人机物融合群智计算在智慧城市、智能制造、军事国防等领域均有重要应用前景，以下是一些前期探索性研究应用。
城市计算
城市计算通过不断感知、汇聚和挖掘多源异构大数据来解决现代城市所面临的复杂挑战问题。在智能物联网和移动互联网发展的背景下，人、机、物群智能体协同融合完成城市复杂任务成为城市计算的重要发展方向。城市具有典型的时空特征，在城市群智任务平台中，大量发布的任务之间往往具有时空关联性，进而在数据分布上体现出相似规律。然而，很多新的群智任务会因参与者较少或数据收集困难等原因导致数据缺失问题，进而导致无法有效提供群智服务。针对新任务中数据缺失和不足的问题，时空关联下的跨任务群智知识迁移可以解决这类问题，其解决方法是通过挖掘和利用既有任务实体的群智知识，实现跨任务的知识迁移，提升群智任务的服务质量。
针对新任务面临的数据缺乏问题，工程师们提出了深度跨城市跨实体群智任务知识迁移模型：首先汇聚来自群智感知（人）、移动互联网（机）、物联网终端（物）的多源关联城市感知数据，包括人群流动数据、城市地图兴趣点（POI）分布数据、出租/交通/共享单车轨迹数据等，通过深度自编码器来降低数据维度并进行特征关联，进而构造“源-目标”扩展的奇异值分解模型来实现同城类似任务间的知识迁移，通过皮尔森时空特征关联因子来构建城市间类似任务关联，并通过深度对抗网络提取与领域无关的特征。该方法在与阿里巴巴合作的跨城市跨实体知识迁移项目中得到验证，在商业热度和人流量等预测任务中，对比传统的监督学习模型（LR，GBDT等）和深度学习模型，准确率和误差率等技术指标都有明显的提升，与公司产品现有模型相比业务准确率提升了23%。
智能制造
新一代智能制造技术的一个关键特征是人、机、物等要素的连接与融合，而人机物融合群智计算作为推动人机物高效协同、自主组织、增强学习、深度融合的新理论与技术，可重塑设计、研发、制造、服务等产品全生命周期的各环节，将在新一代智能制造技术中发挥重要支撑和引领作用。制造业群智智慧空间模型关注制造业中人、机、物（AGV小车、机械臂等）、环境等多维因素之间的复杂关联关系，探索异构群智能体之间的协同模式与制造效率、质量间的交互作用机理。具体来说，目前以下几方面研究可用于智能制造相关的应用：
1.面向特定的制造任务需求，群智深度强化学习模型可对各制造要素进行建模和协同学习，动态反馈和迭代优化参与任务的各智能体参数，使得制造群体参数总体最优，实现多智能体协同增强。
2.开放式网络制造环境下新终端设备动态加入、制造场景不断演化，导致既有训练好的学习模型由于不确定扰动难以在新环境下取得好的效果。针对该问题，综合利用元学习、多任务学习、联邦学习等方法实现跨制造实体/场景的群智知识迁移。
3.针对制造主体终端计算资源受限、感知模型适应能力差等问题，提出多个边端设备协同的可伸缩情境感知方法（零件质量缺陷、环境动态等）。面向输入数据变化、硬件资源变化等需求，通过加速网络结构设计、模型裁剪、模型分割与参数动态量化等方法，实现高效的制造主体资源自适应情境感知。
总之，人机物融合群智计算是群智感知计算在智能物联网、群体智能、边缘智能等发展背景下的重要演进方向之一，通过异构群智能体协作融合实现个体智能和群体认知能力的增强，在智慧城市、智能制造等领域具有广泛的应用前景，同时在人机物群智协同机理、异构群智能体自组织协同、分布式增强学习机制等方面还面临诸多新挑战。
未来，一方面需探索从自然群智系统协作机理到人工群智系统的模型参照与技术演进，特别要关注多样化生物组成的自然生态群落与人-机-物异构群智能体协作之间的内在逻辑关联与映射机制构建。另一方面则要探索多智能体环境下的分布式学习模型，综合利用协作、共享、迁移、竞争、对抗等方式实现异构多智能体增强学习与智能演进。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
