“人-機-物智能”的挑戰、思考及應用實踐

1 智慧城市與人-機-物智能

隨著以信息技術、人工智能（AI）為代表的新興科技快速發展，我們正在進入“人- 機- 物”三元融合的萬物智能互聯時代。為了實現人- 機- 物的互聯互通，是否可以找到類似TCP/IP協議等計算機業的標準元素，并研究它們的共性，以服務智慧城市（智慧交通、智慧社區、智慧家庭等）應用？

但是現在還沒有什么核心技術和關鍵理論（后面會有楊天若教授理念的簡單介紹）。為什么因為三元空間的差異很大。三元空間主要由三部分組成：信息空間、物理空間和社會空間。

1.1 信息空間：主要是計算、通信、控制，特點是離散的、邏輯的、數字化的。

1.2 物理空間：是自然的、人造的系統，受自然規律支配，具有時間連續性。

1.3 社會空間：是人在社會交往中形成的空間，為人類思考、行動、感知、交互和協作提供平臺。

可見，在這三個空間中，每個空間有自己的學科，例如信息空間有電子、計算機等，物理空間有物理、材料、化學等，社會空間有社會學、心理學等。但是沒有一個學科能夠把這三個空間融合。

當然，我們非常希望出現愛因斯坦這樣的天才形成一套理論，但目前還沒有。不過，這三個空間的融合已勢在必行。目前已有兩個空間之間的融合，例如如果以信息空間為基礎，與社會空間相融合，有情境感知、基于用戶行為的主動服務等，未來有元宇宙等；如果以信息空間為基礎，與物理空間進行融合，就是物聯網、數字孿生等。

三個空間的融合可以更好地為我們提供前瞻性、個性化的服務。

圖 人-機-物智能的發展階段

2 人-機-物智能面臨的挑戰

人工智能當前發展迅猛。楊天若教授認為有幾個發展階段。

第一階段。傳統人工智能階段，是在信息層面和邏輯方面去做。

第二階段。但是后來人們發現有很多問題解決不了，因為神經元網絡是從物理世界得到啟發而來的，后來受到了社會空間的影響，現在到了技術融合的智能階段。為什么？人工智能發展了多年，可解釋性和基本理論實際上沒有本質上的提高。但為什么現在人工智能特別火？并不是因為強人工智能的發展，而是因為弱人工智能，即人- 機- 物智能的蓬勃發展。人- 機- 物智能不一定非要像人一樣能夠思考，但是能行使部分職能，因此目標較小，較容易實現。現在由于有強大的算力，豐富的應用場景，無處不在的通訊，使人- 機- 物智能變得無處不在。

2.1 挑戰一：缺乏人-機-物智能的系統級設計

物理空間、信息空間、社會空間的差異巨大，怎么進行融合？盡管目前還沒有什么理論，但有一個方法可以嘗試，即從數據入手。數據是三個空間的一個共同點：每個空間都會產生數據，根據這些數據進行融合，這是一條可行之路。因此，是否可以從這些空間中提取出一種系統化的方法？以下楊天若教授介紹了怎么去做仿真。

按照這個思路，如果想做一件事情不可能一蹴而就，是一個逐步迭代提高的過程。因此可以先設計一個人-機- 物系統，可以借鑒EDA（電子設計自動化）的方法。現在EDA 的方法是從上到下、從高層到低層（gate 級，門級）。

是否可以設計一套像EDA 的方法，把人- 機- 物系統做統一的設計，使三個空間能夠互通融合？楊天若教授的思路是：首先進行大數據分析，進行系統分析，然后產生出智能決策，之后再快速做自動化；再做一次；不斷地周而復始，以達到理想的人- 機-物系統。

2.2 挑戰二：怎樣進行融合？

如果這個理論/ 方法論可行，就有幾個相關的問題需要考慮。

第一，怎么去做自動化設計？做嵌入式的人都知道，設計電子電路用EDA 工具，同樣，我們能不能做類似EDA 的人- 機- 物系統？答案是肯定的。楊天若教授團隊做了“Petri 網的超空間流”模型。

第二，怎么進行融合？現在大部分人做的還是大數據，數據大就行了，把原來的方法拿過來套用，但是缺乏一個整體的方法論。有沒有一個整體系統的方法能夠更好地把它們進行融合？

2.3 挑戰三：怎樣反饋、自適應、迭代學習？

即做出基于高階Petri 網的張量反饋機制，實現人-機- 物智能系統的自適應優化設計。

主要是以上三個方法。楊天若教授主要介紹前兩點。第一，準備做一個自動化的設計方法，第二，對多模態進行分析。

3 人-機-物智能的關鍵技術

3.1 關鍵技術一：系統級設計方法

人們熟悉的EDA 軟件是這樣做的：從上到下，一開始寫Verilog HDL（硬件描述語言），或者用一些最簡單的Python 或C 語言，它會自動地編譯生成出中層語言，然后到gate，最后逐步自動化生成。

那么，是不是可以做成“人- 機- 物系統”這種自動化系統？于是楊天若教授團隊就往這個方向來做。首先把想要的部分用高層、C 語言/ 簡單的語言來進行簡單的描述，然后自動化生成一個中間模型，之后經過映射，最后再優化，并逐步迭代，生成一個系統。

做完之后，再做數據分析。數據分析里有一個挑戰：怎么具體進行設計自動化？楊天若教授團隊已做了一套整體系統，像EDA一樣從上到下，已經做出了初步原型，現在正在逐步商業化。

圖 基于張量模型的人-機-物大數據的統一表示

3.2 關鍵技術二：多模態數據分析方法研究

這也是一個有意思的點，即怎樣做數據分析？現在人們做數據分析，無非視頻歸視頻，圖像歸圖像，輸入文本歸文本，最后再合起來，因為現有的方法都是各自獨立的。那么，有沒有一種理論或方法能夠把這幾個部分合在一起？

楊天若教授團隊采用了張量模型。很多人在大學時學過向量、矩陣、張量。張量是一種高階高維的數據表達形式，優勢如下。

①可表示。不管是什么樣的異構數據：結構化、半結構化或非結構化數據，可以想辦法把它們都納入到一個框架之下。也許它們的階數不同（3 階、4 階或5 階），因為數據的特征不一樣，但是它們是可以歸納在一個框架下的。

②可操作。有很多矩陣理論，例如矩陣分解、矩陣加減乘除取余，張量也同樣如此，只不過是更高階的。

③可計算/ 存儲。現在有很多硬件來支持，例如張量核、TPU 等。

④可以做分析。實現推薦、預測、聚類和分類等。這樣可以做到張量的融合。

盡管數據、知識、智慧、服務等每一層都可做，但每層之間是割裂的，有沒有一個理論能夠把這幾層打通？因為有些知識可以反饋到數據，數據可以反饋給知識，知識可以反饋給服務，但是有沒有一種方法論能把它們統一起來，使它們之間可以互操作？它的表述還是傳統的方法。

現在就用這種張量的表述方法來表示原始數據，也可以把知識來進行更高階的知識表示與認知和推理。不一定是知識圖譜，傳統的、高科技的都可以，然后可以用數學方法對它進行一些操作、融合，還有很多的理論可以使用。

根據此理論，楊天若教授發展了一整套根據張量的表達方式，做表征、分解、特征提取，包括張量和深度計算。

例如做深度學習時有這種現象：輸入時是一個向量，無論怎樣的特征數據，都要把它割裂成向量，然后輸出來進行學習。

可以想象一下原來的數據，如果是更高階的表示/張量的形式，那么直接進行學習，效果是否會更好？確實這樣更好。從張量的深度學習到知識圖譜，都可以用一整套的張量理論來進行學習，而得出來的效果也確實比較好。

但是還有一個問題：張量計算的特點是計算量特別大（因為是高階的），TPU 能夠很好地去彌補這種缺陷。這里重點提一下TPU。TPU 是谷歌最近推廣的一種處理器，T 指Tensor（張量），TPU 即張量處理單元。可以把很多張量運算放到TPU 里去做，有些不適合的放在GPU 里去做，或者放在CPU 里去做，以此使異構計算能夠更好地幫助計算。

4 應用案例

楊天若教授團隊已經做了一些項目，例如在湖北和江蘇的智慧交通場景得到了實際應用，并在為海南自貿港項目做研發。

4.1 智慧交通

與常州市公交以及湖北交投合作，其“人- 機/ 車-路”是一個典型的人- 機- 物的系統。第一步，怎么去做系統設計？設計完成后怎么去做數據分析？然后進行反饋。

例如在人- 車- 路的大數據中，有天氣、路線、公共汽車上的視頻等都是非結構化的數據。這些數據怎么融合？通過張量分析模型，最終可以做到線路分布、客流分析和預測等。楊天若教授領銜的項目從2016 年開始就已經用到了江蘇省常州市公交的200 多條線路上，公交車2000 余輛，每年累計服務量近億次。第二個案例是湖北交投的智慧交通，高速路的綜合監管平臺和智慧服務區也是以數據為中心的。

4.2 智慧自貿港

海南自貿港計劃在2025 年封關，封關以后有很多智慧應用，涉及如何使各種應用互聯互通。

設想遠程仍然采用上述這種模式：第一，先做總體的系統設計分析，然后進行數據驅動和數據分析，再進行決策，回來之后進行迭代的提高，最終使設計出來的應用能夠真正達到互聯互通的目的。

為此，海南大學成立了協同創新中心，由多個學院、近100 支團隊組成。這些團隊根據整體思路分成了不同的方向。有的做基礎產品，例如材料與器件、通信芯片、傳感芯片、網絡等。楊天若教授團隊主要做系統設計，把人- 機- 物系統的設計方法進行有效的集成，然后進行數據分析，這是以張量人工智能為主要特色的分析、預測、決策。當然也不排除別的方法，其他團隊從另外的角度來做，最終都會提供這種決策。安全也非常重要，有三支團隊分別去做密碼安全、網絡安全、數據安全。這些工作最終是為了服務自貿港應用。自貿港的應用是由一些典型的應用組成的，例如智慧導航、熱帶農業、深海探測、水下網絡、智慧養老、離岸金融等，這些都是海南的主要特色。

5 結束語

希望這些整體的思路和應用能夠應用起來，真正達到人們所期望的智慧應用、互聯互通的目的。

（本文來源于《EEPW》202406）