隨著物聯(lián)網(wǎng)、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(wǎng)（AI in IoT, AIoT）正成長為一個具有廣泛發(fā)展前景的新興前沿領域。隨著在經(jīng)濟社會各領域應用的拓展深化，物聯(lián)網(wǎng)的產(chǎn)業(yè)鏈、價值鏈、創(chuàng)新鏈不斷融合，催生新模式、新業(yè)態(tài)不斷涌現(xiàn)，成為驅動經(jīng)濟創(chuàng)新升級的重要動力；物聯(lián)網(wǎng)跨界融合應用深入推進，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)實現(xiàn)全方位變革；物聯(lián)網(wǎng)基礎設施加快推進，成為支撐智能經(jīng)濟的重要載體。

　　西北工業(yè)大學計算機系統(tǒng)與微電子系主任郭斌認為，智能物聯(lián)網(wǎng)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(chǎn)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(chǎn)業(yè)，推動數(shù)字化轉型升級不僅需要充分發(fā)揮政府整體規(guī)劃優(yōu)勢與政策優(yōu)勢，更需要企業(yè)以技術為驅動，充分發(fā)揮技術優(yōu)勢和全球資源整合的優(yōu)勢，共同推動產(chǎn)業(yè)升級和社會進步。

　　如何推動我國未來智能制造產(chǎn)業(yè)實現(xiàn)高質量發(fā)展？

　　1、發(fā)揮智能物聯(lián)網(wǎng)引領作用。物聯(lián)網(wǎng)、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(wǎng)作為物聯(lián)網(wǎng)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。

　　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(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。

　　3、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，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。

　　4、產(chǎn)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。需要打破壁壘促進高校和科研院所積極參與智能制造產(chǎn)業(yè)變革，創(chuàng)造條件促進產(chǎn)學研的深度協(xié)同與技術革新。

　　5、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(wǎng)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(chǎn)生示范性應用效果，進而形成新的產(chǎn)業(yè)鏈，促進制造業(yè)智慧空間的形成。

　　更多精彩觀點

　　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(wǎng)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(wǎng)應用和服務已經(jīng)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(wǎng)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(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)領域布局。2018年，阿里巴巴宣布進軍物聯(lián)網(wǎng)領域，將其定位為物聯(lián)網(wǎng)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(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。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。

　　02

　　智能物聯(lián)驅動的制造業(yè)變革

　　2017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(chǎn)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(chǎn)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(xié)同融合，而智能物聯(lián)網(wǎng)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(wǎng)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(chǎn)制造設備、產(chǎn)品等。從技術角度而言，智能物聯(lián)網(wǎng)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(wǎng)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(wǎng)為核心的制造大數(shù)據(jù)獲取方面已經(jīng)取得較多進展，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。

　　03

　　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(wǎng)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。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(xiàn)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(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、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(chǎn)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(fā)明的一個專業(yè)術語，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)機構利用互聯(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(wǎng)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。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(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(chǎn)生大量的數(shù)據(jù)和專家經(jīng)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(nèi)容，并據(jù)此實現(xiàn)搜索、決策、協(xié)同等上層群智應用。

　　04

　　自組織與自適應能力

　　智能物聯(lián)網(wǎng)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(chǎn)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(chǎn)環(huán)境及應用場景，最終達到提高生產(chǎn)效率或產(chǎn)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(chǎn)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(chǎn)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(wǎng)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。

　　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(wǎng)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)模化應用。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(wǎng)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。

　　05

　　云邊端融合高效計算

　　物聯(lián)網(wǎng)應用大多有實時性要求，如果把物聯(lián)網(wǎng)產(chǎn)生的數(shù)據(jù)全部傳輸給云端，將會加大網(wǎng)絡負載并產(chǎn)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。邊緣計算指的是在網(wǎng)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(chǎn)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(wǎng)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。

　　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(wǎng)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(wǎng)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。

　　06

　　終身學習與持續(xù)演化

　　生物界針對內(nèi)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。“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。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。針對不斷變化的場景，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(jīng)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(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(wǎng)領域的新發(fā)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(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。

　　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(jīng)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），即讓智能體或機器人利用以往的知識經(jīng)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(jīng)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(wǎng)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(jīng)學過的步驟重新組合起來以應對新情況?；诖耍瑢哟螐娀瘜W習成為有效的知識抽取和遷移方法。

　　漸進式神經(jīng)網(wǎng)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(jīng)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(wǎng)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(jīng)網(wǎng)絡模型，它保留一個預訓練模型池來根據(jù)任務變化不斷進行網(wǎng)絡擴展，從而實現(xiàn)經(jīng)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。

　　07

　　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(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，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(nèi)多個設備之間開展聯(lián)邦學習，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?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。

　　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。

　　08

　　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，指出人工智能與物聯(lián)網(wǎng)、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(wǎng)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。

　　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(chǎn)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。

　　09

　　對我國下一代制造業(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(wǎng)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(wǎng)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(wǎng)引領作用。

　　物聯(lián)網(wǎng)、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(wǎng)作為物聯(lián)網(wǎng)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(wǎng)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(chǎn)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(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(wǎng)、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(chǎn)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(chǎn)業(yè)變革，創(chuàng)造條件促進產(chǎn)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(wǎng)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(chǎn)生示范性應用效果，進而形成新的產(chǎn)業(yè)鏈，促進制造業(yè)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(lián)與未來制造——擁抱人機物融合群智計算時代》（微信有刪節(jié)）

　　作者：西北工業(yè)大學計算機系統(tǒng)與微電子系主任 郭斌