智能系统工程（Intelligent Systems Engineering, 简称 ISE）的概念由涂序彦教授最早提出[1]。他从学科交叉角度将智能系统工程定义为人工智能与系统工程相结合的新学科，其概念涵义可用下式表示： + → 式中， 代表“人工智能”，+ 表示“学科交叉”， 代表“系统工程”， → 表示“产生”， 代表“智能系统工程”。

　　智能系统工程学科的科学内涵可从多方面理解，由于包含智能、系统、工程三个主题词，因此既有智能科学的性质，又有系统科学的属性，同时兼有工程技术的特点。

　　智能系统工程（ISE）、系统工程（SE）和人工智能（AI）虽然有重叠之处，但各自具有独特的定义、目标和应用领域。

　　①系统工程智能化：系统工程与人工智能相结合可以提高现有系统工程的智能化水平，主要研究解决系统工程所面临问题的智能化方法和技术，实现系统工程的智能化。典型问题包括数学模型的局限性、优化方法的矛盾性、定量分析的片面性、原始数据的粗糙性、自然信息的多样性等。

　　②智能系统工程化：在研究开发智能系统理论方法与实现技术的基础上，加强智能系统的工程化、实用化、应用化，提供工程化、应用化、实用化的智能系统工程化方法和技术，实现智能系统工程化。

　　③工程系统智能化：随着系统工程的理论方法和实现技术的广泛应用，在工程技术、社会经济、生物生态等各领域形成了各种工程系统。将人工智能的理论方法和实现技术应用于各种工程系统，提供工程系统的智慧化解决方案，实现工程系统智能化。

　　从智能系统工程的学科定义看，智能系统工程范畴由系统工程和人工智能共同界定。系统工程本身聚焦复杂工程系统的设计与开发，通过对系统生命周期不同阶段问题的分析、建模、仿真与优化求解，寻求最佳解决方案，以满足系统的功能需求和性能要求。系统工程涉及的共性理论方法包括系统论、控制论、信息论、运筹学、计算科学与技术等，同时结合具体系统对象的领域范畴往往还涉及机械、电子、人机工效学、经济学、社会学、心理学等不同学科。

　　从系统工程到智能系统工程的转换涉及将传统的系统设计、实施和管理方法与人工智能技术融合集成。在构建目标系统过程中，这种整合需要在系统规划、设计、实施和维护的每一阶段考虑人工智能技术应用。下面是智能系统工程构建目标系统的一般步骤：

　　①需求分析：在系统工程的任何项目中，首先需要明确系统的需求和目标。这涉及到与利益相关者的沟通，明确他们的需求和预期，以及系统应该实现的功能和性能标准。为了提高系统智能水平，需要确定哪些功能可以通过 AI 技术增强，例如智能感知与识别、智能推理与决策、智能控制等。

　　②系统设计：明确需求后，设计者进行系统的概念设计和详细设计，包括选择合适的技术、功能设计、架构设计和接口设计。从智能系统的角度出发，设计过程应该考虑数据的流向、处理和存储，以及如何集成机器学习模型或 AI 代理。例如，考虑使用哪种类型的传感器、如何集成数据湖或实时数据处理平台等。

　　③系统开发与实施：系统开发包括编写代码、集成各个系统组件以及进行初步测试。这一阶段通常需要软件工程和硬件工程的密切合作。开发中需要考虑模型的训练和验证，确保 AI 组件能够在实际环境中有效运行。此外，还需要考虑系统可扩展性和安全性，尤其是数据安全和隐私保护。

　　④验证与测试：系统开发完成后，需要进行全面测试来验证系统是否满足设计规格和用户需求。这包括功能测试、性能测试、安全测试等。智能系统需要额外的测试，如模型的泛化能力测试、不同场景下的自适应能力测试以及持续学习能力评估。

　　④部署与维护：系统部署后，进行实际运行和监控，确保系统稳定运行，并根据需要进行调整和优化。对于智能系统，重要的是监控其性能和学习进度，以及定期更新 AI 模型以适应新的数据和环境变化。维护阶段还包括对 AI 决策逻辑审核，确保其遵守伦理和法规要求。

　　在从系统工程到智能系统工程的过渡中，关键是理解如何将智能技术融入传统的工程实践中，以提升系统的性能和灵活性。这通常要求跨学科的知识和团队合作，包括数据科学家、软件工程师、系统分析师和领域专家的共同努力。通过这种合作，可以构建出能够自主学习和适应的高效智能系统。

　　智能系统工程的发展历史涉及多个领域的融合，主要包括人工智能、机器学习、控制理论、计算机科学和其他相关技术。下面是智能系统工程的几个关键发展阶段的简要概述[8]。

　　1956 年，达特茅斯会议标志着现代人工智能研究的正式开始，会议中讨论了机器学习、自动推理和语言处理等概念。在 20 世纪 50 年代到 70 年代，控制理论尤其是自动控制技术得到迅速发展，为后来20的智能系统工程奠定了基础。

　　随着计算机技术的进步，尤其是处理速度和存储能力的提高，更复杂的算法和模型开始实用化，计算能力得到飞跃式提升：1980 年代，反向传播算法的重新发现使得神经网络研究再次兴起，机器学习开始作为一个独立领域发展。

　　数据科学的兴起以及更高级的机器学习技术（如支持向量机、随机森林等）的开发，使得智能系统可以处理和分析前所未有的数据量。随着物联网技术的发展，智能系统开始在更广泛的环境中部署，包括工业自动化、智能家居和城市管理。

　　2012 年，AlexNet 在 ImageNet 挑战赛中的成功标志着深度学习在视觉识别任务中的重大突破。此后，深度学习在语音识别、自然语言处理等多个领域取得了显著成就。随后，人工智能开始广泛应用于汽车、医疗、金融服务等多个行业，智能系统工程成为关键技术。

　　从智能系统工程有关学科的发展过程来看，智能系统工程的发展是技术进步、学术研究和行业需求三者相互作用的结果，不断地推动着边界的拓展。今天，这一领域仍在快速进化中，持续为我们的生活和工作方式带来变革。

　　通常系统工程的理论方法以运筹学为主要基础，包括规划论、对策论、决策论、博弈论、库存论、排队论等，它采用的数学模型是以优化方法为中心的，侧重于定量的、稳态系统分析的理论方法。当前，智能系统工程面临着诸多难点问题和新的挑战。

　　系统工程常用的数学模型有代数方程、微分方程、差分方程等，这类系统描述方法有很大程度的局限性，主要表现在许多实际的系统不能或难以建立数学模型。例如，如何建立人的数学模型？如何定量地描述人的思维语言、知识、经验和行为？然而，人是系统工程中的主导因素，是系统模型化中必须考虑的描述对象，是系统分析、系统设计中的关键问题。忽视或轻视人的因素，可能是导致系统工程理论方法在应用中失败的重要原因。

　　最优化通常是系统工程的追求目标和中心任务。但是，基于数学模型的优化方法在理论应用上都存在问题。因为只有线性代数方程、线性微分方程在数学上才有通用的解析方法，所以只有线性系统的优化问题存在有效、通用的优化方法。然而，实际系统的数学模型往往是非线性的，缺乏通用的、有效的解析方法。为了便于求解，将数学22模型简化为线性方程，但模型与实际系统的误差太大，可能使优化解无法实用。这里，存在方法有效性与模型准确性之间的矛盾。

　　系统工程采用定量分析是必要的，然而现实问题往往仅通过定量分析是解决不了的，缺少定性分析的系统工程方案存在片面性。从认识论观点来看，人们对客观世界的全面、正确认识，来自定性与定量相结合、宏观与微观相结合、动态与稳态相结合、长远与近期相结合的分析。如果在系统工程分析中，忽视必要的定性分析，例如，缺少基于专业知识和专家经验的关于人的因素、物理规律、经验法则、社会关系、生态环境等方面系统特性的定性分析，可能导致原则性错误。系统模型、系统设计、系统评价，都需要基于合理的、可靠性的系统定性分析，否则，即使采用最先进的计算机，进行精确的定量分析也难以见效。

　　智能系统工程设计需要将智能技术应用集成到系统各个部分，以增强系统功能并实现自动化和优化。这个设计过程不仅包括了传统系统工程的要素，还增加了智能功能的设计和实现。

　　系统模型是系统分析、系统设计、系统仿真的依据和工具，是系统工程的基础。涂序彦教授针对大系统的建模，提出了一套综合多种不同方法的广义模型。针对智能系统的建模，应考虑多种模型的综合运用。

　　系统分析是对客观世界的认识过程，是对已有系统进行定性或定量、宏观或微观、动态或稳态、长远或近期分析的智能活动，从而对系统当前的运行状态进行剖析，对系统过去的历史进程进行总结，对系统未来的发展前景进行预测，对系统的整体性能进行全面评估，如技术性能、经济指标、社会效益、生态影响、军事意义等，为系统的进化与发展提供科学依据。

　　智能系统分析方法是人工智能与系统分析方法相结合的、基于广义模型的、具有人工智能的系统分析方法。人们对客观世界的全面认识过程应当是定性与定量、客观与微观、稳态与动态、近期与长远相结合的认识过程，而不是相分离的认识过程。当然，这种结合并不一定要求是时间同步的，而且，人们通常采取先定性、后定量，先宏观、后微观，先稳态、后动态，先近期、后长远的认识过程，以便对客观世界进行由表及里、由此及彼、去粗取精、去伪存真的、从感性认识到理性认识。因此，具有人工智能的系统分析方法首先应当具有拟人认识过程的智能特性。

　　系统综合是对客观世界的改造过程，是对待建的系统进行规划、设计、控制、管理、指挥、决策的智能活动。在系统分析的基础上进行系统综合，其任务是对新建或改建的系统进行合理规划与设计，高效控制与管理，正确指挥与决策。其中心问题是实现系统的最优化，包括最优规划、最优设计、最优控制、最优管理、最优指挥、最优决策等。其目的是建造最优化系统，实现系统最优化运行。但是，由于实际系统工程中数学模型的局限性、优化方法的矛盾性、原始数据的粗糙性、自然信息的多样性、定量分析的片面性等问题，数学上严格的最优化系统，实际上往往难以实现，或者缺乏实用价值。

　　系统仿真或系统模拟是利用系统模型对真实系统进行系统分析与系统综合的现代化系统工程技术，用于对系统运行状态、决策方案、发展前景进行仿真研究。同时，结合数字孪生技术还可以为系统运行和维护提供重要分析和预测手段。

　　在智能系统工程中，推理是一个关键的过程，用于实现系统的智能决策功能。智能推理可以使系统通过逻辑和数据分析从给定的信息中得出结论或决策，模仿人类的思考过程。

　　智能系统工程中的决策是关于如何设计和实现使系统能够自动执行选择最优解决方案的过程。这些决策能力是系统能够自我管理、适应环境变化，并在没有人类直接干预情况下处理复杂问题的关键。

　　智能系统工程中的控制是指使用各种技术和方法来指导系统的行为，使其能够自动化地执行任务，响应环境变化，并保持系统性能在预期范围内。智能控制系统结合了传统控制理论与现代智能技术，如机器学习和人工智能，以提高系统的自适应性、效率和智能性。

　　智能机器人是一类能够感知环境、自主完成特定任务的智能化机电系统。不同于传统工业机器人只能按照预定轨迹、程序操作,智能机器人具有感知、决策、学习、进化等智能属性,能够自主适应不确定环境,完成非结构化任务。

　　从系统架构看,典型的智能机器人系统包括感知、决策、规划、控制、执行等层级:

　　• 感知层负责获取环境信息,融合视觉、触觉、听觉等多源异构传感器数据,构建环境和任务的内部表征;

　　• 决策层负责根据感知信息和任务目标进行推理判断,制定行动策略,进行任务规划;

　　• 规划层负责生成无碰撞、最优的运动轨迹,满足Kaiyun股份有限公司运动学、动力学约束,实现目标位置姿态;

　　• 控制层负责跟踪规划轨迹,实时调节机器人关节,补偿建模误差和外部干扰;

　　智能机器人必须在上述层级之间实现顺畅的信息流动和紧密协同。同时,智能机器人还需具备自主学习能力,在执行任务过程中不断积累经验,持续优化性能。此外,人机交互也是智能机器人的重要属性,它们需要与人自然顺畅地进行信息交换和任务协同。可以看出,构建大规模智能机器人系统是一个复杂系统工程,需要人工智能、机器人学、自动控制等多学科知识的交叉融合。

　　智能机器人系统工程涉及环境建模与感知、运动规划与控制、任务推理与决策、人机协同与交互等诸多关键技术。这些技术很多源自人工智能尤其是机器学习领域的最新进展,并结合机器人特定需求加以改进提升。

　　作为人工智能商业化落地的重要方向,智能机器人近年来得到蓬勃发展。据国际机器人联合会(IFR)统计,2019 年全球机器人市场规模达 294 亿美元,同比增长 12%。预计 2024 年,全球机器人市场规模将突破 660 亿美元，短短 5 年市场规模翻倍有余，年均增长 18%。从应用领域看,目前工业制造、商业服务、特种服务、医疗康复、智慧家庭等成为智能机器人应用的主要领域。

　　当前,新一代人工智能技术迎来爆发式增长,并与实体经济深度融合,呈现渗透性、融合性、引领性的发展特征。从 Google AlphaGo 战胜人类围棋冠军,到自动驾驶汽车在复杂城市道路的规模化测试,再到智能客服、智能助理广泛应用,人工智能正在以学习能力、推理能力、感知能力等方面的不断突破,加速向通用人工智能演进。在此趋势下,未来 5-10 年将成为智能系统发展的黄金期。一方面,在智能制造、智慧交通、智慧医疗、智慧能源等重点领域,智能化改造将全面提速。另一方面,工业互联网、车联网、能源互联网等新型基础设施建设将加快推进。人工智能作为新一轮产业变革的核心驱动力,将赋能传统行业转型升级和新兴行业加速成长,打造新的经济增长点。

　　在人工智能、大数据、5G 等新一代信息技术浪潮的推动下,系统工程正在从 1.0 时代迈向 3.0 时代。回顾系统工程发展历程:1.0 时代以自动化、信息化为标志,实现了自动流水线生产、信息集成管控等;2.0 时代以网络化、数字化为标志,实现了系统的互联互通、数字孪生。当前,智能时代的曙光已现。系统正在从单纯的物理系统走向信息物理融合的智能化系统;从静态、被动的信息交互,走向动态实时优化决策;从经验驱动,走向大数据驱动、知识引导;从孤立发展,走向开放协同、多系统集成。这是一次全方位、深层次、革命性的变革。智能系统工程作为引领变革的新兴学科,正在重塑传统系统的架构形态、演化路径和方法论,催生新的增长模式和发展范式。站在新的历史起点,智能系统工程将推动系统工程实现升维换挡、跨越发展。

　　过去,受限于建模、计算、优化等手段,系统工程往往聚焦局部、单一系统的性能提升,对全局性、关联性缺乏统筹兼顾。如今,随着大数据揭示内在联系、人工智能增强分析能力、复杂网络刻画动态演化,以及量子计算、类脑计算等新型计算范式的出现,智能系统工程正在重塑化繁为简的传统思维,开启以简驭繁的新路径。智能系统工程通过构建跨领域、跨系统的大数据平台,挖掘多源异构数据中蕴含的关联规律和演化模式,刻画复杂系统的行为特征。同时,运用人工智能技术对海量数据和复杂模型进行学习、推理,揭示涌现规律,实现从微观个体行为到宏观群体效应的一体化表征。在此基础上,智能系统工程采用因果推理、分层优化、自适应进化等方法,实现局部与整体的动态协同。多智能体群智涌现、分布式自主协同等也成为智能系统的新型能力。总之,站在更高维度重新审视系统内在规律,通过构建宏微一体、虚实融合的智能分析优化体系,实现从局部到整体、从单系统到体系化的飞跃,将是智能系统工程的重要使命。

　　系统科学、人工智能、运筹优化、管理科学等支撑智能系统发展的学科,过去存在专业分野、壁垒森严的现象。而如今,智能系统所面临的现实问题,往往具备综合集成化、动态演化性、非结构化、不完全信息等新特征,单一学科视角难以完整观照。加之,大数据、人工智能、区块链等新技术的出现,进一步推动了学科交叉融合趋势。智能系统工程作为一门新兴交叉学科,正在成为多学科协同创新的前沿阵地。

　　从复杂性基础理论看,迫切需要系统科学、人工智能、数据科学、认知科学、社会科学等多学科联合攻关,在复杂性建模、演化机理、涌现行为等方面取得新认识新突破,为复杂系统的智能化升级奠定理论基础。从智能系统工程实践看,面对不同行业领域的实际需求,需要人工智能、控制科学、优化决策、领域知识等多维视角协同求解,打造跨界融合的系统解决方案。总之,面向未来,打破学科藩篱,加速多学科交叉融合,形成智能系统独特的理论体系、技术方法和应用范式,是大势所趋。

　　过去,新技术的出现往往是系统变革的原动力。智能系统的发展,很大程度上也是由大数据、人工智能、区块链等颠覆性技术驱动的结果。然而,当智能系统日益成为国家关键基础设施、经济社会发展的新型底座,单纯依靠技术驱动显然是不够的。未来,智能系统工程要更加注重顶层设计,从国家重大需求和民生福祉改善的战略高度,前瞻谋划智能系统的功能定位、建设路线和关键布局,以需求牵引倒逼核心技术研发方向,做到关键技术无缝对接需求场景、创新成果面向国家战略。同时,智能系统作为新生事物,在发展中不可避免会遇到伦理、道德、社会影响等诸多挑战。因此,必须加快法律、标准、评估等配套保障机制建设,完善个人隐私保护、数据安全共享、算法应用监管等政策制度,加强智能系统潜在风险的评估和防控,为新兴智能系统营造包容审慎的发展环境。

　　当前,我国智能系统发展整体上还处于跟跑阶段。从基础理论看,对诸多本质性难题尚缺乏深入系统的研究。在复杂性建模方面,如何刻画开放环境下的动态性、涌现性、突变性等内在特征,提出普适性的复杂系统基础理论框架,是函待破解的难题。在类人认知智能方面,如何通过小样本快速学习、因果推理、主动知识探索,使机器获得连续学习、主动认知的新能力,是挑战之一。在人机混合智能方面,亟需探索人机协同的认知计算新模型,实现人类经验知识与机器学习能力的优势互补。在群体智能涌现方面,如何在智能体相互博弈中实现个体与群体效用的均衡,是关键科学问题。破解上述理论难题,需要从数学、物理、认知等基础学科抽象出普适性的模型,并与人工智能、复杂网络等新兴学科深度融合,构建支撑智能系统分析、设计、优化、控制的理论新体系、方法新范式。要充分发挥我国制度优势,通过国家重点研发计划等稳定支持,组织全国优势力量协同攻关,力争在智能系统基础理论研究上取得原创性突破,引领国际智能系统发展潮流。

　　面向智能系统在感知认知、分析决策、执行控制等环节的迫切需求,亟需突破一批卡脖子的关键核心技术。在智能计算芯片方面,针对智能系统在复杂场景下的低时延、低功耗、高性能计算需求,研发具备认知智能、自主学习能力的类脑芯片,在计算密度、能效比、集成度等方面取得新突破,打破传统冯·诺依曼架构桎梏。在工业级智能传感器方面,攻关极端工况适应、多模态异构集成、自诊断自校准等新技术,大幅提升传感器可靠性、灵敏度、测量精度。在智能中间件平台方面,开发安全可信、服务智能化、应用便捷化的新型操作系统和数据库系统,为行业应用提供可复用、易组合的通用智能服务和开发工具。要进一步完善产学研一体化创新机制,加强龙头企业、科研院所、高校的资源整合和目标协同,聚焦产业链供应链安全、自主可控的薄弱环节和关键领域,持续开展关键核心技术攻关,力争在若干领域率先实现0 到1的突破,早日摆脱受制于人的被动局面。

　　大规模工程实践是检验智能系统发展水平的试金石。当前,我国智能系统产业化、规模化应用还相对滞后,成功经验不多。下一步,要立足我国经济社会发展的迫切需求,聚焦智能制造、智慧交通、智慧能源、智慧医疗、智慧城市等重点领域,加快打造覆盖全生命周期的示范应用,提炼可复制可推广的成功模式。比如,在智能制造领域,选择机械、汽车、电子等优势产业,加快构建设计仿真、生产制造、经营管理、售后服务等全流程贯通的智能工厂,带动千行百业实现换道超车。在智慧交通领域,建设新一代智慧化交通基础设施,推进城市级自动驾驶、无人配送、智能调度等规模化应用,打造安全、通畅、共享的现代化立体交通网络,为建设交通强国注入新动能。同时,要高度重视智能系统的标准、测试验证和评估认证体系建设,研究建立覆盖感知层、网络层、平台层、应用层的标准规范,提供算法安全、系统安全、功能安全、网络安全等多维度的测试验证手段,加强对智能系统建设全过程的质量认证和安全监管,确保智能系统稳定、可靠、安全运行。

　　人才优势是赢得智能时代发展先机的制胜法宝。当前,既懂人工智能、大数据等前沿技术,又具备行业知识背景和过硬工程实践能力的高层次复合型人才十分稀缺。培养一支多学科交叉融合的高素质智能系统工程师队伍,是未来发展的迫切需要。要进一步完善智能系统相关学科专业体系, 加快推动人工智能、大数据等新兴学科与控制科学、管理科学等传统学科的交叉融合,优化人才培养方案。探索产学研用深度融合的协同育人新机制,鼓励科研院所、行业骨干企业与高校共建联合实验室、创新基地,为学生提供更多动手实践机会。支持高校聚焦行业应用一线,开设智能系统工程特色专业,因材施教,突出复合培养。同时,面向在职工程技术和管理人员,分领域分层次开展智能系统技术培训,建立与智能系统项目建设同步的人才培养机制。组织开展智能系统应用设计大赛、职业技能竞赛等,为各类人才脱颖而出、展现才华搭建舞台。加大智能系统领域创新创业扶持力度,完善科技成果转化机制,打通人才发展通道。要充分发挥国家高层次人才引进计划的示范带动作用,广纳全球智能系统领域的高端人才,为我国智能系统发展注入源头活水。

　　创新无国界,开放促发展。当前,智能系统发展已成为全球科技创新的战略必争之地。我国要以更加开放包容的姿态,积极融入全球创新网络,参与国际科技合作与竞争。一方面,支持国内高校、科研机构、行业组织主动参与或发起智能系统国际大科学计划,在全球智能系统创新版图中争取更多主导权、话语权。鼓励龙头企业、科研院所牵头承担或参与国际标准制定,提升我国智能系统领域的国际规则制定能力。另一方面,进一步完善海外人才、技术引进机制,加大力度引进智能系统领域的顶尖科学家、工程师,吸引海外高层次人才来华创新创业。支持国内外科研机构开展智能系统联合研发,打造一批国际化、高水平的智能系统创新平台。同时,要更好发挥自身优势,主动服务国家总体外交,依托一带一路倡议等重大平台,加强与沿线国家在智能系统领域的创新合作,推动中国智能系统走向世界,让全球共享中国智能化发展红利。返回搜狐，查看更多