從語音識別系統(tǒng)到自助停車等人工智能領(lǐng)域，“機(jī)器學(xué)習(xí)”的最新進(jìn)展總能吸引大眾的眼球。

　　所謂機(jī)器學(xué)習(xí)，就是讓計(jì)算機(jī)在數(shù)據(jù)庫中搜索特定模型從而獲得新技能，以及讓自主機(jī)器人對所處環(huán)境建立行為模型。傳統(tǒng)機(jī)器學(xué)習(xí)方法，需要把訓(xùn)練數(shù)據(jù)集中于某一臺機(jī)器或是單個(gè)數(shù)據(jù)中心里。

　　但是，這種建模在集群機(jī)器人協(xié)同工作中變得非常復(fù)雜。這些機(jī)器人可能集體搜集到很完美的、但對單個(gè)機(jī)器人毫無用處的模型。針對這一問題，有研究人員進(jìn)行了一個(gè)實(shí)驗(yàn)，在這個(gè)實(shí)驗(yàn)中，研究人員運(yùn)用了分布式運(yùn)算方案，這一方案優(yōu)于目前流行的將數(shù)據(jù)聚合在單個(gè)位置的標(biāo)準(zhǔn)算法。

　　“單個(gè)計(jì)算機(jī)需要從巨型批處理數(shù)據(jù)庫學(xué)習(xí)建模以處理難題，但在糟糕的處理方案出現(xiàn)時(shí)，它們通常會卡殼。如果小數(shù)據(jù)塊被單個(gè)計(jì)算機(jī)預(yù)先處理再整合，最后建立的模型則很少出現(xiàn)卡殼現(xiàn)象。”麻省理工學(xué)院航空航天專業(yè)畢業(yè)生特雷沃·坎貝爾在與導(dǎo)師喬納森·豪爾·理查德·科克馬克勞林教授共同寫的一篇論文中總結(jié)道。

　　為解海量決數(shù)據(jù)難題，谷歌等云服務(wù)巨頭還建設(shè)了規(guī)模龐大的云計(jì)算基礎(chǔ)設(shè)施，來對數(shù)據(jù)進(jìn)行處理。現(xiàn)在，為利用移動設(shè)備上的人機(jī)交互來訓(xùn)練模型，谷歌發(fā)明了一個(gè)新名詞——Federated Learning。谷歌表示，這會是機(jī)器學(xué)習(xí)的另一大未來發(fā)展方向。

　　什么是 Federated Learning?它的意思是“聯(lián)合學(xué)習(xí)”，即能使多臺智能手機(jī)以協(xié)作的形式，學(xué)習(xí)共享的預(yù)測模型。與此同時(shí)，所有的訓(xùn)練數(shù)據(jù)保存在終端設(shè)備。這意味著在 Federated Learning的方式下，把數(shù)據(jù)保存在云端，不再是搞大規(guī)模機(jī)器學(xué)習(xí)的必要前提。

　　而同樣的數(shù)據(jù)處理難題也發(fā)生在深度學(xué)習(xí)領(lǐng)域。迄今為止的深度學(xué)習(xí)分析系統(tǒng)，都只能運(yùn)行在單臺服務(wù)器上;用例僅僅是不能通過添加更多服務(wù)器來擴(kuò)展而已，這背后有些深層次的原因。

　　不過這一切都成為了歷史。8月8日，IBM宣稱，已找到新的分布式深度學(xué)習(xí)軟件開發(fā)路線，不久之后深度學(xué)習(xí)負(fù)載分布式處理不再是夢。同日，IBM發(fā)布了其 Power AI 軟件貝塔版，供認(rèn)知和AI開發(fā)者打造更準(zhǔn)確的AI模型，發(fā)展更好的預(yù)測。該軟件將有助于縮短AI模型訓(xùn)練時(shí)間，可從數(shù)天乃至數(shù)周，縮短至數(shù)小時(shí)。

　　隨著分布式機(jī)器學(xué)習(xí)、分布式深度學(xué)習(xí)的發(fā)展，分布式機(jī)器人開始走進(jìn)智能工廠。分布式機(jī)器人控制系統(tǒng)可以減輕負(fù)擔(dān)，提升本地化設(shè)備運(yùn)行效率，未來工廠中分布式機(jī)器人將會變得更加重要。

　　分布式機(jī)器人是一項(xiàng)具有挑戰(zhàn)性的工程，從AI的角度來說，工程師必需考慮機(jī)器人之間可以互相作用，機(jī)器人不是單獨(dú)作業(yè)，需要對周邊環(huán)境的變化作為反應(yīng)。目前分布式機(jī)器人正處于初始階段，或許要經(jīng)歷很長一段時(shí)間的發(fā)展，但總有一天它會成為智能工廠乃至智慧城市的重要組成部份。