如同互聯網改變了人與人、人與數字世界之間的互動一樣，以CPS為核心思維的物聯網將改變人與物、物與物，乃至物理世界與數字世界之間的互動方式。而作為CPS背後一項重要的使能技術：信息物理計算（CPC，Cyber-Physical Computing），卻很少有人提及。在這篇文章中，我將圍繞絕少被人提及的信息物理計算CPC，為你介紹一些物聯網的前沿研究方向以及最新實踐。
這是我在【物女心經】專欄寫的第94篇文章。
在《看懂CPS，才能真正撬動物聯網的萬億級市場》一文中我曾經提到，如果你把物聯網作為新技術，可以開發一些創新硬件和方案，撬動百億級的市場；如果你把物聯網作為方法論，可以用它變革傳統行業與流程，撬動千億級的市場；如果你把物聯網作為思維方式，有可能改變整個物理世界的互聯方式，撬動的是不止萬億級的市場。
信息物理系統CPS更為本質的意義在於，它或將成為物聯網互聯與改造整個物理世界的一項底層思維基礎。如同互聯網改變了人與人、人與數字世界之間的互動一樣，以CPS為核心思維的物聯網將改變人與物、物與物，乃至物理世界與數字世界之間的互動方式。
而作為CPS背後一項重要的使能技術：信息物理計算（CPC，Cyber-Physical Computing），卻很少有人提及。簡單的說，CPC是一系列計算技術的統稱，它們具有相同的特性，都是基於非確定性的動態計算。從計算的角度來看，CPC超越了基於馮·諾依曼架構的確定性計算領域，可以實現硬件、軟件和網絡的非確定性自適應控制，緊急情況的動態響應，以及時間敏感條件下的敏捷計算。
這周剛好看到Fortune的一篇反諷文章《特朗普正在幫助中國的科學研究再創輝煌》，不由引發了我關於物聯網科研現狀的一些思考。有哪些關於IoT領域的科學研究還沒有被引起足夠重視？國外有哪些值得借鑑的科研與產業相結合的應用實踐？科研作為市場發展的領航者之一，會將物聯網的下一站引到何處？
因此在這篇文章中，我將圍繞絕少被人提及的信息物理計算CPC，為你介紹一些物聯網的前沿研究方向以及最新實踐。
從CPS信息物理“系統”到CPC信息物理“計算”
先從一個例子說起，1927年，當林德伯格首次在歷史上成功完成橫跨大西洋的單人不著陸飛行時，他駕駛的飛機是單引擎飛機聖路易斯精神號，那時的飛行控制僅僅通過監測幾個傳感器來實現，憑藉林德伯格一己之力就能完成。而如今的空客A380飛機，需要監測的傳感器數量有數千個，遠非人力可及，這就對控制系統的內部設計提出了更高的要求：它須在駕駛員面前隱藏大量設備的複雜性，他只需要處理有限數量的控制指令來駕駛飛機，而大量的感知數據和關鍵指標通過系統的自動化程序進行處理。
未來CPS系統的複雜性還會再度提升，目前物聯網各行業各場景對於大量複雜計算的實時性、面對非確定性以及環境變化多端時的自適應性，都對處理系統提出了更高的要求，而這一切需要通過CPS背後的重要使能技術信息物理計算CPC進行滿足。
信息物理系統CPS的各種需求
1、馮·諾依曼系統結構是建立在預先設定的確定性基礎之上，更適用於經典控制和循序計算，而對於充滿不確定性以及大量高速計算的未來場景，馮·諾依曼系統結構正在經受越來越多的挑戰。
按照馮·諾伊曼的設計思想，將計算機清晰地分為計算器、控制器、存儲器（和輸入輸出設備）幾個部分，計算模塊和存儲單元是分離的，CPU在執行命令時必須先從存儲單元中讀取數據。
舉個例子，每一項任務，如果有10個步驟，那麼CPU會依次進行10次讀取、執行、再讀取、再執行…這就造成了延時，以及大量功耗（80%）花費在了數據讀取上。當然，多核、多CPU或一些常用數據的就地存儲會一定程度上緩解這些問題，但這種中心處理的架構必然是處理能力提升的一大瓶頸。
因此目前許多人工智能芯片正在嘗試突破馮·諾依曼系統結構，設計善於靈活滿足神經網絡結構的特定處理器。
2、信息物理融合系統是一個反應式自適應系統，可以動態修改自身行為和結構，以響應變化與環境，持續不斷的進行從輸入到輸出的交互，應對物理世界的動態性和不確定性因素的持續增長。
例如，汽車的巡航控制程序就是一個經典的反應式計算實例，其中的物理設備要求對物理量進行動態建模，並要求系統能夠持續的自適應演化以應對環境中的不確定性。傳統的控制理論只關注連續時間系統，而在CPS信息物理系統中組成控制系統的軟件是看似零散的，由可併發的執行機構組成，它們可能有多種運行時模型，並且能夠與連續演化的實際物理設備進行交互。
在現有的研究工作中，基於多智能體和基於模型的自適應是廣泛使用的方法。
- 多智能體系統（Multi-Agent System，MAS）是由環境中交互的多個智能體組成的計算系統，它是分佈式人工智能的一個重要分支，目標是將大而複雜的系統建設成小的、彼此互相通信和協調的，易於管理的系統。
- 基於運行時模型（[email protected]） 的自適應方法將模型驅動工程MDE技術的應用從設計時擴展到運行時，利用軟件模型對運行時豐富和不確定的信息進行管理，以支持自適應能力的實現。
上面這些術語是不是有些燒腦，我儘量通過鮮活的例子依次進行說明。
基於多智能體的自適應系統
還記得我曾經提到過的那個“不務正業”的公司Festo嗎？最近幾年，Festo總是在德國漢諾威展會上“搞事情”，接連推出一系列仿生學產品，例如：機器鳥、機器章魚、機器昆蟲、機器大水母之類。而且這些動物機器人“家族”的成員不斷壯大，大有成群結隊的趨勢，比如一群可以協同工作的機器螞蟻，以及一批具有昆蟲輕盈性的蝴蝶機器人。
Festo在一份說明中寫道：“這些仿生機器人在明確的規則下一起工作，它們彼此溝通，協調行為和動作，每個機器螞蟻雖然自主決策，但總是服從於共同目標，就像自然界的螞蟻一樣。”
這些“動物”的控制與執行單元，都搭載了最新一代的數字式氣動運控終端。每個機器動物都包含n個關節，分別對應n個自由度，每個關節都包括氣動旋轉葉輪模組、絕對值編碼器、壓力傳感器、可調節軸承等元件。面對如此複雜的系統，實現如此複雜的動作，其動力控制機構僅是一套數字式氣動運控終端。
內行一眼就可以看出，這款產品堪稱革命性的氣動運控代表，它通過數字化將連接到各類氣動執行機構的動力控制硬件減少、減少、再減少…最終徹底減少到只剩一種。
看“熱鬧”的圍觀群眾估計會認為它們只是一堆外形奇特的氣動“大玩具”，概念和炫技的成分超出了產品本身的實用價值，其實隱藏在這些具有群體智能的仿生機器人背後的“統帥”就是多智能體系統（Multi-Agent System，MAS）。
在上週的文章中，我曾經提到第2代CPS中包含兩個交織的計算週期：
1. 基本週期：包括從傳感à監控à決策à推理à計劃à執行à效用的閉環
2. 增強週期：包括從推理à學習à適應à進化的閉環
MAS中借鑑了上述兩個計算週期的思路，並且將智能工廠中的最底層“車間現場層”分為多類智能體，比如加工智能體（M）代表工廠中執行加工或檢測任務的機器，傳輸智能體（C）代表傳送帶、自動導引車AGV等運輸設備，產品智能體（P）代表正在加工中的產品，緩衝智能體（S）代表臨時儲存半成品的銜接設備…在MAS中，設計與定義了這些智能體之間的協作與談判機制。
通過合作，這些智能體嘗試自適應的調整行為，以便實現系統的整體目標。由於受到本地信息不對稱的限制，單個智能體做出的決策有可能無法保證系統整體的性能最佳，這時預先定義的“協調員”（Coordinator）模塊就會發揮作用。
協調員與多個智能體通訊，掌握多種狀態和過程信息，從大量的實時信息中提取智能工廠的全局狀態，並將通過大數據分析之後的決策反饋給各個智能體，協調多智能體系統的行為，達到全局最優化。
用於智能製造的多智能體系統
由於MAS既需要確保智能體之間的通訊，還需要確保物理設備之間的實時互聯，因此IEC 61131-3和IEC 61499標準是必不可少的底層支持。其中，IEC 61131-3是IEC 61131標準的第3部分，用於規範可編程邏輯控制器PLC、過程控制系統DCS、工控機IPC、數控機床CNC和SCADA編程系統的標準；IEC 61499是用於分佈式工業過程測量與控制系統功能塊的標準。
多智能體系統與IEC 61131-3結合使用
作為最新趨勢，多智能體系統MAS正在朝著自組織的方向邁進，同時由於面向服務的體系結構SOA（service-oriented architecture）是構造分佈式計算應用程序的方法，被認為是實現CPS智能工廠和智能生產的最佳技術途徑，SOA與MAS的融合也成為發展方向之一。構建面向服務的多智能體系統（SOMAS），不僅服務之間可以通過網絡調用，而且分佈式多智能體自動滿足SOA原則。
CPS中的自組織多智能體系統
基於運行時模型的自適應系統
普適計算的興起促使數字世界與物理世界進一步融合，整個系統尤其是軟件部分的自適應能力愈發重要。具備自適應能力的軟件系統能夠在運行時根據上下文環境和需求的變化動態地調整自身的結構和行為。
自適應軟件通常包括被管理元素和管理元素兩個部分，其中，被管理元素是指自適應軟件的應用邏輯，這部分可以在運行過程中被動態地加以調整；管理元素是指自適應軟件的自適應邏輯，這部分通常通過反饋迴路對應用邏輯進行調控。一種典型的反饋迴路是由IBM提出的MAPE-K迴路。該反饋迴路包括4個環節，即監測、分析、規劃和執行，以及一個被各過程共享的知識庫。
IBM提出的自治元素參考結構
在基於模型的自適應方法中，MAPE-K迴路中的各過程都以模型為中心進行。由於利用軟件模型來開發和管理自適應軟件系統能夠有效地解決運行時的複雜性問題，有觀點認為模型驅動工程（Model DrivenEngineering，MDE）將成為CPS開發的主流，是一個非常熱門的研究領域，基於運行時計算模型（[email protected]）的自適應方法利用並擴展了模型驅動工程MDE中的模型和技術。
基於模型驅動工程MDE的CPS開發流程
這裡所說的一個模型，是一個與系統有因果聯繫的系統的抽象表示，從問題空間的角度對系統的結構、行為或需求進行了刻畫，下面視頻中的路燈控制系統就是基於MDE的物聯網應用實例。
基於運行時計算模型（[email protected]）的自適應方法對傳統的模型驅動工程中的模型進行了擴展，將模型的應用從設計階段擴展到運行階段。與模型驅動工程中的模型類似，運行時模型也是與系統有因果聯繫的系統的抽象表示，刻畫了系統的結構、行為或者目標。因為這樣的因果聯繫，模型可以提供及時和明確的信息以驅動後續的自適應分析和規劃，在模型層次做出的自適應規劃也可以被追蹤到系統中。
與模型驅動工程MDE中的模型從解決方案空間出發不同，運行時模型（[email protected]）從問題空間的角度對系統進行刻畫。該模型可以被視為一個在運行時仍然活動的開發模型，通常支持動態演化、在線推理、動態狀態監測、系統控制、系統行為觀察、製品的自動生成、設計決策的新增等。
新舊系統的逐步遷移是必須考慮的一環
作為落地實踐中的重要步驟，如果不考慮現有系統的遷移問題，就無法將上述提及的MAS、SOMAS、MDE、[email protected]等範例滲透到現實系統環境當中。
目前的絕大多數系統遵循ISA 95企業參考架構規範（www.isa95.org）進行設計，而在不遠的將來，傳統的金字塔架構將成為歷史。更高的連接性和更強的靈活性需求，正在觸發金字塔架構向平展化的趨勢演進。
這種從傳統的分層管理到扁平化分佈式控制的遷移過程充滿諸多挑戰，一方面服務提供商和服務消費者的角色會有一定程度的交替，另一方面需要打破過去由企業競爭造成的人為邊界。
歐洲創新項目IMC-AESOP中，充分利用了SOA和雲平臺等現代架構來提升企業的運營能力，同時對系統的遷移問題進行了有益的探索。
IMC-AESOP兼顧ISA 95中金字塔架構中的各種元素，同時將其與扁平化的現代系統趨勢相輔相成，通過工程實踐增強兩者之間的可集成性。IMC-AESOP將ISA 95規範中的功能拆解為可以在邊緣側或者雲端提供的服務模塊。最終用戶可以輕鬆的將特定場景所需的功能和服務進行搭配，免除了ISA 95各個層級中系統集成的困擾。
IMC-AESOP項目中實現CPS的系統遷移視圖
如圖所示，IMC-AESOP提出了一種面向服務的架構，通過將流程服務化，業務軟件雲化，更好的滿足最終用戶的應用需求，同時保留了傳統軟件設計、操作、管理等方面的各種有益特性，快速部署和實現現代快節奏的工業環境下所需的創新應用。此外，模塊化和基於服務的基礎架構充分考慮了靈活性的需求，可以隨時間推移逐步演變，以便適應未來的潛在需求。
目前，在CPC信息物理計算領域，科研和應用的彼此結合越來越緊密，與IMC-AESOP相仿的創新項目還有許多，它們各自在SOA、MAS、自適應生產管理、[email protected]等領域進行著持續的嘗試。
本文所述的研究工作大多圍繞打造系統的自適應能力開展，因為在充滿非確定性的現實世界，自適應能力是系統能夠實現部分自治，完成自主響應，滿足業務環境靈活性與多變性的必備手段。無論是CPS還是CPC，都需要來自跨越產、學、研、用等多個領域，跨越電子、計算機、自動化等多種學科的企業與資源互相合作，才能取得學術突破以及實踐反哺。希望本文能為你揭開物聯網產業核心新技術的一葉視角。
最後，由衷感謝阿里智聯網首席科學家丁險峰在成文過程中對我的大力支持。
本文小結：
1.信息物理計算（CPC，Cyber-PhysicalComputing）是CPS背後一項重要的使能技術，它是一系列計算技術的統稱，共性是基於非確定性的動態計算。
2. 由於CPS系統的複雜性快速顯著提升，對於大量複雜計算的實時性、面對非確定性以及環境變化多端時的自適應性，都提出了更高的要求，多智能體系統（Multi-Agent System，MAS）和基於運行時模型（[email protected]）的自適應計算是CPC的重要分支。
3.作為落地實踐中的重要步驟，新舊系統的逐步遷移是必須考慮的一環，面向服務的架構兼顧ISA 95中金字塔架構中的各種元素，同時將其與扁平化的現代系統趨勢相輔相成，最終用戶可以輕鬆的將特定場景所需的功能和服務進行搭配，免除了ISA 95各個層級中系統集成的困擾。
閱讀更多 優管網 的文章
