人機物群智計算概念中的人、機、物等關鍵要素主要是：

人：

主要體現為社會空間中的廣大普通使用者及其攜帶的移動或可穿戴裝置，其發揮的作用一方面為人類智慧（包括個體或群體智慧），另一方面涵蓋基於移動裝置的群智感知計算。

機：

主要體現為資訊空間中豐富的網際網路應用及雲端服務，在傳統網際網路和移動網際網路等發展背景下，資訊空間集聚了海量、多模態的資料和多樣化的計算資源。

物：

主要體現為物理空間中泛在分佈的物聯網終端和邊緣裝置，在物聯網發展的背景下，各種各樣的智慧物聯網終端不斷湧現，為感知和理解物理空間動態提供了重要支撐。

人、機、物三種要素在同一環境或應用場景下相互聯結，和諧共生，但彼此能力差異、資料互補，需要透過協作互動來實現能力增強，進而完成複雜的感知和計算任務。基於此，人機物融合群智計算可定義為：透過人、機、物異構群智慧體的有機融合，利用其感知能力的差異性、計算資源的互補性、節點間的協作性和競爭性，構建具有自組織、自學習、自適應、持續演化等能力的智慧感知計算空間，實現智慧體個體技能和群體認知能力的提升。

人機物融合群智計算為未來智慧計算系統的發展帶來了豐富的機遇，但實現真正人機物和諧融合的智慧感知計算空間還面臨很多挑戰。

人機物群智協同機理

現有的群體智慧研究大多面向單一群體間協作，人機物融合群智計算則涉及異構智慧體間的協作增強，故需要在理論和模型層面開展新的探索。

自然叢集協同機理髮掘自然界生物叢集協作機制為研究具有自適應、自組織、持續演化能力的人機物融合系統提供了重要依據。需探索生物叢集協同機理與異構群智慧體間高效協作的隱含關聯和物理對映機制，發掘人機物高效協同機理，例如研究螞蟻、蜜蜂、鳥、魚等生物群體的形成和演化機制、集體行為機制、自組織和自適應方式、群體決策模式等。

群智慧體高效協作機制針對人、機、物、環境等異構要素的有機組織協調問題，如何借鑑生物界中的各種合作模式和組織形式，以實現異構群智慧體之間的高效協作也是一個重要挑戰。

異構群智慧體統一表示模型針對人機物各要素表達異構、能力有差異、知識碎片化等問題，如何構建統一的異構群智慧體表示模型，對各要素關聯、組織模式、行為決策、知識表示等進行結構化表徵是人機物融合群智計算的一個基礎性問題。

針對以上挑戰問題，在如何結合生物群智協作機理來研究人工群智慧體系統方面已有一些探索性研究。生物體以簡單的方式與群體中的相鄰個體以及周邊環境進行接觸，透過無中心的分散式協作來完成複雜任務。叢集機器人（swarm robotics）是一種透過模擬多樣化的生物群體行為而發展起來的人工群智系統。比如，哈佛大學的研究人員透過模擬白蟻種群行為來構建人工多智慧體建造系統，在建築機器人之間引入簡單的區域性規則來構建複雜的建築結構；MIT的李曙光等人研發了一種能模擬生物細胞集體遷移的機器人，利用資訊交換、力學協同等生物細胞學現象，實現移動、搬運物體及向光刺激移動等複雜行為，該研究為開發具有預先確定性行為的大規模群體機器人系統提供了新途徑；加州大學的研究人員結合強化學習研究了自然系統與人工系統間的互相借鑑和促進作用，一方面強化學習方法的成功源於對生物界學習行為的有效模擬，另一方面對深度強化學習的探索和實踐也促進了對生物學習行為的理解；而基於彼此的相互借鑑，也有一些新的學習模型被提出，如元強化學習或分層深度強化學習等。

自組織與自適應能力

人機物融合群智計算需要根據環境的多變性、人機物節點能力的差異性以及群智慧體連線拓撲的動態性等問題，自適應地組織各要素以適應動態的環境及應用場景，最終達到提高協作效率和質量的目的。具體來說，面臨如下一些研究挑戰。

人機物多維情境識別為實現異構群智慧體的有效組織和協作，需要首先對智慧體個體和群體的多側面動態情境進行準確識別和預測，如能量狀態、計算能力、通訊頻寬、關係拓撲、可信任度等，進而為任務關聯的人機物自組織機制提供支撐。

群智慧體自組織協作計算針對單智慧體計算資源不足的問題，可嘗試由周邊共存的多個移動、可穿戴或邊緣裝置等組成動態協作群。研究群智慧體自組織協作高效計算模式，能根據效能需求（如時延、精度）和執行環境（如網路傳輸、能耗情況等），將原始任務進行自動“切分”並優選和排程合適的智慧體協同完成感知計算任務。

跨空間協作感知計算根據特定感知任務（如公共安全事件監測），研究如何快速發現不同空間高度關聯的群組（群智感知參與者、移動網際網路應用、城市物聯網感知設施）並進行協作組隊，進而探索情境自適應的群組動態協同及演進策略。

針對情境自適應組織協作問題，已經有一些前瞻性研究。在多智慧體協作計算方面，邊緣智慧（edge intelligence）使得資源受限的終端裝置可透過“多裝置協同”或者“邊-端協同”等方式，讓資源需求較大的深度學習模型能實現有效分割與分散式執行，如密歇根大學提出的NeuroSurgeon模型。生物系統的自適應、自組織機制也為人工群智系統的研究提供了重要依據。例如安東尼·科利從動物自適應機理研究中得到啟發，提出了一種智慧試錯演算法，使得機器人在遇到異常情況時能在短時間內找到自適應方案。哈佛大學的研究人員從微觀多細胞組織和複雜動物組織結構（鳥群、魚群）中得到啟發，透過能力有限的個體機器人Kilobot，設計出有效的分散式互動機制，實現了大規模機器人魯棒的自組織協作行為，包括集聚、成型、動態變換等。