从旧机器到新机器，迈向社交时代
“有意识的机器终将会出现的。”牛津大学计算机系主任 Michael Wooldridge 教授说，“我正在做的研究，是让机器作为智能体通过自然语言更理解人类，从而让机器和机器之间可以智能化的沟通协作。这可能会比让机器与人之间相互理解沟通更具有实际意义。”这也正契合了他在远景科技集团以“机器社交”为核心的创新日上的演讲主题——“多智能体系统——迈向机器社交网络时代”。
在人工智能、物联网、云服务，以及边缘计算等多种新兴技术相融合的背景下，“迈向机器社交网络时代”已经成为工业发展道路上一种不可抗拒的趋势。人们已经看到了人工智能等技术正在不断地改变从能源、工业到城市的各个场景：被谷歌收购的人工智能明星公司 DeepMind 早在 2016 年就曾通过深层神经网络预测谷歌数据中心潜在行为对未来的能源消耗的影响，可以减少数据中心冷却耗能的 40%；同样是利用机器反馈的数据应用于机器效率提高，今年 2 月 DeepMind 宣布最新产业应用，可通过机器学习分析气象和实地测量数据，提供 36 小时后的风力预测，解决风电发电因风力、风速、地形等因素造成的发电不稳定、不可预测的情况，机器自主学习与反馈的机制，正在深度变革行业的生产方式。
10 月 22 日，远景科技集团CEO张雷在其技术创新日上表示：“机器网络会是最大的人工智能体，新机器，意味着机器与机器之间通过机器网络操作系统进行社交，算法的自我演变将超越想象。这样一来，‘机器红利’将得到最大程度的释放。”
图 远景科技集团 CEO 张雷
机器的从旧到新，不仅意味着智能化从个体演变至群体，从固定程序发展至迭代算法；更为深远的，还会推动产业转变为可持续发展的长远模式。
“机器进化”的两次飞跃
著名控制论学者托马斯·瑞德曾在其著作《机器崛起》中提到两次机器进化的飞跃——第一次是“基于机器通信的机器自动化”，第二次是“基于人工智能的知识自动化”。
从 20 世纪 50 年代开始，自动化还是科技进步的通用术语，此后的短短十年，计算机变得更加强大，自动化在工厂中得到逐步推广。
随着庞大的自动化系统需要连通性，机器通信至关重要。贝尔实验室研发了调制解调器，这些终端能够实现数字化数据和模拟波的互相转换，这意味着数据可以使用音频宽带的电话线路进行传送。随着贝尔实验室和 IBM 等行业巨头的不懈努力，数据传输速率和稳定性不断提升，机器通信的雏形逐渐形成。
最初，控制论学者们借助大脑思维的方式来理解机器；随后，这一主流方式发生了改变，人们开始希望机器一样可以理解自己本身，期待通过改编机器“内置的成功机制”，来“自动地在正确的方向上引导自己实现既定目标”，这一想法极大促进了“机器进化的第二次飞跃”，即人工智能的研究。1956 年，在里程碑式的达特茅斯人工智能研讨会上，控制论学者约翰·麦卡锡曾将人工智能解释为 AI=Automation of Intelligence（智能的自动化），这也解释了从工程的角度看，人工智能的实质就是知识的自动化，与传统机器控制论思想一脉相承。
“新与旧，在文字上更多感觉是在谈时间变化，其实今天要表现出的，是机器在不断进化。”远景能源首席技术官王晓宇博士说。作为最先给远景带来“机器网络”认知的智能风机，经过十几年发展，逐步实现从智能风机到“超感知”风机的进化。
从最开始推出的部署多个传感器，“软件定义硬件”的智能风机，到如今基于机器进化系统，实现自身行为洞察与机群协同的“超感知风机”，可以说，远景智能风机的发展，验证了托马斯·瑞德关于两次机器进化的理论。
(图片来源：远景科技集团)
风机的进化从传统的“传感”到现在的“超感知”，一方面是得益于边缘计算的出现。边缘可以解决工业互联网中车间现场里的大量异构设备和网络带来的复杂性问题。在一些工业控制的场景下，计算处理的延时要求在 10ms 以内。如果数据分析和控制逻辑全部在云端实现，则难以满足实时性要求。远景“超感知”智能风机，以机/站等边缘端为健康监测与智能运行中心，让云端成为算法研发与应用开发中心，换言之就是将云端的分析方法“应用软件化”，让每台风机可以迅速知道自己不同子系统之间的健康程度，而不是等故障出现时才通过云端发出警报。
另一方面是为风机搭建数学模型。
王晓宇介绍说：“远景超感知风机技术是将提供机理信息的数学模型和提供环境状态的传感信息结合，从而达成了风机对自身运行行为的洞察。这种洞察包括状态感知和趋势感知，这是远景超感知智能技术的本质优势。状态感知体现在故障监测的价值，趋势感知则体现在健康预防和主动在线干预；这两种感知在通过网络智能技术与风机、机群智能运行策略结合，就会使风电资产的智能化演进随着信息维度发生持续的进化。”
经由强化学习算法的大量数据训练，模拟风机的真实运行场景，并将精确计算出的数字模型赋予风机，从而将风机与风场的 Digital Twin（数字孪生）植入到现实运行之中；同时不断获得风机现实运行中的真实数据，并反哺至数字模型中，带来风机 DNA 的持续优化升级，最终实现了风机的自学习、自进化，全面感知风机健康与性能，以实现各部件间、各机组间动态运行优化。实现风电场全生命期的高质量运行与资产增值。
机器网络协同下的落地场景
当风机拥有了自学习、自进化的能力时，结合 5G、云，以及边缘计算等新兴技术，实现机器数据的开放和统一并建立机器间的沟通机制，将改变工业厂房中“哑巴设备”的现状，并最终让机器从智能进而实现“社交”迈出重要一步。而形成一个有效的“机器网络”离不开一个可靠的操作系统。
如同 PC 时代的 Windows、移动时代的 Android，远景智能物联操作系统 EnOS 也在打造属于物联网时代的操作系统。通过开放的智能物联操作系统，首先需要让不同类型的机器快速接入，并在数字世界交流协作。与此同时，对于各垂直领域来说，该操作系统拥有沉淀业务积累的最佳实践，进而可以根据不同场景来驱动人工智能算法与行业应用。将数据、系统与应用连接到统一的操作系统上，由此可以更灵活、稳定地实现机器协同。目前，通过 EnOS 构建的 “智能机器的社交网络”，已经可以让 100GW 的 6000 万个风电、光伏面板、储能、充电桩、电动汽车等设备及传感器实时智能协同。
(图片来源：远景科技集团)
在业务布局上，远景科技集团在现场还展示了其对“新电池”的发展计划，将能源消费侧纳入其构建的“机器网络”当中。他们认为“作为机器的动态能量载体，电池不再是碎片化能源系统中的挑战者，而是具备各种场景辨识能力，实现能量在不同网络层间协同的赋能者。”
远景 AESC 中国区总裁赵卫军解释：“电池比风机多了一个属性，就是移动性。电池不仅仅跟车互动，还随着车辆移动在不同场景中与其中的机器产生联系，包括不同的楼宇、社区、道路、城市、在不同的气候条件下记录着变化。在发生变化越多的场景下，电池跟这个场景中的机器之间社交越多，得到的感知信息越多，越来越能够做到价值最大化。这是我们理解网络智能带给电池一种崭新的、多元的价值变现。”
图 远景 AESC 电池与清洁能源系统共创协同价值(图片来源：远景科技集团)
随着电动汽车数量的增加,无疑会加剧用电负荷、扩大峰谷差,给电网安全带来挑战，而通过电动汽车与楼宇储能、充电桩的相互协同，将能有效解决楼宇因充电带来的负荷挑战。美国太平洋天然气电力公司(PG&E)与宝马公司曾通过选取 100 辆宝马 i3 进行为期 18 个月的“需求响应”实验项目：当 PG&E 面临较大用电压力、有降低负荷需求时，会通过宝马公司向这 100 辆选中的宝马 i3 用户发出停止充电请求，用户可根据意愿选择接受或拒绝。对于选择接受的用户，宝马公司会通过远程终止其充电进程，并给予相应的奖励。此外，该项目还利用宝马电动汽车拆卸下来的电池，作为静态储能装置，在非峰荷时段吸收、贮存可再生电力，并在需求增长的时段向电网提供这部分被事先贮存的电力。这项实验一定程度上证明了电动汽车电池通过“移峰填谷”缓解电网压力的可能性。
远景也正在进行这样的探索：他们正在欧洲与几大电网公司、电力传输公司、电动汽车公司以及能源服务公司一起，打造一个实现泛欧洲领域电动汽车与电网群智协同（Crowd Balancing）的实验平台。未来，将有更多个体终端用户加入到这个平台，主动参与到电力系统的平衡中去。
张雷表示，远景在能源行业有很深的理解，对以电、交通等有网络‘流’特性的领域有着自身的优势。“物联与机器的进化和社交，是需要场景驱动的，我们在应用场景上有着深厚的经验和理解。”远景也在落地实践不同的“机器网络”场景，从风机、电池等能源系统，到楼宇内的各个智能体系间的“小场景”，扩展至从能源生产端到消费端的宏观网络，甚至到更大的智慧城市的协同。
现在，远景智能物联操作系统 EnOS 正在为新加坡政府机构提供智能物联网平台支持。2018 年 10 月，远景下属远景智能中标新加坡政府科技局(GovTech) 的物联网开发平台(DECADA)项目。新加坡所有政府机构都将基于 EnOS 智能物联操作系统，开发覆盖交通、政务、能源、通信、人力资源等众多领域的应用，成为新加坡实现“智慧国度 2025”战略计划的一部分。
图 智慧国度新加坡(图片来源：远景科技集团)
对于新加坡项目的进展情况，相关负责人在采访环节表示，目前，相关部门正基于 EnOS，实现新加坡组屋、建筑工地、商业楼宇等公共区域的传感器接入、数据处理和软件开发，有效帮助整合各个政府部门的“孤岛”数据库， 通过分析、预测和数据优化，更好面向各类工作场景开发智能物联应用与服务。
智能到社交，从技术飞跃到落地各类场景，这也验证了 Michael Wooldridge 教授对多智能体系在新机器时代中的预想：任何独立的能够思想并可以同环境交互的实体都可以抽象为智能体，多智能体之间的社交互动将充斥在各类场景之中。而这也正是人工智能的未来。