智能物聯如何連接未來？

　　隨著物聯網、大數據和人工智能技術的快速發展與加速融合，智能物聯網（AI in IoT, AIoT）正成長為一個具有廣泛發展前景的新興前沿領域。隨著在經濟社會各領域應用的拓展深化，物聯網的產業鏈、價值鏈、創新鏈不斷融合，催生新模式、新業態不斷涌現，成為驅動經濟創新升級的重要動力；物聯網跨界融合應用深入推進，成為注入傳統產業的創新要素，幫助傳統產業實現全方位變革；物聯網基礎設施加快推進，成為支撐智能經濟的重要載體。

　　西北工業大學計算機系統與微電子系主任郭斌認為，智能物聯網可實現制造業人、機、物、環境等要素的連接、交互、感知與計算，實現具有自組織、自學習、自適應、持續演化等能力的制造業智慧空間，對促進制造業新模式新業態形成、提高我國制造業生產力和競爭力、推動下一代智能制造變革具有重要意義。因此，構建未來制造產業，推動數字化轉型升級不僅需要充分發揮政府整體規劃優勢與政策優勢，更需要企業以技術為驅動，充分發揮技術優勢和全球資源整合的優勢，共同推動產業升級和社會進步。

　　如何推動我國未來智能制造產業實現高質量發展？

　　1、發揮智能物聯網引領作用。物聯網、人工智能及其深度融合將成為引領未來制造業變革的關鍵技術。智能物聯網作為物聯網和人工智能結合的前沿技術在新一代智能制造中將發揮關鍵作用。

　　2、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，存在大而不強、重技術輕基礎的現狀。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、持續發展。

　　3、注重多學科融合人才培養。目前高校人才培養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，應該創新人才培養模式，促進多學科知識融合，為培養復合型創新型人才提供有效途徑。

　　4、產學研深度協同融合。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。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變革，創造條件促進產學研的深度協同與技術革新。

　　5、推動新興技術在制造業的落地應用。聯邦學習、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網相關技術近年來不斷取得新突破，在國家科研發展規劃中要注重推動以上關鍵技術和制造業關鍵科學和技術問題的結合，產生示范性應用效果，進而形成新的產業鏈，促進制造業智慧空間的形成。

　　更多精彩觀點

　　01

　　智能物聯

　　隨著物聯網、大數據和人工智能技術的快速發展與加速融合，智能物聯網（AI in IoT, AIoT）正成長為一個具有廣泛發展前景的新興前沿領域。AIoT首先通過各種傳感器聯網實時采集各類數據（環境數據、運行數據、業務數據、監測數據等），進而在終端設備、邊緣設備或云端通過數據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年我國物聯網連接節點將達到200億個，未來數百億的設備并發聯網產生的數據分析和融合需求將促使物聯網與人工智能的深度融合。

　　阿里、騰訊、華為、京東等企業近年來都積極在智能物聯網領域布局。2018年，阿里巴巴宣布進軍物聯網領域，將其定位為物聯網基礎設施的搭建者，提供IoT連接和AI能力、實現云邊端一體的協同計算，并開發了輕量級物聯網嵌入式操作系統AliOS Things。騰訊也推出了一款物聯網系統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網的華為鴻蒙操作系統，作為一種基于微內核的全場景分布式操作系統，在5G時代具有廣泛應用前景。京東也于2018年發布“城市計算平臺”，結合深度學習等構建時空關聯模型及學習算法解決交通規劃、火力發電、環境保護等城市不同場景下的智能應用問題。

　　02

　　智能物聯驅動的制造業變革

　　2017年國務院發布《新一代人工智能發展規劃》，其目標為搶抓人工智能發展的重大戰略機遇，構筑我國人工智能發展的先發優勢，加快建設創新型國家和世界科技強國。其中大數據驅動知識學習、跨媒體智能、人機協同增強智能、群體智能、自主智能系統成為新一代人工智能的重點發展方向。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、制造、服務等產品全生命周期的各環節，形成新一代智能制造技術和業態，提升制造業生產力和競爭力。

　　新一代智能制造技術的一個關鍵特征是人、機、物等要素的協同融合，而智能物聯網作為連接人、機、物的橋梁，在新一代智能制造技術中將發揮重要支撐作用。在制造領域，智能物聯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，智能物聯網在制造業的應用分為兩個層次，第一層次是通過工業互聯網技術來實現連接并獲取感知數據，第二層次則是利用人工智能技術來對數據進行分析和學習。目前，以工業互聯網為核心的制造大數據獲取方面已經取得較多進展，但要真正實現人機物和諧融合的未來制造業智慧空間，還面臨很多挑戰。下面將從群智協同機理、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、制造業智慧空間等新的理論、模型和方法探索方面分別進行闡述。

　　03

　　人機物群智協同機理

　　制造業生命周期涉及人、機器、物料、工藝、環境、組織等多種要素，如何實現異構要素間的有機協同和高效協作是智能制造要解決的關鍵科學問題。智能物聯網通過大數據實時獲取、智能感知與自學習增強、分布式群智交互協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。

　　關于群智協同的研究起源于生物學和生態學等領域。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，其個體擁有的智慧有限，但通過群體合作能夠實現超越個體行為的集體智慧。生物個體之間的交互，其實就是在定義協同協作規則，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則可以產生復雜的行為。

　　人類社會的群體智能得到廣泛的研究，眾包（Crowdsourcing）是美國《連線》雜志2006年發明的一個專業術語，用來描述一種新的生產組織形式。具體就是企業/研發機構利用互聯網將工作分配出去，利用大量用戶的創意和協作來解決技術問題。如維基百科通過大眾參與和有效協作構建了全球最大的百科知識庫、reCAPTCHA將古老印刷品的數字化問題與驗證碼系統進行融合，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存檔數字化。

　　鑒于生物和人類群體智能所體現的集群優勢及廣泛應用前景，國家《新一代人工智能發展規劃》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合的方式進行協同研討，共同對復雜巨系統的挑戰性問題進行研究。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。

　　基于群體智能研究的啟發，針對制造業的異構要素有機協同問題，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模式，轉化為一些可用的規則，用于支持多智能體之間的溝通協作，進而通過多智能體模型研究復雜制造要素協同模式與制造效率、能耗、質量間的作用機理。此外，為實現制造業人機物群智協同，針對其各要素表達異構、知識碎片化等問題，還需構建統一的制造業知識圖譜表示模型，對各制造要素及其關聯關系進行結構化表征。在制造業過程中，會產生大量的數據和專家經驗，需提取工業語義關鍵信息并關聯形成具備專業特點的工業知識圖譜。根據所構建的制造群智表示模型，通過已有制造知識結構發現、挖掘、推理全新制造知識內容，并據此實現搜索、決策、協同等上層群智應用。

　　04

　　自組織與自適應能力

　　智能物聯網與制造業結合的目標是實現工業領域的智能應用，具有自組織、自學習、自適應等特征。它使得制造業主體能不斷感知任務和環境狀態，根據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，以適應動態的生產環境及應用場景，最終達到提高生產效率或產品質量的目的。

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

　　自學習。智能制造系統能夠通過深度學習等方法感知系統運行狀態、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，智能制造系統的部署環境、運行環境、網絡資源等不斷發生變化，為使得系統能適應不同的狀況，需要學習模型具有自適應感知和模型演化能力。

　　為實現自學習能力，在資源受限且環境多變的物聯網終端設備上部署和運行深度學習模型（如實時視頻數據處理）逐漸成為一種新的趨勢，其具有低計算延時、低傳輸成本、保護數據隱私等優勢。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，制約了其落地和規?；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。另一方面是物聯終端計算具有運行環境動態變化（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據集的知識學習過程，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以適應新的需求。

　　05

　　云邊端融合高效計算

　　物聯網應用大多有實時性要求，如果把物聯網產生的數據全部傳輸給云端，將會加大網絡負載并產生數據處理延時。在此背景下，一種新的計算模式——邊緣計算應用而生。邊緣計算指的是在網絡的邊緣來處理數據，這樣能夠減少請求響應時間，同時保證數據的私密性。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同完成學習和計算任務。

　　云邊端融合的模型分割計算根據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據量要遠小于原始數據量，因此，選取合適的模型分割點能夠降低數據傳輸量，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、數量豐富、拓撲易變，如何在此背景下實現多異構設備間的協同和模型優化分割是需要進一步探索的問題。

　　06

　　終身學習與持續演化

　　生物界針對內外部環境的變化往往具有很好的適應性和持續演化能力。“演化”旨在為學習模型針對不斷新增的數據、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性的學習和更新方案，即終身學習（Lifelong learning）能力。在開放式復雜制造環境下，新的制造設備不斷加入，制造場景和需求動態變化，傳統基于海量數據預訓練的模型難以在數據缺失或數據分布變化情況下發揮好的效用。針對不斷變化的場景，關聯的學習模型需要具備持續學習和演化能力，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）差，傳統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境或需求變化正在成為智能物聯網領域的新發展方向。它旨在尋找一個空間映射，將源域和目標域（如兩個相關聯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據進行模型學習。

　　元學習。

　　傳統的機器學習方法需獲取特定任務的大型數據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。面對數據量不足的新任務時，這種方式顯然無法勝任。特別是在柔性制造動態變換場景下，很難獲得大量標注數據。元學習（Meta Learning）或者叫作“學會學習”（Learning to learn），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。

　　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。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?；诖?，層次強化學習成為有效的知識抽取和遷移方法。

　　漸進式神經網絡模型。

　　持續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，基于此，GoogleDeepMind提出了漸進式神經網絡模型，它保留一個預訓練模型池來根據任務變化不斷進行網絡擴展，從而實現經驗的自然累積和知識重用，實現持續學習并解決災難性遺忘問題。

　　07

　　群智能體學習模型

　　近年來，制造業的智能化受到了學術界和工業界的廣泛關注，取得了一系列重要成果。然而，現有的方法和技術在制造業智能化提升方面還具有以下局限性：

　　其一是傳統感知學習模型沒考慮數據的分布性及由此衍生的不同制造業主體數據隱私保護的需求；

　　其二是通過工業動態反饋進行強化學習是復雜產品參數優化的重要方面，然而制造要素的多樣性、制造環節的聯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化要求。

　　聯邦學習。

　　當今的AI面臨的一個重要挑戰是多數行業由于數據隱私和安全性原因存在數據孤島問題，在未來制造領域，需要在保障數據分享隱私安全前提下開展跨制造要素、跨制造環節以及跨制造企業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邦學習，另一種則是在生產的不同環節和企業間開展聯邦學習。

　　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，在智能物聯網環境下，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作，通過其協作和博弈激發新的智能——即多智能體深度強化學習。

　　智能制造領域面臨同樣的問題。

　　針對制造業單個智能體感知范圍有限、基于反饋的參數優化能力差、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同增強方法。將目標任務與動態調優模型關聯。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同學習，動態反饋和優化調整參與任務的各智能體參數，使得制造群體參數總體最優，實現多智能體協同增強。

　　08

　　人機物群智融合制造業智慧空間構建

　　Gartner將“智慧空間”列入2020年十大戰略科技發展趨勢，指出人工智能與物聯網、邊緣計算和數字孿生等技術的快速發展及深度融合，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境，其中人、機、物等要素在開放和智能的生態系統中彼此交互，構建組織靈活、行為自適、自主演化的空間。下面給出制造業群智智慧空間的定義。制造業群智智慧空間關注制造業中人（智能手機、可穿戴設備）、機（云、邊緣設備）、物（物聯網終端）、環境、信息等多維因素之間的復雜關聯關系，探索群智能體之間的協同模式與制造效率、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、節點間的交互性，通過終端深度模型壓縮、云邊端協同自適應感知、智能體終身學習與持續演化、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、持續學習能力的智慧空間。

　　融合群體智能的制造企業智慧空間的發展有望引發制造業的重要變革，而當前的研究仍存在較大空白。制造企業智慧空間尚未形成，甚至缺少融合群體智慧的制造企業智慧空間的構建理論、分布學習方法、協同運行和持續演化機制。傳統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，導致復雜制造企業普遍存在群體融合差、分布協作難、適應能力弱等挑戰性問題，成為未來智能制造的開放性研究課題。

　　09

　　對我國下一代制造業發展的啟示

　　制造業是國民經濟的主體，是立國之本、強國之基。目前，國際上工業4.0發展方興未艾，《中國智能制造2025》已成為我國沿制造強國邁進的發展戰略，打造具有國際競爭力的制造業，是我國提升綜合國力、建設世界強國的必由之路。工業互聯網和智能物聯是智能制造的關鍵支撐技術，前者實現智能設備、人和數據的連接；后者則基于多源感知大數據實現對制造主體的自組織、自學習、自適應、持續演化等智慧賦能；最終將形成人、機、物群智融合的制造業智慧空間。在前面介紹智能物聯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展與技術落地，還需要注意從以下方面提升。

　　發揮智能物聯網引領作用。

　　物聯網、人工智能及其深度融合將成為引領未來制造業變革的關鍵技術。智能物聯網作為物聯網和人工智能結合的前沿技術在新一代智能制造中將發揮關鍵作用。當前工業物聯網的發展正處于智能物聯的初級階段，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GoogleDeepMind、斯坦福大學、伯克利大學等在多智能體強化學習、機器人集群協作、自適應持續演化等領域的突破性研究為未來制造業變革提供了豐富可能，而我國在基礎創新方面還存在較大差距，存在大而不強、重技術輕基礎的現狀。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、持續發展。

　　注重多學科融合人才培養。

　　目前高校人才培養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、物聯網、機械制造、自動控制、生物學等多學科理論和知識 ，應該創新人才培養模式，促進多學科知識融合，為培養復合型創新型人才提供有效途徑。

　　產學研深度協同融合。

　　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數據進行驗證，企業則積累了大量過程數據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變革，創造條件促進產學研的深度協同與技術革新。

　　推動新興技術在制造業的落地應用。

　　聯邦學習、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網相關技術近年來不斷取得新突破，在國家科研發展規劃中要注重推動以上關鍵技術和制造業關鍵科學和技術問題的結合，產生示范性應用效果，進而形成新的產業鏈，促進制造業智慧空間的形成。

　　文章來源：《學術前沿》雜志2020年7月（上）

　　原文標題：《論智能物聯與未來制造——擁抱人機物融合群智計算時代》（微信有刪節）

　　作者：西北工業大學計算機系統與微電子系主任 郭斌

推薦閱讀：

有什么傳感器可以測量高頻的振動物體的振動頻率嗎？

振動傳感器主要有哪三種機械故障診斷

pt100溫度傳感器型號，pt100溫度傳感器價格

科技生活第一季：解讀數字孿生概念——智慧城市大腦

VB-300SCB振動傳感器應用于風機電機振動監測案例