郭斌

【摘要】智能物聯(lián)網作為物聯(lián)網和人工智能深度融合的技術，正成長為一個具有廣泛應用前景的新興前沿領域。智能物聯(lián)網可實現(xiàn)制造業(yè)人、機、物、環(huán)境等要素的連接、交互、感知與計算，實現(xiàn)具有自組織、自學習、自適應、持續(xù)演化等能力的制造業(yè)智慧空間，對促進制造業(yè)新模式新業(yè)態(tài)形成、提高我國制造業(yè)生產力和競爭力、推動下一代智能制造變革具有重要意義。本文分析了智能物聯(lián)網為制造業(yè)帶來的機遇，闡述了實現(xiàn)人機物融合的群智智能制造所面臨的科學和技術挑戰(zhàn)，并探討了新一代人工智能技術如何推動制造業(yè)智慧空間構建，最后對新背景下我國智能制造的發(fā)展提供建議。

【關鍵詞】智能物聯(lián)網? 人工智能? 智能制造? 群體智能? 人機物融合群智計算

【中圖分類號】TP3? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 【文獻標識碼】A

【DOI】10.16619/j.cnki.rmltxsqy.2020.13.004

智能物聯(lián)

隨著物聯(lián)網、大數(shù)據(jù)和人工智能技術的快速發(fā)展與加速融合，智能物聯(lián)網（AI in IoT， AIoT）[1]正成長為一個具有廣泛發(fā)展前景的新興前沿領域。AIoT首先通過各種傳感器聯(lián)網實時采集各類數(shù)據(jù)（環(huán)境數(shù)據(jù)、運行數(shù)據(jù)、業(yè)務數(shù)據(jù)、監(jiān)測數(shù)據(jù)等），進而在終端設備、邊緣設備或云端通過數(shù)據(jù)挖掘和機器學習方法來進行智能化處理和理解，如智能感知、目標識別、能耗管理、預測預警、智能決策等。近年來，智能物聯(lián)網應用和服務已經逐步融入國家重大需求和民生的各個領域，例如，智慧城市、智能制造、無人駕駛等。預計2025年我國物聯(lián)網連接節(jié)點將達到200億個，未來數(shù)百億的設備并發(fā)聯(lián)網產生的數(shù)據(jù)分析和融合需求將促使物聯(lián)網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)網領域布局。2018年，阿里巴巴宣布進軍物聯(lián)網領域，將其定位為物聯(lián)網基礎設施的搭建者，提供IoT連接和AI能力、實現(xiàn)云邊端一體的協(xié)同計算，并開發(fā)了輕量級物聯(lián)網嵌入式操作系統(tǒng)AliOS Things。騰訊也推出了一款物聯(lián)網系統(tǒng)TencentOS tiny，具有低功耗、低資源占用等特點。華為則推出了面向物聯(lián)網的華為鴻蒙操作系統(tǒng)，作為一種基于微內核的全場景分布式操作系統(tǒng)，在5G時代具有廣泛應用前景。京東也于2018年發(fā)布“城市計算平臺”，結合深度學習等構建時空關聯(lián)模型及學習算法解決交通規(guī)劃、火力發(fā)電、環(huán)境保護等城市不同場景下的智能應用問題。

智能物聯(lián)驅動的制造業(yè)變革

面對新一輪工業(yè)革命，國務院于2015年發(fā)布《中國制造2025》國家戰(zhàn)略，其中明確提出，要以新一代信息技術與制造業(yè)深度融合為主線，以推進智能制造為主攻方向。2017年，習近平總書記在黨的十九大報告中提出“加快建設制造強國，加快發(fā)展先進制造業(yè)，推動互聯(lián)網、大數(shù)據(jù)、人工智能和實體經濟深度融合”。同年，國務院發(fā)布《新一代人工智能發(fā)展規(guī)劃》，其目標為搶抓人工智能發(fā)展的重大戰(zhàn)略機遇，構筑我國人工智能發(fā)展的先發(fā)優(yōu)勢，加快建設創(chuàng)新型國家和世界科技強國。其中大數(shù)據(jù)驅動知識學習、跨媒體智能、人機協(xié)同增強智能、群體智能、自主智能系統(tǒng)成為新一代人工智能的重點發(fā)展方向。新一代人工智能技術與先進制造技術深度融合，將重塑設計、研發(fā)、制造、服務等產品全生命周期的各環(huán)節(jié)，形成新一代智能制造技術和業(yè)態(tài)，提升制造業(yè)生產力和競爭力。[2]

新一代智能制造技術的一個關鍵特征是人、機、物等要素的協(xié)同融合，而智能物聯(lián)網作為連接人、機、物的橋梁，在新一代智能制造技術中將發(fā)揮重要支撐作用。在制造領域，智能物聯(lián)網涉及的主體包括機器人、AGV小車、移動及可穿戴設備、邊緣設備、感知設備、生產制造設備、產品等。從技術角度而言，智能物聯(lián)網在制造業(yè)的應用分為兩個層次，第一層次是通過工業(yè)互聯(lián)網技術來實現(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來對數(shù)據(jù)進行分析和學習。目前，以工業(yè)互聯(lián)網為核心的制造大數(shù)據(jù)獲取方面已經取得較多進展，而結合AI進行分析、學習和自適應演化等方面則處于起步階段，下面給出一些代表性案例。

產品缺陷檢測。復雜質量檢測場景中，利用基于深度學習的解決方案代替人工特征提取，能夠在環(huán)境頻繁變化條件下檢測出更微小、更復雜的產品缺陷，提升檢測效率。美國機器視覺公司康耐視開發(fā)了基于深度學習進行工業(yè)圖像分析的軟件，利用較小的樣本集就能在數(shù)分鐘內完成模型訓練。[3]

制造工藝參數(shù)優(yōu)化。采用深度學習方法對設備運行、工藝參數(shù)等數(shù)據(jù)進行綜合分析并找出最優(yōu)參數(shù)，能大幅提升運行效率與制造品質。阿里云ET工業(yè)大腦通過機器學習技術識別生產制造過程中的關鍵因子并進行優(yōu)選組合，提升生產制造效率與良品率。[4]

預測性運維服務?；谄髽I(yè)累積的運維和業(yè)務數(shù)據(jù)等進行預測，可及早采取措施排除可能的風險，從而提高企業(yè)運行效率或降低運營成本。如Google將人工智能應用于數(shù)據(jù)中心，使用神經網絡來預測耗電量變化，進一步優(yōu)化服務器和制冷系統(tǒng)等相關設備控制以降低耗電量。[5]

設備故障預警。個別設備的故障會給工廠帶來極大的損失，影響整個生產流程。騰訊和三一重工合作，把全球40萬臺設備計入平臺，通過實時采集1萬多個運行參數(shù)建立預測模型，以對設備狀態(tài)異常進行預警。[6]

上述應用場景呈現(xiàn)了智能物聯(lián)網與制造業(yè)深度融合帶來的豐富機遇，但要真正實現(xiàn)人機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)同機理、自組織與自適應能力、云邊端融合計算、終身學習、群智能體學習、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行闡述。

人機物群智協(xié)同機理

制造業(yè)生命周期涉及人、機器、物料、工藝、環(huán)境、組織等多種要素，如何實現(xiàn)異構要素間的有機協(xié)同和高效協(xié)作是智能制造要解決的關鍵科學問題。智能物聯(lián)網通過大數(shù)據(jù)實時獲取、智能感知與自學習增強、分布式群智交互協(xié)同等方法來提供解決方案。在基礎模型和理論層面，需要首先探索人機物融合群智協(xié)同機理這一基礎性問題，為技術的突破提供支撐。

關于群智協(xié)同的研究起源于生物學和生態(tài)學等領域。[7][8]一大群相同的自然生物或人造生物，如螞蟻、蜜蜂、白蟻、魚和鳥等，其個體擁有的智慧有限，但通過群體合作能夠實現(xiàn)超越個體行為的集體智慧。這些生物體只是以簡單的方式與群體中的相鄰個體以及當?shù)丨h(huán)境進行接觸，以一種無中心的方式通過分布式協(xié)作來完成復雜任務;但作為一個群體，它們能夠出于繁殖的目的建造出最復雜的巢穴，[9]會在尋找食物過程中給同伴釋放信息素留下蹤跡，成千上萬只鳥列隊飛行卻能以令人難以置信的精度實現(xiàn)群體快速轉彎。[10]生物個體之間的交互，其實就是在定義協(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，產生集聚、組隊、集體移動、形狀變換等行為，物理學研究指出通過簡單的交互規(guī)則可以產生復雜的行為。[11]

人類社會的群體智能也得到廣泛的研究，眾包（Crowdsourcing）是美國《連線》雜志2006年發(fā)明的一個專業(yè)術語，用來描述一種新的生產組織形式。具體就是企業(yè)/研發(fā)機構利用互聯(lián)網將工作分配出去，利用大量用戶的創(chuàng)意和協(xié)作來解決技術問題。如維基百科通過大眾參與和有效協(xié)作構建了全球最大的百科知識庫、reCAPTCHA[12]將古老印刷品的數(shù)字化問題與驗證碼系統(tǒng)進行融合，通過10萬家網站的使用和全民參與，幫助《紐約時報》這份有著100多年歷史的報紙實現(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)勢及廣泛應用前景，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，早在上世紀90年代，著名科學家錢學森先生便曾提出“綜合集成研討廳”體系，強調專家群體以人機結合的方式進行協(xié)同研討，共同對復雜巨系統(tǒng)的挑戰(zhàn)性問題進行研究。[13]群體智能實質上正是“綜合集成研討廳”在人工智能新時代的深化和拓展。

在如何結合生物群智協(xié)作機理進行人工智能研究方面已經有一些探索，通過機器人模擬集群行為而發(fā)展起來的“集群機器人”是其中代表之一。[14]集群機器人往往具有移動性，能夠檢測并直接與相鄰個體溝通，完成特定的行為，例如，聚集起來形成特定的模式或形狀、跟隨頭領行進以及包圍“敵人”。2011年，哈佛大學的研究人員研究出一種低成本、適合大規(guī)模實驗的集群機器人Kilobot，[15]并開展了具有上千個體的人造集群組隊實驗。在物聯(lián)網研究領域，近年來也發(fā)展出一種基于群體參與和協(xié)作的新的感知模式——群智感知計算。[16][17]與基于傳統(tǒng)傳感網的感知方式不同，群智感知計算利用大眾的廣泛分布性、靈活移動性和即時連接性進行大規(guī)模時空感知，進而為現(xiàn)代城市及社會管理提供智能輔助支持。西北工業(yè)大學率先研發(fā)了開源的群智感知操作系統(tǒng)平臺CrowdOS（https：//www.crowdos.cn/），支持群智任務敏捷發(fā)布、復雜任務高效分配、多粒度隱私保護等核心功能。群智感知目前已經在智能交通、智慧城市、公共安全、環(huán)境污染等重要領域展現(xiàn)出較好的應用前景。

基于群體智能研究的啟發(fā)，針對制造業(yè)的異構要素有機協(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。借鑒生物界當中的各種生態(tài)模式，轉化為一些可用的規(guī)則，用于支持多智能體之間的溝通協(xié)作，進而通過多智能體模型研究復雜制造要素協(xié)同模式與制造效率、能耗、質量間的作用機理。此外，為實現(xiàn)制造業(yè)人機物群智協(xié)同，針對其各要素表達異構、知識碎片化等問題，還需構建統(tǒng)一的制造業(yè)知識圖譜表示模型，對各制造要素及其關聯(lián)關系進行結構化表征。在制造業(yè)過程中，會產生大量的數(shù)據(jù)和專家經驗，需提取工業(yè)語義關鍵信息并關聯(lián)形成具備專業(yè)特點的工業(yè)知識圖譜。根據(jù)所構建的制造群智表示模型，通過已有制造知識結構發(fā)現(xiàn)、挖掘、推理全新制造知識內容，并據(jù)此實現(xiàn)搜索、決策、協(xié)同等上層群智應用。

自組織與自適應能力

智能物聯(lián)網與制造業(yè)結合的目標是實現(xiàn)工業(yè)領域的智能應用，具有自組織、自學習、自適應等特征。它使得制造業(yè)主體能不斷感知任務和環(huán)境狀態(tài)，根據(jù)需要分布式組織各生產要素，不斷學習和豐富自身識別與決策能力，以適應動態(tài)的生產環(huán)境及應用場景，最終達到提高生產效率或產品質量的目的。

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

自學習。智能制造系統(tǒng)能夠通過深度學習等方法感知系統(tǒng)運行狀態(tài)、產品質量狀況和上下文情境信息，并且通過強化學習、增量學習等方法根據(jù)反饋和新增樣本不斷提升學習能力。

自適應。在機器學習和推斷過程中，智能制造系統(tǒng)的部署環(huán)境、運行環(huán)境、網絡資源等不斷發(fā)生變化，為使得系統(tǒng)能適應不同的狀況，需要學習模型具有自適應感知和模型演化能力。

生物系統(tǒng)的自組織機制為研究具有自組織能力的智能制造系統(tǒng)提供了重要依據(jù)。例如，前面提到的哈佛大學的研究[18]從微觀多細胞組織和復雜動物組織結構（鳥群、魚群）中得到啟發(fā)，通過能力有限的個體機器人Kilobot，設計有效的分布式交互機制，實現(xiàn)了大規(guī)模機器人情況下魯棒的自組織協(xié)作行為，包括集聚、成型、動態(tài)變換等。生物集聚行為中的組織和控制也是基于一系列簡單的規(guī)則。例如，對魚群來說，規(guī)則是一直和前面的魚保持近距離，并且轉向的時候盡量轉向離自己較近的魚。Kilobots的成型算法也和魚群之間的規(guī)則類似，包括邊界跟隨、梯度形成和定位等規(guī)則和算法。

為實現(xiàn)自學習能力，在資源受限且環(huán)境多變的物聯(lián)網終端設備上部署和運行深度學習模型（如實時視頻數(shù)據(jù)處理）逐漸成為一種新的趨勢，其具有低計算延時、低傳輸成本、保護數(shù)據(jù)隱私等優(yōu)勢。然而，在資源受限的移動端運行深度學習模型面臨著極大挑戰(zhàn)，制約了其落地和規(guī)?；瘧?。一方面是硬件資源限制，深度學習模型通常是計算密集型的大規(guī)模網絡，往往需要較高的存儲、計算和能量資源，而終端設備的資源局限成為深度模型部署的技術瓶頸。另一方面是物聯(lián)終端計算具有運行環(huán)境動態(tài)變化（如能量、存儲等）、應用場景多樣等特點。而深度學習模型的訓練過程是基于特定數(shù)據(jù)集的知識學習過程，對終端復雜應用場景的適應能力差。深度學習模型應該根據(jù)目標平臺上硬件資源的變化，自適應調整其計算單元、組成結構和運行設置等參數(shù)以適應新的需求。在終端環(huán)境和行為的自適應學習方面，目前已經有一些代表性的研究。

深度模型壓縮。在資源受限環(huán)境下通過模型壓縮來提高深度學習模型的運行性能是當前的一個重要研究方向。模型壓縮技術可以簡化深度學習模型結構，降低模型參數(shù)量與運算量，從而可以將其部署在資源受限的移動設備上。目前已經有很多模型壓縮的方法被提出，例如，AdaDeep[19]提出了壓縮技術優(yōu)化組合的方法來解決對深度學習模型的資源消耗自適應問題。BranchyNet[20]通過選擇網絡的不同“提前退出”分支實現(xiàn)深度模型的運行時加速研究。

自修復機制。機器人在工業(yè)領域已經具有廣泛的應用，但目前還面臨的一個重要障礙是其面向復雜環(huán)境時的脆弱性。在生產運行過程中，經常會出現(xiàn)設備異?；驌p壞等情況，在這些情況下能自動恢復也是自適應能力的體現(xiàn)。動物遇到異常情況時具有快速自修復的能力，而這對機器人來說極為困難，在其遇到未知的異常情況時很難擺脫既有學習經驗局限來尋求適當?shù)慕鉀Q方案。而針對新的情況進行實時學習會消耗大量的時間進行收斂。針對該問題，Antoine Cully[21]從動物自適應機理研究中得到啟發(fā)，提出了一種智能試錯算法使得在異常情況下能在短時間內找到自適應方案。該方案預先創(chuàng)建一張先驗的細粒度行為空間地圖以記錄其可執(zhí)行的各種行為及價值，在遇到問題時，該地圖可作為啟發(fā)式知識來指導快速發(fā)現(xiàn)適當?shù)膽獙Σ呗浴?/p>

云邊端融合高效計算

物聯(lián)網應用大多有實時性要求，如果把物聯(lián)網產生的數(shù)據(jù)全部傳輸給云端，將會加大網絡負載并產生數(shù)據(jù)處理延時。在此背景下，一種新的計算模式——邊緣計算應用而生。[22]邊緣計算指的是在網絡的邊緣來處理數(shù)據(jù)，這樣能夠減少請求響應時間，同時保證數(shù)據(jù)的私密性。針對本地計算資源不足的問題，邊緣計算的加入也提供了新的機遇，通過云邊端融合產生新的高效計算模式。

針對前面提到的智能物聯(lián)終端學習模型的自適應問題，除了前面提出的模型壓縮方法外，在邊緣設備加入后，模型分割方法也成為新的研究熱點。它將完整的深度學習模型進行分塊，并根據(jù)性能需求（如時延、精度）和資源消耗（如網絡傳輸、設備存儲和能耗等）自動尋找最佳分割點，將模型中不同的層部署到云、邊、端的不同設備上，通過異構設備的互補協(xié)同完成學習和計算任務。例如，美國密歇根大學的研究人員提出了一種云-端融合的模型分割方法NeuroSurgeon，[23]通過層性能預測模型（延遲、能耗）來自動識別深度神經網絡中的理想分割點，并協(xié)調移動設備和云端間的計算分配，優(yōu)化最佳端到端延遲或最佳移動能耗。云邊端融合的模型分割計算根據(jù)整體或終端的關注點傾向，通常采用兩種方式：一是降低整體模型的資源消耗。因為深度網絡某些中間層間的傳輸數(shù)據(jù)量要遠小于原始數(shù)據(jù)量，因此，選取合適的模型分割點能夠降低數(shù)據(jù)傳輸量，并且減少整個模型的全局資源消耗。二是降低模型在單臺設備上的資源消耗。深度學習模型在分割之后，每塊網絡對硬件資源的需求將大幅度減少，可以在資源受限的硬件設備上運行。目前模型分割主要集中在“端云分割”，即將深度學習模型在某一點切分后，一部分部署在終端設備上，一部分部署在云端，二者共同完成學習和推斷任務。而在智能制造背景下，設備異構、數(shù)量豐富、拓撲易變，如何在此背景下實現(xiàn)多異構設備間的協(xié)同和模型優(yōu)化分割是需要進一步探索的問題。

終身學習與持續(xù)演化

生物界針對內外部環(huán)境的變化往往具有很好的適應性和持續(xù)演化能力。[24][25]“演化”旨在為學習模型針對不斷新增的數(shù)據(jù)、新增用戶的個性特征、跨領域/跨實體間模型的知識遷移等需求提供持續(xù)性的學習和更新方案，即終身學習（Lifelong learning）能力。[26]在開放式復雜制造環(huán)境下，新的制造設備不斷加入，制造場景和需求動態(tài)變化，傳統(tǒng)基于海量數(shù)據(jù)預訓練的模型難以在數(shù)據(jù)缺失或數(shù)據(jù)分布變化情況下發(fā)揮好的效用。例如，在智能制造場景中，面向產品質量檢測的設備端視頻識別算法會受到場景布置、拍攝角度、光線變化等外部因素的影響;在柔性制造背景下，感知的類別和對象也在不斷變化，如新的產品或零件加入后會由于缺少標注數(shù)據(jù)而導致既有模型無法發(fā)揮好的效用。針對這些場景，關聯(lián)的學習模型需要具備持續(xù)學習和演化能力，如同人類一樣具有不斷學習和適應問題變化的能力，結合已學習的知識和經驗以解決新的問題。

域自適應技術。一般來說機器學習模型的魯棒性（robustness）較差，傳統(tǒng)的解決辦法是在訓練階段加入適量噪聲，以提高模型魯棒性。但是這一方法在訓練完成后仍不能抵御新噪聲。因此，利用域自適應的方法訓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)網領域的新發(fā)展方向。[27]它旨在尋找一個空間映射，將源域和目標域（如兩個相關聯(lián)的制造場景或者產品）映射到同一特征子空間中，使得源域和目標域的分布差距最小，進而利用兩個域的數(shù)據(jù)進行模型學習。域自適應是遷移學習領域的一個重要分支，近年來生成式對抗網絡等新興學習算法的引入進一步推動了其快速發(fā)展。

元學習。傳統(tǒng)的機器學習方法需獲取特定任務的大型數(shù)據(jù)集并從頭開始訓練模型。很明顯，這和人類利用以往經驗，僅僅通過少量樣本就迅速完成學習的情況相差甚遠。面對數(shù)據(jù)量不足的新任務時，這種方式顯然無法勝任。特別是在柔性制造動態(tài)變換場景下，很難獲得大量標注數(shù)據(jù)。元學習（Meta Learning）或者叫作“學會學習”（Learning to learn），[28]即讓智能體或機器人利用以往的知識經驗來指導新任務的學習，具有學會學習的能力。它通過融合多個設備、多個不同場景下的訓練模型并結合新設備/場景的少量樣本來學習適應新場景的模型。例如，Berkeley[29]提出基于元學習和深度強化學習融合的持續(xù)在線學習模型，維護歷史任務知識，并通過中國餐館模型來及時發(fā)現(xiàn)新的任務，進而通過小數(shù)據(jù)來快速適應新情況。通過機器人智能體實驗表明所提出的方法能快速適應不斷變化的環(huán)境和狀態(tài)。

層級強化學習。如何在適應新問題的同時，保留既有知識和經驗是終身學習的一個關鍵問題?，F(xiàn)有方法非常容易使得網絡模型忘記之前學習得到的知識，即存在災難性遺忘問題。[30]人類應對復雜問題的方法是把它們分解成一系列小的、可控的步驟;人類能夠快速學到新任務，靠的就是把已經學過的步驟重新組合起來以應對新情況。基于此，層次強化學習成為有效的知識抽取和遷移方法。例如，Minecraft[31]提出了一種融合層次式技能抽象及遷移能力的模型——分層強化學習網絡。它通過構建一個深度技能隊列和技能蒸餾來實現(xiàn)知識的分層次集聚和存儲，進而在強化學習過程中面向新任務來選擇性遷移保留的知識，從而實現(xiàn)了持續(xù)學習和演化的目的。OpenAI的研究人員們也提出了一種基于層次化強化學習的解決方案MLSH（meta-learning shared hierarchies），[32]智能體用幾個高層次動作組成的序列表征復雜的行為以實現(xiàn)快速搜索解決復雜任務。

漸進式神經網絡模型。持續(xù)學習是機器學習領域當中的長遠目標，智能體不僅學習和記憶一系列的任務經驗，同時也有能力從之前的任務上遷移出有用的知識來改進收斂的速度。傳統(tǒng)的微調網絡模型的方法是通過源任務-目標任務遷移方法來繼承某個源任務知識。但這種微調的方法不大適合在多任務中進行遷移學習，例如，人類常常通過汲取歷史上多個任務中的知識來解決一個新任務，而現(xiàn)有方法則由于災難性遺忘問題而容易丟失歷史知識。基于此，Google DeepMind提出了漸進式神經網絡模型，[33]它保留一個預訓練模型池來根據(jù)任務變化不斷進行網絡擴展，從而實現(xiàn)經驗的自然累積和知識重用，實現(xiàn)持續(xù)學習并解決災難性遺忘問題。

群智能體學習模型

近年來，制造業(yè)的智能化受到了學術界和工業(yè)界的廣泛關注，取得了一系列重要成果。然而，現(xiàn)有的方法和技術在制造業(yè)智能化提升方面還具有以下局限性：其一是傳統(tǒng)感知學習模型沒考慮數(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)隱私保護的需求;其二是通過工業(yè)動態(tài)反饋進行強化學習是復雜產品參數(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)動性使得僅依靠單智能體的強化學習難以滿足全局性能優(yōu)化要求。

聯(lián)邦學習。當今的AI面臨的一個重要挑戰(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，2016年由谷歌最先提出的聯(lián)邦學習為以上問題提供了一種解決方案。[34]它的主要思想是基于分布在多個設備上的數(shù)據(jù)集構建機器學習模型，在保障數(shù)據(jù)交換隱私安全前提下，通過多設備協(xié)作開展高效率學習。微眾銀行首席人工智能官楊強教授進一步引入了一個全面的聯(lián)邦學習框架，[35]除了物聯(lián)網設備外，進一步擴展到在多個機構或企業(yè)間在滿足隱私安全前提下，進行分布式機器學習，提出了橫向聯(lián)邦學習、縱向聯(lián)邦學習和聯(lián)邦遷移學習等模型。此外，微眾銀行已自研并推出了全球首個工業(yè)級聯(lián)邦學習開源框架FATE。在未來制造領域，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)的分布式學習模型探索。一種可能是在工廠內多個設備之間開展聯(lián)邦學習，另一種則是在生產的不同環(huán)節(jié)和企業(yè)間開展聯(lián)邦學習。

多智能體深度強化學習。單智能體深度強化學習近來取得了巨大突破，但單體智能學習能力還存在很大限制。就人類社會而言，每個個體都有自己獨特的目標和行為，但人們仍然能夠組織在一起展示出非凡的集體智能。因此，在智能物聯(lián)網環(huán)境下，智能體在單獨行動的同時，也要學會與其他的智能體進行交互和協(xié)作，通過其協(xié)作和博弈激發(fā)新的智能——即多智能體深度強化學習。多智能體深度強化學習在很多應用中具有不俗表現(xiàn)，例如，智能體之間通過協(xié)作溝通來解決合作型任務，多智能體通過競爭會學習到新的行為。Gooogle DeepMind在Science雜志上發(fā)表的最新論文[36]中通過智能體在多玩家電子游戲中掌握策略、理解戰(zhàn)術以及進行團隊協(xié)作，展示了智能體在強化學習領域的最新進展。一方面通過經驗重播、自我模仿學習以及策略蒸餾等機制實現(xiàn)智能體隨環(huán)境不斷演變能力;另一方面則通過多智能體學習獲取到團隊協(xié)作或對抗的策略，成功地與AI隊友和人類隊友協(xié)作，表現(xiàn)出了很高的性能。

智能制造領域面臨同樣的問題。針對制造業(yè)單個智能體感知范圍有限、基于反饋的參數(shù)優(yōu)化能力差、群體學習能力弱等問題，需研究基于深度強化學習模型的多智能體協(xié)同增強方法。將目標任務與動態(tài)調優(yōu)模型關聯(lián)。面向特定的制造任務需求，提出群智深度強化學習模型對各制造要素進行建模和協(xié)同學習，動態(tài)反饋和優(yōu)化調整參與任務的各智能體參數(shù)，使得制造群體參數(shù)總體最優(yōu)，實現(xiàn)多智能體協(xié)同增強。

人機物群智融合制造業(yè)智慧空間構建

Gartner將“智慧空間”列入2020年十大戰(zhàn)略科技發(fā)展趨勢，[37]指出人工智能與物聯(lián)網、邊緣計算和數(shù)字孿生等技術的快速發(fā)展及深度融合，可以為智能制造等領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、物等要素在開放和智能的生態(tài)系統(tǒng)中彼此交互，構建組織靈活、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)群智智慧空間關注制造業(yè)中人（智能手機、可穿戴設備）、機（云、邊緣設備）、物（物聯(lián)網終端）、環(huán)境、信息等多維因素之間的復雜關聯(lián)關系，探索群智能體之間的協(xié)同模式與制造效率、質量間的交互作用機理。利用人機物感知能力的差異性、計算資源的互補性、節(jié)點間的交互性，通過終端深度模型壓縮、云邊端協(xié)同自適應感知、智能體終身學習與持續(xù)演化、群智能體分布式學習等來解決單獨利用某種智能難以解決的復雜問題，最終構建具有自組織、自學習、自適應、可遷移、持續(xù)學習能力的智慧空間。（如圖1）

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)智慧空間的構建理論、分布學習方法、協(xié)同運行和持續(xù)演化機制。傳統(tǒng)基于單點智能和集中智能解決方案難以應對復雜產品制造中的各種問題，導致復雜制造企業(yè)普遍存在群體融合差、分布協(xié)作難、適應能力弱等挑戰(zhàn)性問題，成為未來智能制造的開放性研究課題。

對我國下一代制造業(yè)發(fā)展的啟示

制造業(yè)是國民經濟的主體，是立國之本、強國之基。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國邁進的發(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、建設世界強國的必由之路。工業(yè)互聯(lián)網和智能物聯(lián)是智能制造的關鍵支撐技術，前者實現(xiàn)智能設備、人和數(shù)據(jù)的連接;后者則基于多源感知大數(shù)據(jù)實現(xiàn)對制造主體的自組織、自學習、自適應、持續(xù)演化等智慧賦能;最終將形成人、機、物群智融合的制造業(yè)智慧空間。在前面介紹智能物聯(lián)網在智能制造領域前沿方向基礎上，為了推動我國新一代智能制造的發(fā)展與技術落地，還需要注意從以下方面提升。

發(fā)揮智能物聯(lián)網引領作用。物聯(lián)網、人工智能及其深度融合將成為引領未來制造業(yè)變革的關鍵技術。智能物聯(lián)網作為物聯(lián)網和人工智能結合的前沿技術在新一代智能制造中將發(fā)揮關鍵作用。當前工業(yè)物聯(lián)網的發(fā)展正處于智能物聯(lián)的初級階段，而融合先進AI技術的高級階段將帶來生產效率的極大躍升。

加強從0到1基礎研究。目前我國在制造領域關鍵技術應用方面已取得不少進展，而在基礎研究領域還相對滯后。本文介紹的Google DeepMind、斯坦福大學、伯克利大學等在多智能體強化學習、機器人集群協(xié)作、自適應持續(xù)演化等領域的突破性研究為未來制造業(yè)變革提供了豐富可能，而我國在基礎創(chuàng)新方面還存在較大差距，存在大而不強、重技術輕基礎的現(xiàn)狀。因此，需要加強從0到1的基礎性研究，從長遠角度推動智能制造不斷革新、持續(xù)發(fā)展。

注重多學科融合人才培養(yǎng)。目前高校人才培養(yǎng)模式還主要面向單個學科開展，學生知識結構單一，難以滿足未來對于多學科知識融合解決復雜問題的需求。以智能制造為例，涉及計算機、人工智能、物聯(lián)網、機械制造、自動控制、生物學等多學科理論和知識，應該創(chuàng)新人才培養(yǎng)模式，促進多學科知識融合，為培養(yǎng)復合型創(chuàng)新型人才提供有效途徑。

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

推動新興技術在制造業(yè)的落地應用。聯(lián)邦學習、遷移學習、多智能體強化學習、深度模型壓縮、邊緣計算、云邊端融合計算等智能物聯(lián)網相關技術近年來不斷取得新突破，在國家科研發(fā)展規(guī)劃中要注重推動以上關鍵技術和制造業(yè)關鍵科學和技術問題的結合，產生示范性應用效果，進而形成新的產業(yè)鏈，促進制造業(yè)智慧空間的形成。

（本文系國家重點研發(fā)計劃課題“多維群智融合的制造業(yè)智慧空間構建理論”的階段性成果，項目編號：2019YFB1703901;北京航空航天大學張莉教授、任磊教授，中國航天二院林廷宇研究員等也參與了本文部分內容研討）

注釋

[1]金山云、艾瑞咨詢：《2020年中國智能物聯(lián)網（AIoT）白皮書》，http：//report.iresearch.cn/report/202002/3529.shtml，2020年2月27日更新。

[2]周濟、李培根、周艷紅、王柏村、臧冀原、孟柳：《走向新一代智能制造》，Engineering，2018年5月。

[3][4]工業(yè)互聯(lián)網產業(yè)聯(lián)盟：《工業(yè)智能白皮書》，http：//www.miit.gov.cn/n973401/n5993937/n5993968/c7887033/content.html，2020年4月26日更新。

[5]Lazic， N.; Boutilier， C.; Lu， T. et al.， "Data center cooling using model-predictive control"， Advances in Neural Information Processing Systems， 2018， pp. 3814-3823.

[6]騰訊研究院，中國社會科學院工業(yè)經濟研究所：《“人工智能+制造”產業(yè)發(fā)展研究報告》，https：//cloud.tencent.com/developer/news/261699 ，2018年6月25日更新。

[7][10]Sumpter， D. J. T.， Collective animal behavior， Princeton University Press， 2010.

[8][11]Vicsek， T. and Zafeiris， A.， "Collective motion"， Physics reports， 2012， 517（3-4）， pp. 71-140.

[9]Werfel， J.; Petersen， K. and Nagpal， R.， "Designing collective behavior in a termite-inspired robot construction team"， Science， 2014， 343（6172）， pp. 754-758.

[12]Von Ahn， L.; Maurer， B.; McMillen， C. et al.， "Recaptcha： Human-based character recognition via web security measures"， Science， 2008， 321（5895）， pp.? 1465-1468.

[13]錢學森、于景元、戴汝為：《一個科學新領域——開放的復雜巨系統(tǒng)及其方法論》，《自然》，1990年1月，第3～10頁。

[14]Bay?nd?r， L.， "A review of swarm robotics tasks"， Neurocomputing， 2016， 172， pp. 292-321.

[15][18]Rubenstein， M.; Cornejo， A. and Nagpal， R.， "Programmable self-assembly in a thousand-robot swarm"， Science， 2014， 345（6198）， pp. 795-799.

[16]劉云浩：《群智感知計算》，《中國計算機學會通訊》，2012年10月，第38～41頁。

[17]Guo， B.; Wang， Z.; Yu， Z. et al.， "Mobile crowd sensing and computing： The review of an emerging human-powered sensing paradigm"， ACM Computing Surveys， 2015， 48（1）， pp. 1-31.

[19]Liu， S.; Lin， Y.; Zhou， Z. et al.， "On-demand deep model compression for mobile devices： A usage-driven model selection framework"， Proceedings of the 16th Annual International Conference on Mobile Systems， Applications， and Services （MobiSys）， 2018， pp. 389-400.

[20]Teerapittayanon， S.; McDanel， B. and Kung， H. T.， "Branchynet： Fast inference via early exiting from deep neural networks"， 2016 23rd International Conference on Pattern Recognition （ICPR）， IEEE， 2016， pp. 2464-2469.

[21][24]Cully， A.; Clune， J.; Tarapore， D. et al.， "Robots that can adapt like animals"， Nature， 2015， 521（7553）， pp. 503-507.

[22]施巍松：《邊緣計算：萬物互聯(lián)時代新型計算模型》，《計算機研究與發(fā)展》，2017年5月，第907～924頁。

[23]Kang， Y.; Hauswald， J.; Gao， C. et al.， "Neurosurgeon： Collaborative intelligence between the cloud and mobile edge"， ACM SIGARCH Computer Architecture News， 2017， 45（1）， pp. 615-629.

[25]Eiben， A. E. and Smith， J.， "From evolutionary computation to the evolution of things"， Nature， 2015， 521（7553）， pp. 476-482.

[26]Chen， Z. and Liu， B.， Lifelong machine learning， Morgan & Claypool Publishers， August， 2018.

[27]Tzeng， E.; Hoffman， J.; Darrell， T. et al.， "Simultaneous deep transfer across domains and tasks"， Proceedings of the IEEE International Conference on Computer Vision（ICCV）， 2015， pp. 4068-4076.

[28]Finn， C.; Abbeel， P. and Levine， S.， "Model-agnostic meta-learning for fast adaptation of deep networks"， Proceedings of the 34th International Conference on Machine Learning（ICML）， 2017， pp. 1126-1135.

[29]Nagabandi， A.; Finn， C. and Levine， S.， "Deep online learning via meta-learning： Continual adaptation for model-based RL"， arXiv preprint arXiv：1812.07671， 2018.

[30]Kirkpatrick， J.; Pascanu， R.; Rabinowitz， N. et al.， "Overcoming catastrophic forgetting in neural networks"， Proceedings of the national academy of sciences（PNAS）， 2017， 114（13）， pp. 3521-3526.

[31]Tessler， C.; Givony， S.; Zahavy， T. et al.， "A deep hierarchical approach to lifelong learning in minecraft"， Thirty-First AAAI Conference on Artificial Intelligence（AAAI）， 2017.

[32]Frans， K.; Ho， J.; Chen， X. et al.， "Meta learning shared hierarchies"， arXiv preprint arXiv：1710.09767， 2017.

[33]Rusu， A. A.; Rabinowitz， N. C.; Desjardins， G. et al.， "Progressive neural networks"， arXiv preprint arXiv：1606.04671， 2016.

[34]McMahan， B.; Moore， E.; Ramage， D. et al.， "Communication-Efficient Learning of Deep Networks from Decentralized Data"， Artificial Intelligence and Statistics， 2017， pp. 1273-1282.

[35]Yang， Q.; Liu， Y.; Chen， T. et al.， "Federated machine learning： Concept and applications"， ACM Transactions on Intelligent Systems and Technology （TIST）， 2019， 10（2）， pp. 1-19.

[36]Jaderberg， M.; Czarnecki， W. M.; Dunning， I. et al.， "Human-level performance in 3D multiplayer games with population-based reinforcement learning"， Science， 2019， 364（6443）， pp. 859-865.

[37]Gartner：《2020年十大戰(zhàn)略性技術預測》，https：//www.gartner.com/smarterwithgartner/gartner-top-10-strategic-technology-trends-for-2020/，2019年10月21日更新。

責 編/郭 丹