從語音識別系統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，就是讓計算機在數據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境建立行為模型。傳統機器學習方法，需要把訓練數據集中于某一臺機器或是單個數據中心里。

　　但是，這種建模在集群機器人協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，這一方案優于目前流行的將數據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據庫學習建模以處理難題，但在糟糕的處理方案出現時，它們通常會卡殼。如果小數據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卡殼現象。”麻省理工學院航空航天專業畢業生特雷沃·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。

　　為解海量決數據難題，谷歌等云服務巨頭還建設了規模龐大的云計算基礎設施，來對數據進行處理。現在，為利用移動設備上的人機交互來訓練模型，谷歌發明了一個新名詞——Federated Learning。谷歌表示，這會是機器學習的另一大未來發展方向。

　　什么是 Federated Learning?它的意思是“聯合學習”，即能使多臺智能手機以協作的形式，學習共享的預測模型。與此同時，所有的訓練數據保存在終端設備。這意味著在 Federated Learning的方式下，把數據保存在云端，不再是搞大規模機器學習的必要前提。

　　而同樣的數據處理難題也發生在深度學習領域。迄今為止的深度學習分析系統，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發布了其 Power AI 軟件貝塔版，供認知和AI開發者打造更準確的AI模型，發展更好的預測。該軟件將有助于縮短AI模型訓練時間，可從數天乃至數周，縮短至數小時。

　　隨著分布式機器學習、分布式深度學習的發展，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，需要對周邊環境的變化作為反應。目前分布式機器人正處于初始階段，或許要經歷很長一段時間的發展，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。