加拿大工程院院士于非：互聯(lián)—— 從質(zhì)量、能源、信息到智能

本文作者：我在思考中

2021-12-13 17:26

專題：GAIR 2021

導(dǎo)語(yǔ)：智能聯(lián)網(wǎng)不僅是技術(shù)問(wèn)題，也是經(jīng)濟(jì)問(wèn)題。

整理 | 莓酊

編輯 | 青暮

2021年12月9日，第六屆全球人工智能與機(jī)器人大會(huì)（GAIR 2021）在深圳正式啟幕。

140余位產(chǎn)學(xué)領(lǐng)袖、30位Fellow聚首，從AI技術(shù)、產(chǎn)品、行業(yè)、人文、組織等維度切入，以理性分析與感性洞察為軸，共同攀登人工智能與數(shù)字化的浪潮之巔。

會(huì)上，IEEE/ IET/ EIC Fellow于非教授向與大家分享了題為《互聯(lián)：從質(zhì)量、能源、信息到智能》的演講。

加拿大工程院院士于非：互聯(lián)—— 從質(zhì)量、能源、信息到智能

于非教授是加拿大工程研究院院士（Fellow of the Engineering Institute of Canada），IEEE Fellow，Institution of Engineering and Technology（IET）Fellow，IEEE杰出講者，IEEE車載技術(shù)學(xué)會(huì)理事（2016- 今），副主席（2017- 2019）。連續(xù)3年入選科睿唯安計(jì)算機(jī)科學(xué)領(lǐng)域“全球高倍引科學(xué)家” （2019- 2021）。Google學(xué)術(shù)20,000+次引用，H- index88。研究領(lǐng)域?yàn)榛ヂ?lián)自主智能，區(qū)塊鏈，機(jī)器學(xué)習(xí)，自動(dòng)駕駛及無(wú)線網(wǎng)絡(luò)。擔(dān)任多個(gè)國(guó)際期刊編輯。多個(gè)科研成果及論文獲獎(jiǎng)。今年，于教授來(lái)到深圳，出任人工智能與數(shù)字經(jīng)濟(jì)廣東省實(shí)驗(yàn)室（深圳）（光明實(shí)驗(yàn)室）執(zhí)行主任。

于教授的主要研究方向包括：聯(lián)網(wǎng)自動(dòng)駕駛汽車（CAV），機(jī)器學(xué)習(xí)與人工智能，區(qū)塊鏈和分布式賬本技術(shù)，無(wú)線網(wǎng)絡(luò)物理系統(tǒng)和網(wǎng)絡(luò)中的安全和隱私等。

為了能將于教授的精彩演講"原汁原味"地呈現(xiàn)給大家，AI科技評(píng)論做了不改變?cè)獾木庉嫛?/span>

加拿大工程院院士于非：互聯(lián)—— 從質(zhì)量、能源、信息到智能

首先。非常感謝楊強(qiáng)主席、羅智泉校長(zhǎng)和其他各位領(lǐng)導(dǎo)的邀請(qǐng)，很榮幸能參加這次大會(huì)，跟大家分享我們最近的研究進(jìn)展。

今天我的報(bào)告題目相對(duì)抽象，是《互聯(lián)：從質(zhì)量、能源、信息到智能》。

我將“以車為例”進(jìn)行匯報(bào)。第一部分是背景知識(shí)——互聯(lián)和自動(dòng)車輛。二是分層設(shè)計(jì)、跨層設(shè)計(jì)、跨系統(tǒng)設(shè)計(jì)。三是人工智能在信息中互聯(lián)的方法。四是報(bào)告的主題，以聯(lián)網(wǎng)的角度，從“大尺度”考慮網(wǎng)聯(lián)，可分為質(zhì)量互聯(lián)、能源互聯(lián)、信息互聯(lián)和智能互聯(lián)。第五部分為總結(jié)。

加拿大工程院院士于非：互聯(lián)—— 從質(zhì)量、能源、信息到智能

互聯(lián)與自動(dòng)車輛

自動(dòng)駕駛的巨大影響不限于車和路，對(duì)整個(gè)社會(huì)而言影響也非同一般。每天早晨我們也許會(huì)思考：到底是我駕駛車，還是車駕駛車。

幾年前人們對(duì)自動(dòng)駕駛的前景比較樂(lè)觀，為什么提到自動(dòng)駕駛？人們說(shuō)起人工智能時(shí)，其中大多應(yīng)用主題就是“將來(lái)不用自己開(kāi)車了”。

和大家展示兩張非常有趣的圖片。

第一張圖：1900年美國(guó)的第五大道Easter早晨車水馬龍，請(qǐng)問(wèn)大家能看到汽車嗎？1900年攝影技術(shù)有限，大家可能看不太清，但是有一輛汽車的，也只有一輛，其他都是馬車。

第二張圖，是1913年，13年之后也是同樣的一天在美國(guó)紐約第五大道Easter的早晨，請(qǐng)問(wèn)照片上還能看到馬車嗎？不，已經(jīng)全部都是汽車了。

他們用兩張圖的對(duì)比表達(dá)一個(gè)事實(shí)，當(dāng)技術(shù)想拋棄你的時(shí)候，連聲招呼都不打。用這個(gè)類比是為了說(shuō)明將來(lái)自動(dòng)駕駛也會(huì)像之前汽車代替馬車一樣快速的迭代。在前幾年的時(shí)候，這些人用在融資和技術(shù)報(bào)告里去說(shuō)服投資者：自動(dòng)駕駛很快會(huì)實(shí)現(xiàn)。

雖然理想很豐滿，現(xiàn)實(shí)卻是非常殘酷的。大家可能聽(tīng)聞過(guò)國(guó)內(nèi)外各種各樣的例子，尤其是特斯拉、UBER和一些大廠出現(xiàn)的人為事故，包括引起廣泛關(guān)注的特斯拉不能識(shí)別白色物體的問(wèn)題，從而導(dǎo)致各類事故。

Waymo的CEO也曾給大家潑了一盆水，Waymo是谷歌自動(dòng)駕駛的子公司，所以Waymo在自動(dòng)駕駛領(lǐng)域是有發(fā)言權(quán)的，從2009年開(kāi)始，Waymo的自動(dòng)駕駛車輛在真實(shí)道路上一共跑了超過(guò)2千萬(wàn)英里和在虛擬環(huán)境下跑了20億英里。但是Waymo的CEO說(shuō)自動(dòng)駕駛幾十年之內(nèi)都不可能大規(guī)模的出現(xiàn)在真實(shí)交通中。問(wèn)題出在哪兒？

他最近評(píng)論，Technology is really really hard，技術(shù)太困難了。

Elon Musk今年七月也有過(guò)著名的評(píng)論。人們都在問(wèn)他，你早先說(shuō)全自動(dòng)駕駛很快就能實(shí)現(xiàn)，到底什么時(shí)候能實(shí)現(xiàn)？然后Musk把這個(gè)“球”推到學(xué)術(shù)界和產(chǎn)業(yè)界的工程師和科學(xué)家面前，他說(shuō)：“這不是我的問(wèn)題，不是我做不出來(lái)，是科學(xué)界沒(méi)有解決人工智能科學(xué)的問(wèn)題。” 他把“責(zé)任”推脫到了學(xué)者身上。

所以做不出來(lái)自動(dòng)駕駛跟特斯拉關(guān)系不大，是“我們”的問(wèn)題。

我作為學(xué)者、工程師看到這句話其實(shí)有所欣慰，從消費(fèi)者來(lái)的角度，大家看到會(huì)將關(guān)注落在“自動(dòng)駕駛不會(huì)短期內(nèi)實(shí)現(xiàn)”這一點(diǎn)上，但是作為學(xué)者、工程師來(lái)講，我們看到了機(jī)會(huì)，為什么？全部都做好以后就沒(méi)有機(jī)會(huì)了，如果做不好的話我們還有機(jī)會(huì)實(shí)現(xiàn)它。

所以我一直在思索到底是什么問(wèn)題？大家眾說(shuō)紛紜。本質(zhì)而言，信息跟智能是有很大差別的。什么差別？自動(dòng)駕駛的車一天能產(chǎn)生5T數(shù)據(jù)，各種各樣的傳感器都在生產(chǎn)大量數(shù)據(jù)，比如相機(jī)、GPS、LIDAR等。但對(duì)自動(dòng)駕駛而言，這些信息不等同于智能。智能在這里我定義為「開(kāi)車這件事情」，像可以轉(zhuǎn)向、剎車、油門(mén)。

分層設(shè)計(jì)、跨層設(shè)計(jì)、跨系統(tǒng)設(shè)計(jì)范式

我想簡(jiǎn)單介紹下在信息互聯(lián)網(wǎng)時(shí)期我們的設(shè)計(jì)方式。它在通信網(wǎng)絡(luò)里屬于自動(dòng)駕駛里的基礎(chǔ)設(shè)施，我們一般使用DSRC，或者是C-V2X。

在信息互聯(lián)網(wǎng)里我們用什么樣的設(shè)計(jì)范式？

最早是分層式的優(yōu)化方式，即每層都處理單獨(dú)的任務(wù)，比如物理層的功率、AMC（adaptive modulation and coding），MAC層處理不同的用戶分級(jí)、RLC處理重傳、非重傳、可靠性；PDCP處理包的壓縮；RRC（Radio Resource allocation），CELL Selection、Handover、Admission等優(yōu)化都是在這一層。applications這部分也可以優(yōu)化，像用哪種codec，H.261或者H.262。

用戶也能參與其中，這就是幾十年前的優(yōu)化方式，但分層優(yōu)化不能滿足整個(gè)的系統(tǒng)要求。后來(lái)出現(xiàn)跨層優(yōu)化，即把各個(gè)層聯(lián)合起來(lái)優(yōu)化。例如上層和下層聯(lián)合起來(lái)優(yōu)化，效果更好。

舉個(gè)例子，應(yīng)用層傳輸實(shí)時(shí)信息或自動(dòng)駕駛的控制信息，對(duì)時(shí)延要求高。物理層有實(shí)時(shí)的網(wǎng)絡(luò)信息，聯(lián)合優(yōu)化會(huì)產(chǎn)生良好效果。下一步進(jìn)展是跨系統(tǒng)優(yōu)化，通信和網(wǎng)絡(luò)變成子系統(tǒng)，其他子系統(tǒng)也很重要，比如計(jì)算系統(tǒng)，考慮的是邊緣計(jì)算、云計(jì)算、物計(jì)算。另外一部分是存儲(chǔ)，請(qǐng)不要忽略控制部分，它不是傳統(tǒng)通信和網(wǎng)絡(luò)所做的內(nèi)容，另屬其他子系統(tǒng)。

這里將通信和網(wǎng)絡(luò)歸為一個(gè)子系統(tǒng)，聯(lián)合起來(lái)優(yōu)化是十分必要的。為什么這樣講？因?yàn)椴煌腶pplications。比如自動(dòng)駕駛，或者現(xiàn)在比較火的元宇宙、AR, VR，對(duì)計(jì)算有較高需求，只有網(wǎng)絡(luò)無(wú)法滿足整個(gè)系統(tǒng)的需求。對(duì)多媒體傳輸而言，在存儲(chǔ)、緩存方面的要求更多。我總結(jié)為跨系統(tǒng)設(shè)計(jì)。

對(duì)此，回顧我們做過(guò)的一些工作。1. ）通信計(jì)算相結(jié)合的工作；2. ）通信、計(jì)算和緩存相結(jié)合的工作；3. )通信和控制相結(jié)合的工作。每次結(jié)合都會(huì)提升網(wǎng)絡(luò)或系統(tǒng)的性能。

當(dāng)我們寫(xiě)文章時(shí)，性能提升高是特別高興的事情。但大家不要忘記隨之而來(lái)的“慘痛代價(jià)”。其中一個(gè)代價(jià)是復(fù)雜度大幅提升，從單層設(shè)計(jì)到跨層設(shè)計(jì)再到跨系統(tǒng)設(shè)計(jì)，每次考慮的參數(shù)越來(lái)越多。大量參數(shù)放在一起優(yōu)化，雖然系統(tǒng)性能有所提高，但維數(shù)災(zāi)難也會(huì)伴隨而生，也可以被稱為第一個(gè)“詛咒”。

另一個(gè)問(wèn)題是Curse of Modeling（模型災(zāi)難），即「如何建模」。一層建模不復(fù)雜，多層建模、跨系統(tǒng)建模、跨不同網(wǎng)絡(luò)建模卻十分麻煩。幾乎建模中都會(huì)產(chǎn)生問(wèn)題，有句名言：All Models Are Wrong. 建模和真實(shí)環(huán)境有不可忽略的差別。

所以有兩個(gè)curses：Curse of Dimensionality和Curse of Modeling。

AI Approach

因?yàn)榻＠щy和復(fù)雜度越來(lái)越高，我們希望能夠用人工智能的方式解決網(wǎng)絡(luò)優(yōu)化問(wèn)題。

我們的會(huì)議主題是「全球人工智能與機(jī)器人大會(huì)」，在座各位或多或少都是與人工智能有關(guān)聯(lián)的人。AI并不是新概念，"人工智能"是1950年被提出，1980年開(kāi)始機(jī)器學(xué)習(xí)，一直到2010年效果優(yōu)越的Deep Learning（深度學(xué)習(xí)）出現(xiàn)。

當(dāng)時(shí)為什么不能提及人工智能？圖靈獎(jiǎng)得主Hinton教授，當(dāng)年從美國(guó)"出走"到加拿大，也是因?yàn)橛龅健叭斯ぶ悄芎薄inton教授一直沿著機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)方向研究，2012年終于有所突破。人工智能的發(fā)展并非一帆風(fēng)順，可以說(shuō)是幾起幾落。

我們較多用Reinforcement learning（強(qiáng)化學(xué)習(xí)）。機(jī)器學(xué)習(xí)可分為三類：監(jiān)督學(xué)習(xí)(Supervised learning)、非監(jiān)督學(xué)習(xí)(Unsupervised learning)、強(qiáng)化學(xué)習(xí)（Reinforcement learning）。

圖中左下的文章是2004年我發(fā)表的博士論文最后一章。它也是我一個(gè)慘痛經(jīng)驗(yàn)教訓(xùn)的具象。當(dāng)時(shí)用機(jī)器學(xué)習(xí)或強(qiáng)化學(xué)習(xí)是沒(méi)辦法發(fā)表頂會(huì)文章的，因?yàn)榇蟓h(huán)境并不認(rèn)可。「人工智能」彼時(shí)屬于貶義詞，被認(rèn)為是垃圾輸入、垃圾輸出，不能產(chǎn)出Insight，沒(méi)能獲得業(yè)界和學(xué)術(shù)界的承認(rèn)。

強(qiáng)化學(xué)習(xí)是我本人非常喜歡的算法，主要因?yàn)樗梢宰鰪V泛的“動(dòng)作”，控制車、控制網(wǎng)絡(luò)或控制各式各樣的參數(shù)。

Deep Reinforcement learning（深度強(qiáng)化學(xué)習(xí)）中心思想很簡(jiǎn)單：模擬動(dòng)物或人跟環(huán)境交互的過(guò)程。深度強(qiáng)化學(xué)習(xí)可以解決很多"大問(wèn)題"，其中之一就是Alpha Go。

Alpha Go的核心思想是運(yùn)用強(qiáng)化學(xué)習(xí)解決問(wèn)題。強(qiáng)化學(xué)習(xí)技術(shù)和加拿大淵源頗深，深度學(xué)習(xí)是圖靈獎(jiǎng)得主Hinton教授主導(dǎo)的。強(qiáng)化學(xué)習(xí)是加拿大另一位學(xué)者Richard Sutton主導(dǎo)的。

用AI approach，用跨層設(shè)計(jì)、分層設(shè)計(jì)、跨系統(tǒng)設(shè)計(jì)，并不是毫無(wú)問(wèn)題。

數(shù)據(jù)十分重要?，F(xiàn)代人工智"茁壯成長(zhǎng)"起來(lái)的根基就是Data-driven（數(shù)據(jù)驅(qū)動(dòng)）。Data-driven在幾年前是褒義詞，它不是全部從模型而來(lái)，而是存在真實(shí)數(shù)據(jù)的。但許多小團(tuán)隊(duì)、小公司等相對(duì)較難獲得大數(shù)據(jù)。Data driven另一種形式的解讀：Big data導(dǎo)向big intelligence，Limited date導(dǎo)向Limited intelligence。

回到自動(dòng)駕駛這一話題，世界道路千萬(wàn)條，人類無(wú)法讓模型具體學(xué)習(xí)到每個(gè)路口、每類天氣情況、每種司機(jī)的駕駛條件，數(shù)據(jù)不足也是自動(dòng)駕駛目前未能大規(guī)模商用的重要因素。前面說(shuō)到數(shù)據(jù)驅(qū)動(dòng)，因而Limited data就是Limited intelligence。其他挑戰(zhàn)還有data inefficiency（數(shù)據(jù)利用率低效），需要大量的數(shù)據(jù)訓(xùn)練。Poor generalization，泛化能力較弱。Lack of interpretability，可解釋性差。

出現(xiàn)問(wèn)題卻不知原因。一方擁有大規(guī)模網(wǎng)絡(luò)數(shù)據(jù)時(shí)能不能與他人分享？機(jī)器之間的share intelligence是需要特定語(yǔ)言、程序進(jìn)行。

我認(rèn)為，目前的機(jī)器學(xué)習(xí)、人工智能有點(diǎn)像動(dòng)物學(xué)習(xí)。

2019年《Nature》的一篇文章提到：現(xiàn)在的人工智能也許不及動(dòng)物。其中一個(gè)例子，也是我們中文耳熟能詳?shù)乃渍Z(yǔ)“龍生龍，鳳生鳳，老鼠的孩子會(huì)打洞”。描述的正是生物基因里面已經(jīng)存在的技能。一如文中：Learning is NOT very important. 這篇文章無(wú)異于給我潑了盆冷水。我們研究人工智能和機(jī)器學(xué)習(xí)也有一些時(shí)間了，如果AI不如動(dòng)物，更不能和人相提并論。

后來(lái)我希望能從書(shū)中獲得答案，了解動(dòng)物和人之間的根本區(qū)別。對(duì)此，《人類簡(jiǎn)史》解答得十分清晰。《人類簡(jiǎn)史》中有個(gè)顛覆性的觀點(diǎn)：人和動(dòng)物的主要區(qū)別就是「Gossip」，即"八卦能力"。

為什么是"八卦能力"？人類可以傳遞并不真實(shí)存在的信息。像在公司里“傳”閑話，WeChat、Keynote，甚至于今天的分享報(bào)告，都是一種“八卦能力”。我們只能和同類講，不能跑到森林里和動(dòng)物們做報(bào)告。

“八卦能力”的說(shuō)法不太正式，所以我找到另一種正式說(shuō)法— Collective Learning（集體學(xué)習(xí)），Big history project （大歷史項(xiàng)目）中許多歷史學(xué)家同樣疑惑：人為什么比動(dòng)物更加聰明？回顧從大爆炸到人類進(jìn)化到現(xiàn)在，得出基本結(jié)論就是Collective Learning。

Collective Learning的第一步都是從數(shù)據(jù)學(xué)到的，數(shù)據(jù)驅(qū)動(dòng)也是目前人工智能和機(jī)器學(xué)習(xí)的基本思想。

第二步、第三步之后，機(jī)器和動(dòng)物基本不具備把智能存儲(chǔ)下來(lái)的能力，只有人可以做到。我們可以潑墨揮毫寫(xiě)文成書(shū)，這是人類才有的特殊能力。與《人類簡(jiǎn)史》里說(shuō)的"八卦能力"異曲同工，人可以相信不存在的信息并分享智能。以上兩點(diǎn)，非正式說(shuō)法「Gossip」，正式說(shuō)法「Collective Learning」。

大家可能會(huì)問(wèn)：現(xiàn)在人工智能可以擁有「八卦能力」嗎？或向其他智能體進(jìn)行學(xué)習(xí)嗎？目前而言十分困難。因?yàn)闆](méi)有Incentives（激勵(lì)）、trust（信任）、Language（語(yǔ)言）。如何實(shí)現(xiàn)這些能力？這就是我們的下一主題，質(zhì)量、能源、信息、智能。

互聯(lián)：從質(zhì)量、能源、信息到智能

愛(ài)因斯坦說(shuō)過(guò)：You cannot solve a problem on the same level that it was created. You have to rise above it to the next level. 這句話令我感觸頗深。"當(dāng)你遇到問(wèn)題時(shí)千萬(wàn)不要在問(wèn)題同等水平上思考它，應(yīng)該提升到另一個(gè)層次上考慮"，從而產(chǎn)生新靈感。這也是我今天匯報(bào)的主題，從"大尺度"考慮網(wǎng)聯(lián)。

許多媒體報(bào)道，包括Elon Musk也認(rèn)為，人類歷史上最大的發(fā)明創(chuàng)造是車輪。車輪的本質(zhì)是質(zhì)量的互聯(lián)，它可以把有質(zhì)量的東西快速、高效地在兩點(diǎn)間傳送。車輪促使交通網(wǎng)絡(luò)的形成。第二個(gè)重要發(fā)明是能源的互聯(lián)，以前的汽油和現(xiàn)在的電能，都屬于能源互聯(lián)。第三個(gè)重要發(fā)明是人們樂(lè)享其中的互聯(lián)網(wǎng)，它是信息的互聯(lián)。簡(jiǎn)而言之，“車”見(jiàn)證了人類歷史整個(gè)技術(shù)的發(fā)展路線。從最初的運(yùn)輸質(zhì)量，隨后是使用能源，到現(xiàn)在的信息聯(lián)網(wǎng)。

以發(fā)展角度看，Abstraction（抽象）在一層一層的提高。我們心生疑惑，將來(lái)會(huì)如何進(jìn)階發(fā)展？疫情期間經(jīng)過(guò)長(zhǎng)時(shí)間思考，我寫(xiě)下一篇文章。在優(yōu)化網(wǎng)絡(luò)時(shí)的分層設(shè)計(jì)、跨層設(shè)計(jì)和跨系統(tǒng)設(shè)計(jì)，歸根到底我們是在做一件事情，傳遞信息。這也是我們所說(shuō)的Internet of information，讓信息從A點(diǎn)移到B點(diǎn)。

特斯拉發(fā)明了交流電，可以理解為是傳遞能量。當(dāng)下信息發(fā)展過(guò)載，鋪天蓋地的信息無(wú)處不在地充斥著我們的生活，獲取信息對(duì)現(xiàn)代人而言易如反掌。因此我在文中推斷，這是一種intelligence（智能）的缺乏—— 拿到信息該如何運(yùn)用。比如一個(gè)自動(dòng)駕駛車，每天可以獲得5T的數(shù)據(jù)，手握巨量數(shù)據(jù)，車技卻依然不高。

那目前能實(shí)現(xiàn)move intelligence（傳遞智能）嗎？暫時(shí)不能。但我們可以考慮用Blockchain（區(qū)塊鏈）解決相關(guān)文通。《哈佛商業(yè)評(píng)論》曾發(fā)文，問(wèn)歷史中是否出現(xiàn)過(guò)類似Blockchain的事物？答案是有的，就是TCP/IP（傳輸控制協(xié)議/網(wǎng)際協(xié)議）。

首先它們都是分布式的，分布式的優(yōu)勢(shì)在于集中式促進(jìn)創(chuàng)新，也可以支持大規(guī)模其他應(yīng)用，這是TCP/IP和Blockchain的相似之處。Blockchain應(yīng)用繁多，我們的國(guó)家級(jí)報(bào)告里常把Blockchain視為數(shù)字經(jīng)濟(jì)的重要技術(shù)手段。

我們近期有出版關(guān)于區(qū)塊鏈的書(shū)籍——《區(qū)塊鏈：原理、框架與應(yīng)用》和《Blockchain Technology and Applications》；以及區(qū)塊鏈研究的網(wǎng)站vDLT. io；還有區(qū)塊鏈優(yōu)化問(wèn)題，我們提起B(yǎng)lockchain多是實(shí)現(xiàn)方面，優(yōu)化方面較少。

為什么人比動(dòng)物更加聰明，答案指向一點(diǎn)—— Collective learning approach（集體學(xué)習(xí)研究），我們近期所做也是希望通過(guò)區(qū)塊來(lái)實(shí)現(xiàn)集體學(xué)習(xí)。

從車的角度做智能網(wǎng)聯(lián)。我在文章中有提出雛形，它也是元宇宙的雛形，每個(gè)車都對(duì)應(yīng)到元宇宙里的“數(shù)字孿生”車，并在其中分享智能。

另外一個(gè)是算法方面的創(chuàng)新，Collective Reinforcement Learning，基本思想也是模仿人類。強(qiáng)化學(xué)習(xí)原是單個(gè)智能體，現(xiàn)在多個(gè)智能體相互融合、學(xué)習(xí)、實(shí)現(xiàn)智能網(wǎng)聯(lián)。

對(duì)于當(dāng)下和將來(lái)面臨的挑戰(zhàn)。挑戰(zhàn)看似容易，只需傳遞智能。但實(shí)踐中頻頻受阻。從信息論而言，為什么信息可以輕易“挪來(lái)挪去”，我們的互聯(lián)網(wǎng)為何能高速發(fā)展？關(guān)鍵在于信息的定義和描述。眼下對(duì)整個(gè)Intelligence的描述是十分艱難的。也是比較難攻克的問(wèn)題。

未來(lái)趨勢(shì)：智能互聯(lián)

Internet of Information可以用分層、跨層、跨系統(tǒng)的設(shè)計(jì)，最近比較流行用AI approach。我們認(rèn)為Internet of Intelligence（智能網(wǎng)聯(lián)）是未來(lái)趨勢(shì)，對(duì)機(jī)器和人而言，作出正確決定更加重要。共享智能不僅僅是技術(shù)問(wèn)題，也是經(jīng)濟(jì)的問(wèn)題。