从语音识别系统到自助停车等人工智能领域，“机器学习”的最新进展总能吸引大众的眼球。
所谓机器学习，就是让计算机在数据库中搜索特定模型从而获得新技能，以及让自主机器人对所处环境建立行为模型。传统机器学习方法，需要把训练数据集中于某一台机器或是单个数据中心里。
但是，这种建模在集群机器人协同工作中变得非常复杂。这些机器人可能集体搜集到很完美的、但对单个机器人毫无用处的模型。针对这一问题，有研究人员进行了一个实验，在这个实验中，研究人员运用了分布式运算方案，这一方案优于目前流行的将数据聚合在单个位置的标准算法。
“单个计算机需要从巨型批处理数据库学习建模以处理难题，但在糟糕的处理方案出现时，它们通常会卡壳。如果小数据块被单个计算机预先处理再整合，最后建立的模型则很少出现卡壳现象。”麻省理工学院航空航天专业毕业生特雷沃·坎贝尔在与导师乔纳森·豪尔·理查德·科克马克劳林教授共同写的一篇论文中总结道。
为解海量决数据难题，谷歌等云服务巨头还建设了规模庞大的云计算基础设施，来对数据进行处理。现在，为利用移动设备上的人机交互来训练模型，谷歌发明了一个新名词——Federated Learning。谷歌表示，这会是机器学习的另一大未来发展方向。
什么是 Federated Learning?它的意思是“联合学习”，即能使多台智能手机以协作的形式，学习共享的预测模型。与此同时，所有的训练数据保存在终端设备。这意味着在 Federated Learning的方式下，把数据保存在云端，不再是搞大规模机器学习的必要前提。
而同样的数据处理难题也发生在深度学习领域。迄今为止的深度学习分析系统，都只能运行在单台服务器上;用例仅仅是不能通过添加更多服务器来扩展而已，这背后有些深层次的原因。
不过这一切都成为了历史。8月8日，IBM宣称，已找到新的分布式深度学习软件开发路线，不久之后深度学习负载分布式处理不再是梦。同日，IBM发布了其 Power AI 软件贝塔版，供认知和AI开发者打造更准确的AI模型，发展更好的预测。该软件将有助于缩短AI模型训练时间，可从数天乃至数周，缩短至数小时。
随着分布式机器学习、分布式深度学习的发展，分布式机器人开始走进智能工厂。分布式机器人控制系统可以减轻负担，提升本地化设备运行效率，未来工厂中分布式机器人将会变得更加重要。
分布式机器人是一项具有挑战性的工程，从AI的角度来说，工程师必需考虑机器人之间可以互相作用，机器人不是单独作业，需要对周边环境的变化作为反应。目前分布式机器人正处于初始阶段，或许要经历很长一段时间的发展，但总有一天它会成为智能工厂乃至智慧城市的重要组成部份。
180-0586-8797