進(jìn)行研究。群體智能實(shí)質(zhì)上正是“綜合集成研討廳”在人工智能新時(shí)代的深化和拓展。

　　基于群體智能研究的啟發(fā)，針對(duì)制造業(yè)的異構(gòu)要素有機(jī)協(xié)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(dāng)中的各種生態(tài)模式，轉(zhuǎn)化為一些可用的規(guī)則，用于支持多智能體之間的溝通協(xié)作，進(jìn)而通過多智能體模型研究復(fù)雜制造要素協(xié)同模式與制造效率、能耗、質(zhì)量間的作用機(jī)理。此外，為實(shí)現(xiàn)制造業(yè)人機(jī)物群智協(xié)同，針對(duì)其各要素表達(dá)異構(gòu)、知識(shí)碎片化等問題，還需構(gòu)建統(tǒng)一的制造業(yè)知識(shí)圖譜表示模型，對(duì)各制造要素及其關(guān)聯(lián)關(guān)系進(jìn)行結(jié)構(gòu)化表征。在制造業(yè)過程中，會(huì)產(chǎn)生大量的數(shù)據(jù)和專家經(jīng)驗(yàn)，需提取工業(yè)語義關(guān)鍵信息并關(guān)聯(lián)形成具備專業(yè)特點(diǎn)的工業(yè)知識(shí)圖譜。根據(jù)所構(gòu)建的制造群智表示模型，通過已有制造知識(shí)結(jié)構(gòu)發(fā)現(xiàn)、挖掘、推理全新制造知識(shí)內(nèi)容，并據(jù)此實(shí)現(xiàn)搜索、決策、協(xié)同等上層群智應(yīng)用。

　　04

　　自組織與自適應(yīng)能力

　　智能物聯(lián)網(wǎng)與制造業(yè)結(jié)合的目標(biāo)是實(shí)現(xiàn)工業(yè)領(lǐng)域的智能應(yīng)用，具有自組織、自學(xué)習(xí)、自適應(yīng)等特征。它使得制造業(yè)主體能不斷感知任務(wù)和環(huán)境狀態(tài)，根據(jù)需要分布式組織各生產(chǎn)要素，不斷學(xué)習(xí)和豐富自身識(shí)別與決策能力，以適應(yīng)動(dòng)態(tài)的生產(chǎn)環(huán)境及應(yīng)用場景，最終達(dá)到提高生產(chǎn)效率或產(chǎn)品質(zhì)量的目的。

　　自組織。智能制造系統(tǒng)中的各組成單元或要素根據(jù)生產(chǎn)任務(wù)的需要，自行選擇、組織和調(diào)協(xié)形成一種優(yōu)化的結(jié)構(gòu)，具有生物集群特征，能發(fā)揮群體智慧。

　　自學(xué)習(xí)。智能制造系統(tǒng)能夠通過深度學(xué)習(xí)等方法感知系統(tǒng)運(yùn)行狀態(tài)、產(chǎn)品質(zhì)量狀況和上下文情境信息，并且通過強(qiáng)化學(xué)習(xí)、增量學(xué)習(xí)等方法根據(jù)反饋和新增樣本不斷提升學(xué)習(xí)能力。

　　自適應(yīng)。在機(jī)器學(xué)習(xí)和推斷過程中，智能制造系統(tǒng)的部署環(huán)境、運(yùn)行環(huán)境、網(wǎng)絡(luò)資源等不斷發(fā)生變化，為使得系統(tǒng)能適應(yīng)不同的狀況，需要學(xué)習(xí)模型具有自適應(yīng)感知和模型演化能力。

　　為實(shí)現(xiàn)自學(xué)習(xí)能力，在資源受限且環(huán)境多變的物聯(lián)網(wǎng)終端設(shè)備上部署和運(yùn)行深度學(xué)習(xí)模型（如實(shí)時(shí)視頻數(shù)據(jù)處理）逐漸成為一種新的趨勢(shì)，其具有低計(jì)算延時(shí)、低傳輸成本、保護(hù)數(shù)據(jù)隱私等優(yōu)勢(shì)。然而，在資源受限的移動(dòng)端運(yùn)行深度學(xué)習(xí)模型面臨著極大挑戰(zhàn)，制約了其落地和規(guī)模化應(yīng)用。一方面是硬件資源限制，深度學(xué)習(xí)模型通常是計(jì)算密集型的大規(guī)模網(wǎng)絡(luò)，往往需要較高的存儲(chǔ)、計(jì)算和能量資源，而終端設(shè)備的資源局限成為深度模型部署的技術(shù)瓶頸。另一方面是物聯(lián)終端計(jì)算具有運(yùn)行環(huán)境動(dòng)態(tài)變化（如能量、存儲(chǔ)等）、應(yīng)用場景多樣等特點(diǎn)。而深度學(xué)習(xí)模型的訓(xùn)練過程是基于特定數(shù)據(jù)集的知識(shí)學(xué)習(xí)過程，對(duì)終端復(fù)雜應(yīng)用場景的適應(yīng)能力差。深度學(xué)習(xí)模型應(yīng)該根據(jù)目標(biāo)平臺(tái)上硬件資源的變化，自適應(yīng)調(diào)整其計(jì)算單元、組成結(jié)構(gòu)和運(yùn)行設(shè)置等參數(shù)以適應(yīng)新的需求。

　　05

　　云邊端融合高效計(jì)算

　　物聯(lián)網(wǎng)應(yīng)用大多有實(shí)時(shí)性要求，如果把物聯(lián)網(wǎng)產(chǎn)生的數(shù)據(jù)全部傳輸給云端，將會(huì)加大網(wǎng)絡(luò)負(fù)載并產(chǎn)生數(shù)據(jù)處理延時(shí)。在此背景下，一種新的計(jì)算模式——邊緣計(jì)算應(yīng)用而生。邊緣計(jì)算指的是在網(wǎng)絡(luò)的邊緣來處理數(shù)據(jù)，這樣能夠減少請(qǐng)求響應(yīng)時(shí)間，同時(shí)保證數(shù)據(jù)的私密性。針對(duì)本地計(jì)算資源不足的問題，邊緣計(jì)算的加入也提供了新的機(jī)遇，通過云邊端融合產(chǎn)生新的高效計(jì)算模式。

　　針對(duì)前面提到的智能物聯(lián)終端學(xué)習(xí)模型的自適應(yīng)問題，除了前面提出的模型壓縮方法外，在邊緣設(shè)備加入后，模型分割方法也成為新的研究熱點(diǎn)。它將完整的深度學(xué)習(xí)模型進(jìn)行分塊，并根據(jù)性能需求（如時(shí)延、精度）和資源消耗（如網(wǎng)絡(luò)傳輸、設(shè)備存儲(chǔ)和能耗等）自動(dòng)尋找最佳分割點(diǎn)，將模型中不同的層部署到云、邊、端的不同設(shè)備上，通過異構(gòu)設(shè)備的互補(bǔ)協(xié)同完成學(xué)習(xí)和計(jì)算任務(wù)。

　　云邊端融合的模型分割計(jì)算根據(jù)整體或終端的關(guān)注點(diǎn)傾向，通常采用兩種方式：

　　一是降低整體模型的資源消耗。因?yàn)樯疃染W(wǎng)絡(luò)某些中間層間的傳輸數(shù)據(jù)量要遠(yuǎn)小于原始數(shù)據(jù)量，因此，選取合適的模型分割點(diǎn)能夠降低數(shù)據(jù)傳輸量，并且減少整個(gè)模型的全局資源消耗。

　　二是降低模型在單臺(tái)設(shè)備上的資源消耗。深度學(xué)習(xí)模型在分割之后，每塊網(wǎng)絡(luò)對(duì)硬件資源的需求將大幅度減少，可以在資源受限的硬件設(shè)備上運(yùn)行。

　　目前模型分割主要集中在“端云分割”，即將深度學(xué)習(xí)模型在某一點(diǎn)切分后，一部分部署在終端設(shè)備上，一部分部署在云端，二者共同完成學(xué)習(xí)和推斷任務(wù)。而在智能制造背景下，設(shè)備異構(gòu)、數(shù)量豐富、拓?fù)湟鬃儯绾卧诖吮尘跋聦?shí)現(xiàn)多異構(gòu)設(shè)備間的協(xié)同和模型優(yōu)化分割是需要進(jìn)一步探索的問題。

　　06

　　終身學(xué)習(xí)與持續(xù)演化

　　生物界針對(duì)內(nèi)外部環(huán)境的變化往往具有很好的適應(yīng)性和持續(xù)演化能力。“演化”旨在為學(xué)習(xí)模型針對(duì)不斷新增的數(shù)據(jù)、新增用戶的個(gè)性特征、跨領(lǐng)域/跨實(shí)體間模型的知識(shí)遷移等需求提供持續(xù)性的學(xué)習(xí)和更新方案，即終身學(xué)習(xí)（Lifelong learning）能力。在開放式復(fù)雜制造環(huán)境下，新的制造設(shè)備不斷加入，制造場景和需求動(dòng)態(tài)變化，傳統(tǒng)基于海量數(shù)據(jù)預(yù)訓(xùn)練的模型難以在數(shù)據(jù)缺失或數(shù)據(jù)分布變化情況下發(fā)揮好的效用。針對(duì)不斷變化的場景，關(guān)聯(lián)的學(xué)習(xí)模型需要具備持續(xù)學(xué)習(xí)和演化能力，如同人類一樣具有不斷學(xué)習(xí)和適應(yīng)問題變化的能力，結(jié)合已學(xué)習(xí)的知識(shí)和經(jīng)驗(yàn)以解決新的問題。

　　域自適應(yīng)技術(shù)。

　　一般來說機(jī)器學(xué)習(xí)模型的魯棒性（robustness）差，傳統(tǒng)的解決辦法是在訓(xùn)練階段加入適量噪聲，以提高模型魯棒性。但是這一方法在訓(xùn)練完成后仍不能抵御新噪聲。因此，利用域自適應(yīng)的方法訓(xùn)練模型來抵御這種環(huán)境或需求變化正在成為智能物聯(lián)網(wǎng)領(lǐng)域的新發(fā)展方向。它旨在尋找一個(gè)空間映射，將源域和目標(biāo)域（如兩個(gè)相關(guān)聯(lián)的制造場景或者產(chǎn)品）映射到同一特征子空間中，使得源域和目標(biāo)域的分布差距最小，進(jìn)而利用兩個(gè)域的數(shù)據(jù)進(jìn)行模型學(xué)習(xí)。

　　元學(xué)習(xí)。

　　傳統(tǒng)的機(jī)器學(xué)習(xí)方法需獲取特定任務(wù)的大型數(shù)據(jù)集并從頭開始訓(xùn)練模型。很明顯，這和人類利用以往經(jīng)驗(yàn)，僅僅通過少量樣本就迅速完成學(xué)習(xí)的情況相差甚遠(yuǎn)。面對(duì)數(shù)據(jù)量不足的新任務(wù)時(shí)，這種方式顯然無法勝任。特別是在柔性制造動(dòng)態(tài)變換場景下，很難獲得大量標(biāo)注數(shù)據(jù)。元學(xué)習(xí)（Meta Learning）或者叫作“學(xué)會(huì)學(xué)習(xí)”（Learning to learn），即讓智能體或機(jī)器人利用以往的知識(shí)經(jīng)驗(yàn)來指導(dǎo)新任務(wù)的學(xué)習(xí)，具有學(xué)會(huì)學(xué)習(xí)的能力。它通過融合多個(gè)設(shè)備、多個(gè)不同場景下的訓(xùn)練模型并結(jié)合新設(shè)備/場景的少量樣本來學(xué)習(xí)適應(yīng)新場景的模型。

　　層級(jí)強(qiáng)化學(xué)習(xí)。

　　如何在適應(yīng)新問題的同時(shí)，保留既有知識(shí)和經(jīng)驗(yàn)是終身學(xué)習(xí)的一個(gè)關(guān)鍵問題。現(xiàn)有方法非常容易使得網(wǎng)絡(luò)模型忘記之前學(xué)習(xí)得到的知識(shí)，即存在災(zāi)難性遺忘問題。人類應(yīng)對(duì)復(fù)雜問題的方法是把它們分解成一系列小的、可控的步驟；人類能夠快速學(xué)到新任務(wù)，靠的就是把已經(jīng)學(xué)過的步驟重新組合起來以應(yīng)對(duì)新情況。基于此，層次強(qiáng)化學(xué)習(xí)成為有效的知識(shí)抽取和遷移方法。

　　漸進(jìn)式神經(jīng)網(wǎng)絡(luò)模型。

　　持續(xù)學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域當(dāng)中的長遠(yuǎn)目標(biāo)，智能體不僅學(xué)習(xí)和記憶一系列的任務(wù)經(jīng)驗(yàn)，同時(shí)也有能力從之前的任務(wù)上遷移出有用的知識(shí)來改進(jìn)收斂的速度。傳統(tǒng)的微調(diào)網(wǎng)絡(luò)模型的方法是通過源任務(wù)-目標(biāo)任務(wù)遷移方法來繼承某個(gè)源任務(wù)知識(shí)。但這種微調(diào)的方法不大適合在多任務(wù)中進(jìn)行遷移學(xué)習(xí)，基于此，GoogleDeepMind提出了漸進(jìn)式神經(jīng)網(wǎng)絡(luò)模型，它保留一個(gè)預(yù)訓(xùn)練模型池來根據(jù)任務(wù)變化不斷進(jìn)行網(wǎng)絡(luò)擴(kuò)展，從而實(shí)現(xiàn)經(jīng)驗(yàn)的自然累積和知識(shí)重用，實(shí)現(xiàn)持續(xù)學(xué)習(xí)并解決災(zāi)難性遺忘問題。

　　07

　　群智能體學(xué)習(xí)模型

　　近年來，制造業(yè)的智能化受到了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注，取得了一系列重要成果。然而，現(xiàn)有的方法和技術(shù)在制造業(yè)智能化提升方面還具有以下局限性：

　　其一是傳統(tǒng)感知學(xué)習(xí)模型沒考慮數(shù)據(jù)的分布性及由此衍生的不同制造業(yè)主體數(shù)據(jù)隱私保護(hù)的需求；

　　其二是通過工業(yè)動(dòng)態(tài)反饋進(jìn)行強(qiáng)化學(xué)習(xí)是復(fù)雜產(chǎn)品參數(shù)優(yōu)化的重要方面，然而制造要素的多樣性、制造環(huán)節(jié)的聯(lián)動(dòng)性使得僅依靠單智能體的強(qiáng)化學(xué)習(xí)難以滿足全局性能優(yōu)化要求。

　　聯(lián)邦學(xué)習(xí)。

　　當(dāng)今的AI面臨的一個(gè)重要挑戰(zhàn)是多數(shù)行業(yè)由于數(shù)據(jù)隱私和安全性原因存在數(shù)據(jù)孤島問題，在未來制造領(lǐng)域，需要在保障數(shù)據(jù)分享隱私安全前提下開展跨制造要素、跨制造環(huán)節(jié)以及跨制造企業(yè)的分布式學(xué)習(xí)模型探索。一種可能是在工廠內(nèi)多個(gè)設(shè)備之間開展聯(lián)邦學(xué)習(xí)，另一種則是在生產(chǎn)的不同環(huán)節(jié)和企業(yè)間開展聯(lián)邦學(xué)習(xí)。

　　多智能體深度強(qiáng)化學(xué)習(xí)。

　　單智能體深度強(qiáng)化學(xué)習(xí)近來取得了巨大突破，但單體智能學(xué)習(xí)能力還存在很大限制。就人類社會(huì)而言，每個(gè)個(gè)體都有自己獨(dú)特的目標(biāo)和行為，但人們?nèi)匀荒軌蚪M織在一起展示出非凡的集體智能。因此，在智能物聯(lián)網(wǎng)環(huán)境下，智能體在單獨(dú)行動(dòng)的同時(shí)，也要學(xué)會(huì)與其他的智能體進(jìn)行交互和協(xié)作，通過其協(xié)作和博弈激發(fā)新的智能——即多智能體深度強(qiáng)化學(xué)習(xí)。

　　智能制造領(lǐng)域面臨同樣的問題。

　　針對(duì)制造業(yè)單個(gè)智能體感知范圍有限、基于反饋的參數(shù)優(yōu)化能力差、群體學(xué)習(xí)能力弱等問題，需研究基于深度強(qiáng)化學(xué)習(xí)模型的多智能體協(xié)同增強(qiáng)方法。將目標(biāo)任務(wù)與動(dòng)態(tài)調(diào)優(yōu)模型關(guān)聯(lián)。面向特定的制造任務(wù)需求，提出群智深度強(qiáng)化學(xué)習(xí)模型對(duì)各制造要素進(jìn)行建模和協(xié)同學(xué)習(xí)，動(dòng)態(tài)反饋和優(yōu)化調(diào)整參與任務(wù)的各智能體參數(shù)，使得制造群體參數(shù)總體最優(yōu)，實(shí)現(xiàn)多智能體協(xié)同增強(qiáng)。

　　08

　　人機(jī)物群智融合制造業(yè)智慧空間構(gòu)建

　　Gartner將“智慧空間”列入2020年十大戰(zhàn)略科技發(fā)展趨勢(shì)，指出人工智能與物聯(lián)網(wǎng)、邊緣計(jì)算和數(shù)字孿生等技術(shù)的快速發(fā)展及深度融合，可以為智能制造等領(lǐng)域提供高度集成的智慧空間。智慧空間是一種物理信息融合環(huán)境，其中人、機(jī)、物等要素在開放和智能的生態(tài)系統(tǒng)中彼此交互，構(gòu)建組織靈活、行為自適、自主演化的空間。下面給出制造業(yè)群智智慧空間的定義。制造業(yè)群智智慧空間關(guān)注制造業(yè)中人（智能手機(jī)、可穿戴設(shè)備）、機(jī)（云、邊緣設(shè)備）、物（物聯(lián)網(wǎng)終端）、環(huán)境、信息等多維因素之間的復(fù)雜關(guān)聯(lián)關(guān)系，探索群智能體之間的協(xié)同模式與制造效率、質(zhì)量間的交互作用機(jī)理。利用人機(jī)物感知能力的差異性、計(jì)算資源的互補(bǔ)性、節(jié)點(diǎn)間的交互性，通過終端深度模型壓縮、云邊端協(xié)同自適應(yīng)感知、智能體終身學(xué)習(xí)與持續(xù)演化、群智能體分布式學(xué)習(xí)等來解決單獨(dú)利用某種智能難以解決的復(fù)雜問題，最終構(gòu)建具有自組織、自學(xué)習(xí)、自適應(yīng)、可遷移、持續(xù)學(xué)習(xí)能力的智慧空間。

　　融合群體智能的制造企業(yè)智慧空間的發(fā)展有望引發(fā)制造業(yè)的重要變革，而當(dāng)前的研究仍存在較大空白。制造企業(yè)智慧空間尚未形成，甚至缺少融合群體智慧的制造企業(yè)智慧空間的構(gòu)建理論、分布學(xué)習(xí)方法、協(xié)同運(yùn)行和持續(xù)演化機(jī)制。傳統(tǒng)基于單點(diǎn)智能和集中智能解決方案難以應(yīng)對(duì)復(fù)雜產(chǎn)品制造中的各種問題，導(dǎo)致復(fù)雜制造企業(yè)普遍存在群體融合差、分布協(xié)作難、適應(yīng)能力弱等挑戰(zhàn)性問題，成為未來智能制造的開放性研究課題。

　　09

　　對(duì)我國下一代制造業(yè)發(fā)展的啟示

　　制造業(yè)是國民經(jīng)濟(jì)的主體，是立國之本、強(qiáng)國之基。目前，國際上工業(yè)4.0發(fā)展方興未艾，《中國智能制造2025》已成為我國沿制造強(qiáng)國邁進(jìn)的發(fā)展戰(zhàn)略，打造具有國際競爭力的制造業(yè)，是我國提升綜合國力、建設(shè)世界強(qiáng)國的必由之路。工業(yè)互聯(lián)網(wǎng)和智能物聯(lián)是智能制造的關(guān)鍵支撐技術(shù)，前者實(shí)現(xiàn)智能設(shè)備、人和數(shù)據(jù)的連接；后者則基于多源感知大數(shù)據(jù)實(shí)現(xiàn)對(duì)制造主體的自組織、自學(xué)習(xí)、自適應(yīng)、持續(xù)演化等智慧賦能；最終將形成人、機(jī)、物群智融合的制造業(yè)智慧空間。在前面介紹智能物聯(lián)網(wǎng)在智能制造領(lǐng)域前沿方向基礎(chǔ)上，為了推動(dòng)我國新一代智能制造的發(fā)展與技術(shù)落地，還需要注意從以下方面提升。

　　發(fā)揮智能物聯(lián)網(wǎng)引領(lǐng)作用。

　　物聯(lián)網(wǎng)、人工智能及其深度融合將成為引領(lǐng)未來制造業(yè)變革的關(guān)鍵技術(shù)。智能物聯(lián)網(wǎng)作為物聯(lián)網(wǎng)和人工智能結(jié)合的前沿技術(shù)在新一代智能制造中將發(fā)揮關(guān)鍵作用。當(dāng)前工業(yè)物聯(lián)網(wǎng)的發(fā)展正處于智能物聯(lián)的初級(jí)階段，而融合先進(jìn)AI技術(shù)的高級(jí)階段將帶來生產(chǎn)效率的極大躍升。

　　加強(qiáng)從0到1基礎(chǔ)研究。

　　目前我國在制造領(lǐng)域關(guān)鍵技術(shù)應(yīng)用方面已取得不少進(jìn)展，而在基礎(chǔ)研究領(lǐng)域還相對(duì)滯后。本文介紹的GoogleDeepMind、斯坦福大學(xué)、伯克利大學(xué)等在多智能體強(qiáng)化學(xué)習(xí)、機(jī)器人集群協(xié)作、自適應(yīng)持續(xù)演化等領(lǐng)域的突破性研究為未來制造業(yè)變革提供了豐富可能，而我國在基礎(chǔ)創(chuàng)新方面還存在較大差距，存在大而不強(qiáng)、重技術(shù)輕基礎(chǔ)的現(xiàn)狀。因此，需要加強(qiáng)從0到1的基礎(chǔ)性研究，從長遠(yuǎn)角度推動(dòng)智能制造不斷革新、持續(xù)發(fā)展。

　　注重多學(xué)科融合人才培養(yǎng)。

　　目前高校人才培養(yǎng)模式還主要面向單個(gè)學(xué)科開展，學(xué)生知識(shí)結(jié)構(gòu)單一，難以滿足未來對(duì)于多學(xué)科知識(shí)融合解決復(fù)雜問題的需求。以智能制造為例，涉及計(jì)算機(jī)、人工智能、物聯(lián)網(wǎng)、機(jī)械制造、自動(dòng)控制、生物學(xué)等多學(xué)科理論和知識(shí) ，應(yīng)該創(chuàng)新人才培養(yǎng)模式，促進(jìn)多學(xué)科知識(shí)融合，為培養(yǎng)復(fù)合型創(chuàng)新型人才提供有效途徑。

　　產(chǎn)學(xué)研深度協(xié)同融合。

　　智能制造具有很高的新技術(shù)密集度，汲取了人工智能領(lǐng)域最前沿的理論和技術(shù)成果。從前沿創(chuàng)新角度而言，高校往往具有先進(jìn)的人工智能算法而苦于沒有工業(yè)數(shù)據(jù)進(jìn)行驗(yàn)證，企業(yè)則積累了大量過程數(shù)據(jù)卻缺少新技術(shù)的支撐。需要打破壁壘促進(jìn)高校和科研院所積極參與智能制造產(chǎn)業(yè)變革，創(chuàng)造條件促進(jìn)產(chǎn)學(xué)研的深度協(xié)同與技術(shù)革新。

　　推動(dòng)新興技術(shù)在制造業(yè)的落地應(yīng)用。

　　聯(lián)邦學(xué)習(xí)、遷移學(xué)習(xí)、多智能體強(qiáng)化學(xué)習(xí)、深度模型壓縮、邊緣計(jì)算、云邊端融合計(jì)算等智能物聯(lián)網(wǎng)相關(guān)技術(shù)近年來不斷取得新突破，在國家科研發(fā)展規(guī)劃中要注重推動(dòng)以上關(guān)鍵技術(shù)和制造業(yè)關(guān)鍵科學(xué)和技術(shù)問題的結(jié)合，產(chǎn)生示范性應(yīng)用效果，進(jìn)而形成新的產(chǎn)業(yè)鏈，促進(jìn)制造業(yè)智慧空間的形成。

　　文章來源：《學(xué)術(shù)前沿》雜志2020年7月（上）

　　原文標(biāo)題：《論智能物聯(lián)與未來制造——擁抱人機(jī)物融合群智計(jì)算時(shí)代》（微信有刪節(jié)）

　　作者：西北工業(yè)大學(xué)計(jì)算機(jī)系統(tǒng)與微電子系主任 郭斌