王靜逸 熊健

摘要：為支持群體智能體系的結構和計算，智能核心采用內部線程通道分層結構、外部多節(jié)點分層、聯(lián)邦節(jié)點結合的3層模式，集成聯(lián)邦形式模型、集中化并行模型和博弈對抗模型，形成支持群體智能體系的多樣化分布式人工智能（artificial intelligence，AI）模型的計算系統(tǒng)。該系統(tǒng)可提高群體智能體系的底層能力，提供易用性高、兼容性好和能解決復雜多智能體問題的核心結構，提高分布式AI的系統(tǒng)水平。

關鍵詞：分布式人工智能;群體智能;HLA;Agent;博弈對抗;聯(lián)邦計算

中圖分類號：TP391.92;TP311.521文獻標志碼：B

0 引言

隨著神經(jīng)網(wǎng)絡的突破，人工智能（artificialintelligence，AI）得到巨大的發(fā)展，特別在圖像、分析和推薦等領域。

在AI快速發(fā)展的同時，計算規(guī)模擴大、專家系統(tǒng)單一、神經(jīng)網(wǎng)絡模型靈活性不足、應用領域復雜等問題也在不斷升級。在這樣的背境下，分布式AI的發(fā)展被眾多研究機構和大型企業(yè)提上日程。

1 分布式AI與智能核心

分布式AI可以解決集中化AI的主要問題：（1）規(guī)?；挠嬎?（2）計算模型的拆分訓練;（3）多智能專家系統(tǒng)的協(xié)作;（4）多智能體博弈和訓練演化，解決數(shù)據(jù)集不足問題;（5）群體智能決策和智能系統(tǒng)決策樹的靈活組織，適應復雜的應用場景，特別是在工業(yè)、生物、航天和經(jīng)濟等研究領域;（6）適應物聯(lián)網(wǎng)和小型智能設備，可聯(lián)合更多的邊緣計算單元和移動設備。

1.1TensorFlow學習平臺的分布式方案

運用TensorFlow學習平臺的組件，可以形成2種主要的分布式進程：單進程和多進程。該方案出自ABADI等題名TensorFlow：Large-scale machinelearning On heterogeneous distributed systems的論文。該平臺的部署和運作模式見圖1。

根據(jù)TensorFlow的分布式機器學習方案可知其存在一些缺點，如：（1）分布式的計算方式提供訓練和參數(shù)更新服務，可極大擴展規(guī)模化的計算能力，但是在數(shù)據(jù)歸并和多級分層上沒有較好的計算模型，無法提供多層次的分布式結構;（2）在分布式的計算模型中，無較好的計算模型構造方式，因此無法提供分布式AI所需要的任務分發(fā)、數(shù)據(jù)歸并和模型更新等能力;（3）分布式組織方式使平級層次的分布式結構歸并成為最終模型，可完成集中化的單一專家系統(tǒng)，無法形成多群體博弈對抗的協(xié)調決策與多專家系統(tǒng)的兼容協(xié)調;（4）TensorFlow需要高性能計算機和高性能GPU，難以支持小型設備和物聯(lián)網(wǎng)等多設備的邊緣化集群計算。

1.2 Apache Spark分布式機器學習

在Aache Spark中，計算模型可以設計為有向無環(huán)圖（directed acyclic graph，DAG），無環(huán)圖的頂點是彈性分布式數(shù)據(jù)集（resilient distributed database，RDD），RDD是Spark的核心組件。通過RDD轉換，可形成模型的計算、轉換和聚合等過程，整體模型可以表示成一個DAG。DAG的頂點表示中間轉換，可存儲中間結果;DAG的邊表示計算過程，可以進行數(shù)據(jù)轉換和數(shù)據(jù)歸并等處理。比如，在分布式機器學習模型訓練中，多個計算節(jié)點共同訓練、平均更新模型規(guī)模是提高機器學習規(guī)模化訓練的重要方法。Spark計算模型和Stage形成的DAG見圖2。

根據(jù)Spark的分布式機器學習機制，并結合參考文獻[2]，可以總結Spark存在的缺點：（1）支持大規(guī)模的模型計算分層，但是計算過程消耗較大，不適用于較小規(guī)模的分布式方案;（2）節(jié)點與節(jié)點之間的數(shù)據(jù)路由不靈活;（3）難以在小型化設備間進行聯(lián)合學習運算，無法部署在小型化設備上;（4）其并行計算框架的模式是任務確認調度-模型劃分-分片計算-歸并總結，更適合大數(shù)據(jù)集的機器學習，不適合多節(jié)點博弈等強化學習方法。

1.3 Google聯(lián)合學習方案

針對小型化設備，Google在Federated learning：Collaborative machine learning without centralizedtraining data中提出聯(lián)邦聯(lián)合學習的概念。

聯(lián)邦聯(lián)合學習的工作原理為：（1）手機或者其他小型設備下載云端的共享模型;（2）每個小型設備的用戶通過自己的歷史數(shù)據(jù)訓練和更新模型;（3）將用戶個性化更新后的模型抽取成為一個小的更新文件;（4）提取模型的差異化部分進行加密處理并上傳到云端;（5）在云端將新用戶的差異化模型與其他用戶模型進行平均化（Average），然后優(yōu)化更新現(xiàn)有的共享模型。

聯(lián)邦聯(lián)合學習的好處有：（1）聚合邊緣的小型化設備（如手機），增加AI的數(shù)據(jù)來源和計算能力來源;（2）機器學習的模型結果更適應廣泛用戶的行為數(shù)據(jù)模型;（3）不同群體之間可以產(chǎn)生博弈和不斷強化的模型結果，模型可以在廣泛的分布式基礎下不斷迭代更新。

1.4 技術問題的改善

1.4.1 核心功能點

以實現(xiàn)實時操作系統(tǒng)（real-time operatingsystem，RTOS）為目標，圍繞分布式AI和群體智能，參考Distributed and federated optimization for machinelearning中的聯(lián)邦學習、HLA evolved：Asummary ofmajor technical improvements中的HLA聯(lián)邦交互技術、DDS集中化仿真模型、Agent聯(lián)盟機器學習和大數(shù)據(jù)下的Multi-Agent智能模型等，進行計算核心設計，其主要核心能力如下。

（1）分布式多網(wǎng)絡節(jié)點。提供分布式智能節(jié)點，幫助隨時啟動計算節(jié)點，將單體計算平臺（包括計算機、智能硬件和移動設備等）連接起來，形成一個多網(wǎng)絡節(jié)點的分布式計算平臺。

（2）提供計算層接口。各個邏輯和算法可以通過計算層接口連接分布式節(jié)點，聲明和接受分布式任務，為群體智能決策，運算實體邏輯和AI算法。

（3）任務并行和數(shù)據(jù)同步。支持不同計算層分別聲明和相互訂閱，可以通過路由節(jié)點在不同運算層之間發(fā)布計算模型、訂閱部分模型任務、同步數(shù)據(jù)、歸并數(shù)據(jù)和并行計算等。

（4）多語言軟件開發(fā)工具包（softwaredevelopment kit，SDK）。包括C++、Java、C#、Python和Unreal等，使計算層可以支持TensorFlow深度學習、C++邏輯和智能仿真、Unreal圖形和物理計算等，支持多樣化的智能模型。

（5）多種模型定義和分布式規(guī)則。提供HLA、DDS和Multi-Agent等分布式體系，支持不同AI模型的定義，支持AI模型的并行計算、任務拆分、數(shù)據(jù)歸并和模型共享等。

（6）負載均衡。均衡計算層（worker）的計算實體（entity），有效分配和管理計算資源。

（7）中控管理。中心化的監(jiān)控工具，可檢測和控制多個平臺、worker和entity等計算資源。

在實際應用中，要結合不同的應用場景和計算組合方式，通過其他人工智能庫（如TensorFlow）完成架構設計，實現(xiàn)大規(guī)模、分布式和多AI節(jié)點計算，完成集群AI的總體決策，并且實現(xiàn)互相激發(fā)、互相協(xié)作的目標。

1.4.2 核心組件支持的組織協(xié)議體系

核心組件是分布式智能計算核心，支持不同的分布式AI計算架構，需要多種分布式計算模型規(guī)則。多種體系可以相互協(xié)作，可適應復雜的智能環(huán)境需求。分布式組織協(xié)議體系主要有3種。

（1）HLA高層體系結構。類似Spark的多級模型分層結構，HLA高層體系結構可以通過路由節(jié)點和代理模型定義，形成多級分層并行計算的聯(lián)邦模型。

（2）DDS數(shù)據(jù)分發(fā)服務。類似聯(lián)合學習的分布式結構，DDS數(shù)據(jù)分發(fā)服務可以通過將核心節(jié)點作為云服務提供共享模型，結合大量設備聯(lián)合學習和更新模型。

（3）Multi-Agent多智能體代理結構。該結構可以形成多專家系統(tǒng)、多智能實體的獨立結構，形成多個系統(tǒng)的博弈協(xié)調，互相進行強化和激發(fā)分布式AI系統(tǒng)。

1.4.3 核心組件的優(yōu)點及其解決的問題

基于核心組件目標，提供靈活的、高兼容性的分布式人工智能核心，為未來邊緣計算、萬物智能進行賦能，提供多智能系統(tǒng)的協(xié)作能力。該核心組件具有以下優(yōu)點：（1）支持多級分層的聯(lián)邦模型，支持大規(guī)模并行計算;（2）SDK和分布式智能節(jié)點的小型化，支持Windows、Linux和Android等多種操作系統(tǒng)，支持小型化設備數(shù)據(jù)同步和計算賦能;（3）支持分布式多節(jié)點和多聯(lián)邦博弈強化的AI結構;（4）多語言SDK，支持了ensorFiow、C++、Java、C#、Python和Unreal等多種神經(jīng)網(wǎng)絡、邏輯語言和物理仿真庫，支持復雜的AI場景;（5）節(jié)點和組織模型即插即拔，靈活支持各種節(jié)點和設備加入分布式AI場景。

2 核心組件的分布式智能節(jié)點原理

2.1 分布式智能的3層節(jié)點原理

核心組件的關鍵是分布式智能節(jié)點，節(jié)點原理有3種理解方式。

（1）在單個智能節(jié)點中，通過多線程的方式在單進程中運行多個節(jié)點同步處理。

（2）在局域網(wǎng)絡或小規(guī)模網(wǎng)絡中，根據(jù)HLA、DDS和Multi-Agent等體系，形成自己的小型網(wǎng)絡聯(lián)邦，并且組成獨立的分布式計算模型。

（3）在開放性網(wǎng)絡中，不同聯(lián)邦、區(qū)域計算的節(jié)點，通過開放性網(wǎng)絡與其他聯(lián)邦、區(qū)域代表形成跨域的分布式模型。在這種網(wǎng)絡中，可以把獨立聯(lián)邦、獨立區(qū)域劃分成大型節(jié)點。相關的結構原理見圖3。

基于多級需求，在組件結構中進行5個設計。

（1）AbstractNode：抽象節(jié)點相關的功能，包括數(shù)據(jù)隊列和異構處理等。

（2）AbstractServer：抽象相關智能節(jié)點，處理節(jié)點服務的功能，包括連接、操作、數(shù)據(jù)推送、消息分發(fā)、數(shù)據(jù)隊列和數(shù)據(jù)壓縮等。

（3）ThreadSever：第一層分布式節(jié)點，繼承AbstractServer，實現(xiàn)進程內節(jié)點功能，提供單節(jié)點內部的分布式結構，可以通過進程間的管道進行通信，充分發(fā)揮單節(jié)點的多CPU計算核心，賦予單節(jié)點、多體系智能模型的兼容能力。

（4）RTOSNode：核心組件中分布式智能節(jié)點的標準單位，通過分布式聯(lián)邦模型進行數(shù)據(jù)同步、并行計算和智能決策等，通過小規(guī)模網(wǎng)絡在一個聯(lián)邦集團中形成小規(guī)模集團計算。

（5）聯(lián)邦網(wǎng)絡：通過核心組件中的聯(lián)邦模型，聯(lián)合公共網(wǎng)絡的、外部的聯(lián)邦單位，進行多聯(lián)邦模型之間的協(xié)調計算和數(shù)據(jù)通信。

在實際運行當中，可通過不同方式的啟動和連接發(fā)揮3層分布式節(jié)點模式的作用。

2.2 分布式智能節(jié)點多分布式體系模型兼容性

智能節(jié)點最核心的能力是在多個分布式體系下可以通過單節(jié)點內部多分層的方式兼容多個分布式體系。通過智能節(jié)點的3層原理和能力，智能節(jié)點可以支持外部網(wǎng)絡分布式和內部線程分布式。單節(jié)點同時加載FED模型和IDL模型，對外支持多體系，具體運行原理見圖4。單節(jié)點對多分布式體系兼容的原理為：（1）智能節(jié)點通過單節(jié)點內部分布式方法，在一個節(jié)點中形成多體系任務;（2）在內部分布式節(jié)點中加載各自負責的分布式體系模型文件;（3）多體系之間通過節(jié)點中的數(shù)據(jù)管道進行信息交換和同步;（4）各自的分布式節(jié)點與外部節(jié)點聯(lián)合，處理當前所在體系的模型加載、任務分發(fā)和計算層處理等工作。

3 系統(tǒng)架構和核心組件模塊

參考HLA、DDS和Agent等體系的RTI通信架構模式，基于RTOS組件、3種分布式體系結構、常用的AI算法庫、第三方功能庫等，形成以計算核心、多分布式體系為基礎的分布式群體智能生態(tài)系統(tǒng)架構，見圖5。

生態(tài)系統(tǒng)架構主要有4層結構。

（1）Refrence lib層。該層為底層庫，主要以網(wǎng)絡通信協(xié)議TCP/UDP和網(wǎng)絡協(xié)議Protobuf、GRPC等相互輔助。

（2）Core Soft Plateform層。該層為核心軟件平臺層，主要為系統(tǒng)的核心組件，包括RTOSNode分布式智能節(jié)點、多語言計算層SintolSDK。計算模型和分布式體系包括HLA、DDS、Multi-Agent和DIS等。

（3）Open Soft Plateform層。該層為開放軟件層，結合其他開源框架，用于提高系統(tǒng)核心組件的適用范圍，比如深度學習平臺TensorFlow、Mesh Engine網(wǎng)格引擎（三維點云庫PCL）、Physics Engine物理引擎和數(shù)據(jù)庫（MySQL、MongoDB）等，并結合SintolSDK開放的API和SDK，加入SintolRTOS的計算模型和分布式節(jié)點。

（4）Cloud Server Plateform，即云平臺。該平臺包括仿真平臺、智能大數(shù)據(jù)平臺、網(wǎng)絡中控節(jié)點管理平臺和智能硬件（邊緣計算）平臺。

整體生態(tài)系統(tǒng)架構是一個大型的、高兼容性的架構體系，其核心層次的架構和原理如下。

3.1 Core Soft Plateform

Core Soft Hateform是系統(tǒng)的核心組件層，其構成可以分為3層：計算核心層SintolRTOS、體系協(xié)議層Runtime Framework和計算模型模板（objectmoudle temple，OMT）層。

核心模塊SintolRTOS負責處理智能計算、數(shù)據(jù)路由、負載均衡和操作系統(tǒng)兼容等，主要由分布式智能節(jié)點組件RTOSNode（多操作系統(tǒng)版本）和計算層組件SintolSDK（多語言、多操作系統(tǒng)版本）組成。SintolRTOS具體架構見圖6。

SintolRTOS核心架構可以分為4層，其功能組成如下。

（1）System OS Layer層，即操作系統(tǒng)層，是RTOS的底層，適配操作系統(tǒng)底層模塊，支持大型服務器（Windows、Linux）和小型智能硬件（Android）。

（2）SintolRTI層，即運行支撐環(huán)境，是公共基礎服務支撐框架，包括支持加鎖策略、單節(jié)點內部分布式、消息壓縮和多分布式體系數(shù)據(jù)分發(fā)等。

（3）Distributed Node層，即分布式節(jié)點層。在SintolRTOS所組成的計算網(wǎng)絡中，計算實體、路由節(jié)點和聯(lián)邦中央節(jié)點等都屬于分布式節(jié)點，SintolRTOS中的節(jié)點組件RTOSNode是該層的重要產(chǎn)出，還負責處理不同體系下的負載均衡、消息代理和模型加載等。

（4）SintolSDK層。SintolSDK對外提供SDK，包括接人AI計算層、物理計算層、數(shù)據(jù)計算層和三維仿真計算層等。開發(fā)者可以使用對應的SDK成為SintolRTOS的一個節(jié)點或者成為系統(tǒng)功能計算層。SDK提供多種語言的支持，包括Python、C++、C#、Java和圖形引擎Unreal等。

SintolRTOS核心是一個高性能的計算核心，可以充分調動不同系統(tǒng)平臺的計算資源，是一個高兼容性的核心，可以支持多種分布式體系、多數(shù)據(jù)一致性算法和多種計算層模型等。

Runtime Framework主要支持整個SintolRTOS運行的分布式體系，以及相關的HLA、DDS和Multi-Agent等體系。

OMT是模型模板層，可提供不同分布式體系中計算模型的定義、分層和交互等，與相關的分布式體系相對應。

3.2 Open Soft Plateform

Open Soft Plateform是開放平臺層，結合許多開源的系統(tǒng)框架，使SintolRTOS能夠融合多種計算方式。Open Soft Plateform又可細分3個層次。

（1）API/Interaetion接口和交互層，提供對接第三方與SintolRTOS核心的接口，處理如深度學習卷積計算、三維點云算法計算和大數(shù)據(jù)計算等，與SintolRTOS分布式模型任務結合，提供交互功能。

（2）計算框架層。集合TensorFlow深度學習、Physics物理引擎、PCL點云Mesh和數(shù)據(jù)庫等框架，結合API/Interaction，賦予SintolRTOS智能計算能力和數(shù)據(jù)存儲能力。

（3）Visual Tool可視化工具層。開發(fā)人員可通過可視化系統(tǒng)觀測SintolRTOS中的分層結構、實體計算和交互信息等。

4 群體智能系統(tǒng)和AI代理模型

在核心智能節(jié)點中，計算層可以通過SDK創(chuàng)建聯(lián)邦計算模型、分配聯(lián)邦計算層、設置分布式體系和群體協(xié)調方式。在不同的分布式體系下，聯(lián)邦模型有所不同。

4.1FED聯(lián)邦模型

在HLA體系中，計算層可以發(fā)布fed.xml的聯(lián)邦計算FOM代理模型文件。

FED聯(lián)邦模型運行核心組件的主要優(yōu)勢有：（1）提供通用、易用的機制，表示聯(lián)邦成員之間數(shù)據(jù)交換的方式，解釋多個分布式節(jié)點中計算模型的協(xié)調方式;（2）提供多聯(lián)邦的標準機制，實現(xiàn)不同聯(lián)邦之間數(shù)據(jù)交換和成員之間交互協(xié)調;（3）幫助開發(fā)者設計群體智能對象模型的結構。

FED代理模型主要有FOM聯(lián)邦對象模型和SOM成員對象模型，他們共同組成HLA的OMT，可描述群體智能決策的結構體、設計聯(lián)邦的分布式并行智能計算和歸并總體決策。

通過聯(lián)邦模型，可以把復雜的AI模型分解成基于HLA的分布式群體決策森林，進行分布式并行計算。

4.2 IDL主題模型

DDS是一種集中式的分布式數(shù)據(jù)分發(fā)協(xié)議體系。本文核心組件的中心模型可以自定義，即IDL主題模型文件。DDS主要是數(shù)據(jù)模型的分發(fā)和訂閱。在IDL中主要定義復雜的數(shù)據(jù)結構，其每個節(jié)點的計算相對獨立、模型結構相互獨立，通過中心節(jié)點進行同步協(xié)調，其數(shù)據(jù)定義與C++的Struct類似。

分布式智能節(jié)點經(jīng)路由器廣播數(shù)據(jù)并為其下層訂閱計算實體，因此需要在計算層發(fā)布IDL模型，然后其他用戶可以訂閱模塊（module，一個主題中可以有多個module）。在IDL中，模型類和交互接口等都以數(shù)據(jù)體的形式定義。

計算模型森林深度較淺、各計算實體計算方式交互較少、對數(shù)據(jù)廣播要求較高的系統(tǒng)，可以選用這種形式組織分布式智能計算。

4.3 FED、IDL通過Agent代理AI模型

Agent的形式多種多樣。在分布式智能節(jié)點中，Agent主要以智能代理模型的形式與FED、IDL模型等協(xié)作，可以將不同智能系統(tǒng)一起代理，與其他代理系統(tǒng)協(xié)同工作。本文核心組件提供Protobuf作為消息協(xié)議體，用于編寫Agent的智能代理屬性，多語言、多平臺地支持各種智能系統(tǒng)協(xié)同。

Agent沒有具體的定義方式。參考文獻[10]中的模型委托代理模式，使用消息協(xié)議，先定義對外的委托人，然后通過委托互相調用，協(xié)調各自的分布式智能系統(tǒng)。

在代理模型模塊中，通過Agent調用模型的體系，主要有目標對象、攔截機對象和目標對象代理3個部分。具體的調用和攔截方式見圖7。

核心組件實現(xiàn)Agent主要有3個重點。

（1）在分布式智能節(jié)點之間通過TCP連接，并且用Protobuf實現(xiàn)Agent代理信息和協(xié)議的編寫。

（2）處理SintolRTOS的Protocol Layer協(xié)議層，在Model模塊中實現(xiàn)Agent的攔截及其與Model層的連接和調度。

（3）在Model中定義FED、IDL等，開放代理接口，攔截層應該拒絕非法調用及其錯誤反饋。

在實際運行環(huán)節(jié)，智能節(jié)點、計算層、復雜計算層、SDK和Agent之間的關系見圖8。

4.4 分布式群體智能系統(tǒng)

群體智能是多專家系統(tǒng)協(xié)作的復雜系統(tǒng)，智能模型、子系統(tǒng)劃分和分布式計算既相互獨立又相互依賴，整個系統(tǒng)具有一致的目標，比如工廠智能系統(tǒng)的最終目的是提高良品率、降低成本和提高效益等，復雜環(huán)境的社群經(jīng)濟模型最終目的是提高整體社群活躍度、人群管理穩(wěn)定性和經(jīng)濟GVM增長率等。

使用本文核心組件開發(fā)群體智能系統(tǒng)的具體方法可以總結為設計環(huán)節(jié)和開發(fā)部署環(huán)節(jié)2個部分。

4.4.1 設計環(huán)節(jié)

（1）設計整體系統(tǒng)環(huán)境的任務目標;

（2）設計分布式系統(tǒng)體系、聯(lián)邦體系、中控DDS體系、博弈體系和混合體系等;

（3）設計分布式聯(lián)邦模型，編寫模型文件;

（4）根據(jù)分布式模型設計計算層和算法模塊;

（5）設計計算層的協(xié)調接口、數(shù)據(jù)一致性算法、數(shù)據(jù)類型，以及同步和異步方法;

（6）設計AI代理層，設計神經(jīng)網(wǎng)絡模型，連接分布式聯(lián)邦模型和Agent代理模型。

4.4.2 開發(fā)部署環(huán)節(jié)

（1）根據(jù)群體智能體系，部署分布式智能節(jié)點;

（2）啟動聯(lián)邦節(jié)點和全體分布式節(jié)點，組成分布式聯(lián)邦網(wǎng)絡;

（3）根據(jù)設計的計算層發(fā)布聯(lián)邦模型，使用SDK編寫計算層模塊并連接到對應的智能節(jié)點;

（4）對應特殊的計算層，比如復雜的神經(jīng)網(wǎng)絡、物理仿真計算等，使用特定的SDK編寫委托一代理的Agent模型，提供復雜算法模塊;

（5）運行整體群體智能系統(tǒng)，啟動中控系統(tǒng)，監(jiān)聽運行環(huán)境，在系統(tǒng)運行中迭代更新智能參數(shù)、調整群體智能體系。

4.4.3 模擬智能體和對抗強化學習示例

在實際的DDPG計算層中，Agent的訓練模型和數(shù)據(jù)需要來自于UnrealRTOS（仿真計算層）的傳人和代理，驅動DDPG強化神經(jīng)網(wǎng)絡的學習訓練，在實際應用中對抗博弈，最終形成多人互動的博弈，促進動態(tài)的系統(tǒng)學習和模型平衡。多智能體分布式體系見圖9。

多智能體分布式體系的主要結構要點如下：（1）整體體系都在一個聯(lián)邦體系下，所有智能體都在一個聯(lián)邦模型中，申明其中的子模型實體，進行運算和協(xié)調;（2）每個智能體通過UnrealRTOS和CSintolSDK組成實體，處理其仿真動作、狀態(tài)機、物理碰撞和圖形渲染等;（3）智能體通過PSintolSDK與Agent形成智能代理機制，通過DDPG神經(jīng)網(wǎng)絡進行強化學習，形成不同智能體的智能對抗訓練和升級。

整個聯(lián)邦可以容納多個智能體，共同形成小型聯(lián)邦的群體智能。

5 電商社群經(jīng)濟下的群體智能數(shù)據(jù)

社群分布式經(jīng)濟模型與智能核心組件見圖10。

與傳統(tǒng)的經(jīng)濟模型相比，分布式社群經(jīng)濟模型運用群體智能計算，具有如下特點：（1）通過RTOS全面連通社群經(jīng)濟體，實現(xiàn)全面的數(shù)據(jù)采集和路由互通，讓整個社群經(jīng)濟體具有智能的感知控制;（2）使用規(guī)則模型定義優(yōu)化社群的運營和經(jīng)營策略;（3）使用對象模型模擬全網(wǎng)分布式自治環(huán)境以及所有用戶、社群、經(jīng)濟交易體的活動;（4）使用評價模型評價和強化社群運營規(guī)則策略與對象運行模式;（5）應用反饋模型，通過評價、對象和規(guī)則等數(shù)據(jù)對規(guī)則模型進行優(yōu)化和梯度計算等;（6）利用群體智能的能力激發(fā)多專家系統(tǒng)博弈對抗和協(xié)調合作，發(fā)展創(chuàng)新、激發(fā)新經(jīng)濟時代的強大活力。

以天貓平臺的實際工作為例，測試電商業(yè)務在多模型博弈環(huán)境下提高產(chǎn)品推廣策略的效果。

在天貓平臺的直通車策略推廣中，策略主要有5個因素：一是影響商品投放策略效果，如商品選擇、創(chuàng)意策略、關鍵詞、投放金額、投放時間、投放地域和投放人群等，最終形成自身投放的策略因素;二是通過歷史效果對本身產(chǎn)品進行評價和對比;三是大盤品類產(chǎn)品的時效性;四是競爭對手的策略;五是自身產(chǎn)品的活動影響。

分別對這5個因素進行建模，如DDPG強化策略、強化評價、反饋模型、商品對象和活動規(guī)則等，設計群體智能模型，以提高本身產(chǎn)品的總成交金額和以一定比例的投入產(chǎn)出比為限定要素設定最終目標。整體分布式體系主要使用HLA聯(lián)邦體系和Multi-Agent博弈體系聯(lián)合作用。聯(lián)邦體系主要用于決策自身相關的策略模型;博弈體系主要用于與競爭對手的策略和天貓平臺的策略進行博弈。

具體算法本文不詳細探討。系統(tǒng)運行一定時間，每日結束后，點擊率、轉化率和投入產(chǎn)出均按重點時段進行提升，天貓平臺商品投放和推薦策略的實際測試數(shù)據(jù)見圖11。

6 結束語

在未來的科技發(fā)展中，AI應用將遍布各行各業(yè)。隨著社會化、物聯(lián)網(wǎng)、邊緣計算、航天科技、生物研究和金融模型研究等高速發(fā)展，AI的計算規(guī)模、訓練時間和兼容性都將受到更嚴峻的考驗。如何提高AI的計算規(guī)模和計算能力，以滿足復雜的社會情況，迎接“萬物互聯(lián)”的新世界，分布式AI正為此努力。

隨著時代的發(fā)展，分布式智能計算核心需要適配不同的智能硬件、適配工業(yè)化設備、適應小型化的社群經(jīng)濟模型，幫助AI走人生活智能設備、改造工業(yè)環(huán)境、提升金融模型的計算精細度，幫助社會走人數(shù)字化、智能化的新時代。