從語音識別系統(tǒng)到自助停車等人工智能領域，“機器學習”的最新進展總能吸引大眾的眼球。
所謂機器學習，就是讓計算機在數(shù)據(jù)庫中搜索特定模型從而獲得新技能，以及讓自主機器人對所處環(huán)境建立行為模型。傳統(tǒng)機器學習方法，需要把訓練數(shù)據(jù)集中于某一臺機器或是單個數(shù)據(jù)中心里。
但是，這種建模在集群機器人協(xié)同工作中變得非常復雜。這些機器人可能集體搜集到很完美的、但對單個機器人毫無用處的模型。針對這一問題，有研究人員進行了一個實驗，在這個實驗中，研究人員運用了分布式運算方案，這一方案優(yōu)于目前流行的將數(shù)據(jù)聚合在單個位置的標準算法。
“單個計算機需要從巨型批處理數(shù)據(jù)庫學習建模以處理難題，但在糟糕的處理方案出現(xiàn)時，它們通常會卡殼。如果小數(shù)據(jù)塊被單個計算機預先處理再整合，最后建立的模型則很少出現(xiàn)卡殼現(xiàn)象。”麻省理工學院航空航天專業(yè)畢業(yè)生特雷沃·坎貝爾在與導師喬納森·豪爾·理查德·科克馬克勞林教授共同寫的一篇論文中總結道。
為解海量決數(shù)據(jù)難題，谷歌等云服務巨頭還建設了規(guī)模龐大的云計算基礎設施，來對數(shù)據(jù)進行處理�，F(xiàn)在，為利用移動設備上的人機交互來訓練模型，谷歌發(fā)明了一個新名詞——Federated Learning。谷歌表示，這會是機器學習的另一大未來發(fā)展方向。
什么是 Federated Learning？它的意思是“聯(lián)合學習”，即能使多臺智能手機以協(xié)作的形式，學習共享的預測模型。與此同時，所有的訓練數(shù)據(jù)保存在終端設備。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)模機器學習的必要前提。
而同樣的數(shù)據(jù)處理難題也發(fā)生在深度學習領域。迄今為止的深度學習分析系統(tǒng)，都只能運行在單臺服務器上；用例僅僅是不能通過添加更多服務器來擴展而已，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習軟件開發(fā)路線，不久之后深度學習負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，供認知和AI開發(fā)者打造更準確的AI模型，發(fā)展更好的預測。該軟件將有助于縮短AI模型訓練時間，可從數(shù)天乃至數(shù)周，縮短至數(shù)小時。
隨著分布式機器學習、分布式深度學習的發(fā)展，分布式機器人開始走進智能工廠。分布式機器人控制系統(tǒng)可以減輕負擔，提升本地化設備運行效率，未來工廠中分布式機器人將會變得更加重要。
分布式機器人是一項具有挑戰(zhàn)性的工程，從AI的角度來說，工程師必需考慮機器人之間可以互相作用，機器人不是單獨作業(yè)，需要對周邊環(huán)境的變化作為反應。目前分布式機器人正處于初始階段，或許要經(jīng)歷很長一段時間的發(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。
