本博客文章的一个版本发表于2019年2月21日标普全球市场情报网站。

我们周围都是嵌入式传感器和设备，它们的处理能力比我们桌上的许多电脑都强。手机、家庭控制系统、恒温器和无处不在的语音操作小工具中的机器学习模块，构成了一个完整的技术物种，现在它们通过我们自己的通信设备填充的同一个互联网环境与我们共存。这些是通常被称为“物联网”(IoT)的简单组成部分。

真正的革命发生在一个不同的、不那么引人注目的环境中，一个工业领域，从制造业、精炼厂到医疗保健。在这些非常大的系统和组织中，无数的嵌入式智能传感器通过共享的API连接在一起，导致了一种新型的网络计算能力，这可能会使我们想象中的当今互联网相形见绌。

嵌入式系统的挑战

这个庞大的工业阵列连接传感器有许多特点，使其不同于大多数人熟悉的消费智能设备。首先，这些传感器的普遍性和互联性，加上其输入的不可预测性，使得它们的响应时间不受人为干预。例如，一个健身追踪器没电了，不需要紧急响应。相比之下，来自控制多个炼油厂阀门的智能传感器的故障或延迟的紧急信号可能引发其他传感器和执行器的不良连锁反应，从而导致相应的系统故障。

其次，这些智能传感器构成了一个开放和异步的分布式系统，不能预测其所嵌入的环境的行为。这个系统也是分散的，因为中央单位很难接收和传送关于整个系统状态的最新信息。

第三，工业物联网的分布式特性使其面临一系列安全威胁，因为对分布式结构的一个组件的一次入侵就可能危及整个系统。

虽然很容易创建机器学习算法来报告系统各部分的行为，但对于这些程序来说，很难对大型互连嵌入式系统的输入和故障做出快速的推理和反应。通过使用边缘计算，可以实现显著的改进，这需要传感和处理来自接近空间的嵌入式系统的信息。

更为复杂的是在较粗的级别上聚合此类局部信息，以便能够获得全局和及时的信息，并在需要时采取纠正措施。这之所以困难，是因为传感器在感知和处理数据的精度和复杂程度上存在差异，而有时会报告错误的读数。

共识AI解决方案

解决这些问题的一种方法是设计分布式算法，可以在嵌入式传感器系统的诊断和作用的整体任务中进行合作。例如，智能聚合以决定给定行动的局部异常的感知，网络部分恶意软件的集体检测，以及对预定流量和内容模式的有效响应，等等。

我们知道，这种分布式系统在解决由相互连接的局部单元引起的全局问题方面非常有效，因为这是人类成功管理大型分布式任务的方式。组织以令人眼花缭乱的速度创建，以处理许多行业和服务中的控制和分配问题，它们通过交织当地的专业知识来发挥作用，这些专业知识能够发现并解决需要及时解决方案的问题，从网络故障到供应链中断。

这种分布式形式的人工智能并不是一个虚幻的目标。一些这样的系统已经被设计和测试，并在解决诸如优化和图形着色等难题所需的时间方面显示出巨大的改进。这些问题的特点是，随着它们的规模呈线性增长，找到解决方案的时间呈指数增长。一个常见的例子是旅行推销员问题，它可以被视为网络铺设的一个比喻，以尽量减少覆盖多个城市和用户所需的遍历数量。随着越来越多的节点加入到这样的网络中，可能的解决方案的数量呈指数级增长，导致不可能在有限时间内找到最小化连接的节点。

合作系统的美妙之处在于，一旦部署，它们就可以展示组合内爆．这些内爆的特点是，由于合作的有效性，解决问题的可能途径的数目突然减少。因此，需要大量时间才能解决的问题现在可以用线性或多项式时间来呈现。当这些代理或程序在解决复杂问题时交换的消息的质量和数量都增加时，就会发生内爆。

在这些联网嵌入式传感器的背景下，共识系统能够聚合不同的，有时是不正确的信息，以快速合理地诊断问题。这些类型的合作系统将允许控制这些大型嵌入式系统，而不必求助于对网络中泛滥的所有数据进行详尽的分析。更棒的是，人们希望随着常识推理的算法形式(例如，我以前没有见过这个问题吗?)在未来得到发展，我们将实现完全嵌入式传感器能够以一种我们称之为智能的形式控制系统的梦想。

想在未来了解更多关于人工智能的知识吗?订阅我们的博客。

我们没有一天不听到人工智能的消息。机器学习和人工智能(这两个术语经常被混为一谈)已经成为商业、技术和金融领域词汇的一部分。模式识别方面的巨大进步，以及在海量数据中发现隐藏相关性，激发了技术界和商界的热情和希望。

虽然这一成功值得庆祝，但我们不应忽视一个事实，即除了机器学习之外，人工智能还有许多其他方面。常识推理、知识表示、推理等等，现在还不是工具箱的一部分，但如果我们寻求与人类智能有很多共同之处的机器智能形式，就必须成为工具箱的一部分。

这种形式的机器智能没有被使用的原因是由于这些问题所带来的困难。与机器学习的最新进展不同，半个世纪以来在符号系统、认知心理学和机器推理方面的研究都没有取得重大突破。

智能网络:人工智能的新形式

一旦我们认识到智能并不局限于单个大脑，我们就可以期待一个更有前途的未来;它也出现在群体中，如昆虫群落、人类社会的组织和市场，举几个例子。在所有这些情况下，大量的智能体能够执行局部任务，这些任务可以被认为是计算，参与集体行为，成功地解决了许多超越单个个体解决能力的问题。他们这样做往往没有全球控制，同时交换的信息不完善，有时还会延迟。

分布式智能的许多基础特征都可以在连接我们这个星球的计算网络中找到。在这些系统中，进程被创建或“诞生”，在网络间迁移，并在远程计算机中产生其他进程。当它们这样做时，它们解决了复杂的问题——想想在你的屏幕上呈现一部电影需要什么——同时竞争其他进程争夺的资源，如带宽或CPU。亚博全球最大投注平台

有趣的是，我们对分布式智能的理解，无论是自然的还是人工的，都比个体思维的运作要好得多。这部分是因为我们可以很容易地观察和测量个人和程序之间的交互，因为他们在复杂的信息空间中导航。与此形成对比的是，要了解人类大脑中详细的认知过程是很困难的。从这个庞大的知识体系中，我们知道，虽然分布式系统的整体性能是由许多代理交换部分结果的能力决定的，而这些结果并不总是最优的，但成功是由那些在单位时间内取得最大进展的少数人决定的(想象一下许多代理在堆栈中寻找众所周知的针)。

分布式智能:超越最佳

这为人工智能提供了一条充满希望的前进道路;分布式智能程序的创建，可以感知、学习、识别和聚合信息，当部署在整个网络中为特定目标服务时。例如，智能聚合以决定给定行动的局部异常的感知，网络部分恶意软件的集体检测，传感器融合，以及对预定流量和内容模式的有效响应，等等。

分布式人工智能不是一个虚幻的目标。一些这样的系统已经被设计和测试，并在解决诸如密码学和图形着色等复杂计算问题所需的时间上有了很大的改进。这些问题的特点是，随着它们的规模呈线性增长，找到解决方案的时间呈指数增长。一个常见的例子是旅行推销员问题，它可以被看作是网络铺设的一个比喻，这种铺设方式使覆盖许多城市和用户所需的遍历次数最小化。虽然有许多强大的启发式方法来处理这个优化问题，但对于大型实例，人们只能希望解决方案虽然不是最优的，但满足一定数量的约束。

合作系统的美妙之处在于，一旦部署，它们就可以展示组合内爆．这些内爆的特点是，由于合作的有效性，解决方案的可能场所的数量突然崩溃，因此，需要指数时间才能解决的问题现在可以在线性或多项式时间内呈现。这些内爆出现在人工智能代理在解决复杂问题时交换的消息的质量和数量都增加的情况下。

最后，分布式人工智能的出现将使许多实际棘手的问题得以解决，其中许多问题与我们的有线电视网络的顺利和安全运行有关。想象一下，应用不同的人工智能解决方案来搜索安全异常，并将它们结合起来，以识别并采取行动。或者用不同种类的传感器监测网络的远端部分，这些传感器的输出由智能代理聚合。这只是分布式人工智能可以解决的无数问题中的两个例子。我们思考和实现的例子越多，我们就越接近这个智能代理社会的愿景，就像我们所知道的社会系统一样，智能代理的表现将大大超过我们所熟悉的单一机器学习算法。

订阅我们的博客，了解更多关于人工智能的未来。