人工智能賦能時空大數據平臺

王家耀

(河南大學，河南 鄭州 475001)

0 引言

自大衛·希爾伯特1900年宣布與人工智能(Artificial Intelligence，AI)有關的2個世界性難題以來已經過百年，經歷了夢想期、推理期、知識期和學習期，特別是近十余年來腦科學與智能感知技術和物聯網技術的快速發展，AI正在催生新的產業，“智能+”正在快速跨界發展，“智慧大腦”在智慧城市、智慧交通、智能物流、智慧農業、智慧醫療和智能電網等許多領域都得到了應用。

英國維克托·邁爾·舍恩伯格和肯尼思·庫克耶所著的《大數據時代》開國外大數據研究之先河，大數據開啟了一次重大的時代轉型，即思維變革、商業變革和管理變革。

時空大數據是基礎地理數據與部門業務專題數據的融合，它的提出具有深刻的哲學依據和實踐需求，是大數據的深化研究，是人類面臨的問題的變化、人類需求的變化和技術發展變化的產物。

時空大數據平臺是“智慧大腦”三要素(智能感知系統、智能存儲管理系統和智能操作系統)之一，AI賦能時空大數據平臺是新的發展趨勢。

1 人工智能時代正在到來

1.1 怎樣理解人工智能

AI是研究開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學，是計算機科學的一個分支。它試圖了解智能的實質，并生產出一種新的能與人類智能相似的方式做出反應的智能機器。AI領域的研究包括機器人、語音識別、圖像識別、自然語言處理和專家系統等。總的來說，AI研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。

1.2 人工智能百年曲折道路

AI技術從提出至今已整整一百年，其間經歷了夢想期、推理期、知識期和學習期這4個階段[1-2]，這是AI逐步深化發展的過程。

(1) 夢想期(夢想探索)。最早由大衛·希爾伯特在1900年宣布了23個世界性難題，其中第2和第10這2個問題與AI密切相關，最終促成了計算機的發明；庫爾特·哥德爾于1931年提出了“哥德爾不完備性定理(AI不可能超過人類)”，被美國《時代周刊》評為20世紀最具影響力的數學原理；接著，艾倫·圖靈針對大衛·希爾伯特提出的第10個問題中“機械化運算過程”(今天稱之為“算法”)設想出了一個機器——圖靈機，圓滿地刻畫出了“機械化運算過程”的含義，最終為計算機的發明做了鋪墊，并于1950年發表了《機器能思考嗎？》一文，提出了“圖靈測試”標準；馮·諾依曼于1945年提出了“馮·諾依曼體系結構”，最終推動人類歷史進入了信息社會，使AI之夢成為可能；諾伯特·維納于1948年提出了“控制論”，揭示了用機器模擬人的可能性，為AI的提出奠定了重要基礎。

(2) 推理期(1956年AI元年)。約翰·麥卡錫、馬文·閔斯基(人工智能與認知學家)、克勞德·香農(信息創始人)、艾倫·紐厄爾(計算機科學家)和赫伯特·西蒙(諾貝爾經濟學獎得主)等于1956年8月聚集在美國達特茅斯學院開了2個月的會，主題是“用機器來模仿人類學習及其他方面的智能”。會議雖然未取得共識，但為討論的內容取了一個名字——AI。因此，1956年成為AI元年。達特茅斯會議促使AI獲得了井噴式發展，概括起來主要有四大成果：① “機器定理證明”，以紐厄爾和西蒙等為代表，是最先取得重大突破的領域之一；② “四色定理”，由凱尼斯·阿佩爾和沃夫岡·哈肯等提出，對于任意地圖，最少僅用4種顏色就可以染色該地圖，并使任意2個相鄰的國家(或行政區域)不會重色；③ “機器學習”，阿瑟·薩繆爾設計的跳棋程序具有自學習功能；④ “模式識別”，奧利弗·薩爾夫瑞德(1956年)、紐厄爾和西蒙(1957年)以及詹姆斯·斯拉格(1963年)等研制開辟了模式識別這一新領域。但是好景不長，自然語言理解成了AI的“硬骨頭”，AI研究遇到了挫折，項目研究經費被削減。

(3) 知識期(專家系統)。面對短暫的挫折，愛德華·費根鮑姆通過分析提出了傳統AI之所以會陷入僵局，是因為過于強調使用通用求解方法，而忽視了具體知識的運用，認為AI必須引入知識，于是一個新的研究領域——專家系統誕生了。第一個專家系統于1968年問世，隨后不斷涌現出各式各樣的專家系統。在1977年“第五屆人工智能大會”上提出了“知識工程”這個全新領域，在其刺激下，日本、英國、西歐、美國和中國等陸續推出有關計劃，致使20世紀60—90年代國內外都出現了專家系統研究熱潮。但是，知識獲取這個新的棘手問題又擺在了面前。

(4) 學習期(自下而上的啟發式)。面對知識獲取的“知識工程”瓶頸問題，傳統的AI研究主張讓專家們自上而下地設計，被統稱為“符號學派”；而另外一些研究AI的人則主張通過自下而上的學習獲取知識，分別被稱為“連接學派”和“行為學派”。自20世紀80—90年代，三大學派形成了三足鼎立的局面。“符號學派”，以約翰·麥卡錫、紐厄爾和西蒙等為代表，集專家、知識、規則和推理于一體，多次人機大戰取勝；“連接學派”，即早先神經網絡法(以沃倫·麥卡洛克和沃爾特·匹茲等為代表)、多層神經網絡即BP算法(以杰夫·辛頓、阿瑟·布賴森等為代表)及統計學習理論(以弗拉基米爾·萬普尼克和亞歷克塞·澤范蘭杰斯為代表)；“行為學派”與“符號學派”和“連接學派”不同，它是從簡單的昆蟲入手來理解智能是怎樣產生的，先后研制了機器昆蟲(羅德尼·布魯克斯)、遺傳算法(約翰·霍蘭)、蟻群算法以及模擬群體行為的免疫算法(克雷格·雷諾茲、肯尼迪等)。三大學派總的目標一致，但它們分別是從高、中、低3個層次來模擬AI，其理論基礎和計算機模型都存在很大差異，而現實中的AI系統卻是一個整體，三大學派正是在這樣的“分裂與統一”中使AI進入了新世紀。

1.3 20世紀60—90年代國內外專家系統研究的反思

20世紀60—90年代，國內外先后曾出現專家系統研究熱潮，處于“知識期”，可是后來熱潮卻不在了。原因是什么呢？錢學森先生早在1984年就指出過，“我以為外國人工智能工作，似乎急于求成，而基礎理論工作不扎實。我們當然最后要取得應用成果，但不能沒有理論指導，理論與實踐相結合。”[3]時隔17年后，李娜在2011年的《科技導報》發表文章《被批20年無進展，人工智能需要重啟》指出，為什么沒有機器人能夠修復日本的核反應堆？原因是AI研究在20世紀60年代和70年代取得了很大進步，但隨后走上了錯誤道路。作者引用AI和認知科學領域的奠基人馬文·閔斯基和帕特里克·溫斯頓的話：“過去20年中AI本來是應該取得更大進展的，問題發生在20世紀80年代，AI研究資金開始枯竭，研究人員嘗試探索商業化AI，由此產生的最大問題是AI研究的狹窄和專業化，而基礎問題研究無人問津，沒有進展。因此主張回歸早期的研究模式，讓狹窄的應用驅動研究回歸到好奇心驅動研究。沒有理論指導，研究工作就不可能持久[4]”。

后來的事實證明，AI“回歸基礎”后出現了好的轉機。進入21世紀以來，由于重視了AI基礎理論研究，取得了一大批理論與應用成果[2,5-14]。

因此，我們要從AI百年發展的“曲折道路”中吸取經驗教訓。應該像在這個領域做出杰出貢獻的科學家們那樣，不斷前行，挑戰極限，克服當前“急功近利”的做法；應該學習當年(1956年8月)麥卡錫等科學家們齊聚達特茅斯學院，用2個月時間圍繞一個主題進行交流討論的精神，克服當前科技界的“浮躁之風”“趕集之風”；要像老一代科學家那樣，對待科學問題要提倡爭論，如果沒有當年關于AI“三大學派”的分裂與統一，怎么可能有今天的AI蓬勃發展的大好局面呢？

2 人工智能為何能賦能時空大數據平臺

2.1 認識時空大數據

大數據，是社會大眾普遍的提法，為什么提出“時空大數據”？時空大數據與大數據各自的內涵和特征是什么？這是首先要搞清楚的。

(1) 時空大數據的哲學依據和實踐需求，核心是大數據的時空統一觀

從哲學角度看，世界是物質的，物質是運動的，包括人類活動在內的萬事萬物的運動變化都是在一定的時間和空間進行的，而所有大數據都是包括人類活動在內的萬事萬物的運動變化的產物，空間參照和時間參照是大數據的2個基本特征，這就是哲學時空觀。

從作戰指揮和軍事行動的實踐需求看，“戰略是時間和空間的使用藝術”，任何軍事行動都是在一定的時間和空間進行的，過去、現在、未來都是如此。時空統一至關重要，這就是作戰指揮和軍事行動的時空觀。

從社會管理治理的實踐需求看，當今社會的一個重要特點，是社會管理治理對時間和空間的依賴程度越來越高，時空大數據正日益成為社會治理體系和治理能力現代化的核心驅動力，這就是社會管理治理的時空觀。

從復雜地理世界表達的實踐需求來看，非線性復雜地理世界，必須用時間軸(Ti)、空間軸(Si—XiYiZi)和屬性軸(Di)(i=1,2,…,n)的n維空間來表達才是科學的，這就是復雜地理世界表達的時空觀。

從大數據的本質來看，所有大數據都是包括人類活動在內的萬事萬物在一定時間和空間運動變化產生的，空間參照和時間參照是自然與社會現象的基本參照系統，任何事物和現象都離不開這2個基本參照，這就是大數據的時空觀。

(2) 時空大數據內涵

基于上述時空大數據的哲學依據和實踐需求，時空大數據是指基于統一的時空基準(空間參照系統、時間參照系統)，存在于空間與時間中，與位置直接(定位)或間接(時空分布)相關聯的大規模海量數據集。由“基礎地理時空數據”和“部門行業專題數據”融合而成。基礎地理時空數據，包括時空基準數據、GNSS與CORS數據、空間大地測量與物理測量數據、海洋測繪和海圖數據、攝影測量數據、遙感影像數據、“4D”數據和地名數據等；部門行業專題數據，包括政府部門/企業/研究院所業務數據和科學數據、視頻觀測數據、搜索引擎數據、網絡空間數據、社交網絡數據、變化檢測數據、與位置相關的空間媒體數據和人文地理數據等。

(3) 時空大數據的基本特征

不同于大數據的4V(Volume，Variety，Velocity，Value)特征，時空大數據的基本特征主要包括：

① 位置特征。點、線、面的三維空間位置(Si—XiYiZi)，點、線、面的空間關系(拓撲、方向、變量)；由點構成線，由點、線構成面，由點、線、面構成體。

② 屬性特征。每個點、線、面、體都有自身的數量、質量特征。

③ 時間特征。物體(現象)的位置、屬性等隨時間變化而變化。

④ 尺度特征。空間尺度或比例尺隨應用需求而不同，大比例尺為小尺度，小比例尺為大尺度。

⑤ 分辨率特征(針對影像)。包括空間分辨率、光譜分辨率和時間分辨率(重訪周期)。

⑥ 異構性特征。包括時空基準、時間、尺度和語義等的不一致性和不完整。

⑦ 多樣性特征。數據類型多樣(圖像、文本、視頻和音頻)、數據結構多樣(結構化、半結構化和非結構化)。

⑧ 巨量性特征。指數據量巨大，達到TB，PB，EB甚至ZB級，需要科學先進的存儲管理技術。

⑨ 多維特征。空間維(Si—XiYiZi)、屬性維(Di)和時間維(Ti)構成多維數據。

⑩ 價值隱含性特征。指大量不相關的信息，需要關聯；數據隱含價值，需要進行數據挖掘以發現知識。

2.2 認識時空大數據平臺

把各種分散的(點數據)和分割的(條數據)時空大數據匯聚到一個特定的自主可控的平臺(GIS)上，并使之發生持續的聚合效應。這種聚合效應就是通過數據多維融合和關聯分析與數據挖掘，揭示事物的本質規律，對事物做出更加快捷、更加全面、更加精準和更加有效的研判和預測。從這個意義上講，時空大數據平臺是大數據的核心價值，是大數據發展的高級形態，是大數據時代的解決方案。

2.3 從“智慧大腦”看人工智能賦能時空大數據平臺

(1) “智慧大腦”的三要素。類比人類智能的人腦具有感知、存儲管理、分析判斷決策功能，AI的“智慧大腦”也應由智能感知系統、智能存儲管理系統和智能操作系統(分析判斷決策)組成。

智能感知系統——天地一體智能感知網(傳感器網)。建設天地一體智能感知系統，綜合統籌利用國內外各類衛星遙感影像數據，特別是商業衛星數據，并進行快速處理。充分利用無人機多角度傾斜攝影數據，并進行自動三維建模，為構建“數字地表模型(DSM)+局部實景三維+重點建筑信息模型(BIM)”的三維模型奠定基礎。充分發揮融合體制的作用，加強基礎地理時空數據的生產和更新，最大限度地縮短生產、更新周期。充分利用“時空大數據+衛星遙感影像+開源情報信息”模式，通過分析獲得敏感地區、敏感領域、敏感設施和敏感對象的信息。

智能存儲管理系統——資源池。指云計算數據中心所涉及的各種硬件、軟件、數據和知識等的集合。按其類型可分為：信息基礎設施資源池，包括計算資源、存儲資源和網絡資源；數據資源池，包括基礎地理時空數據、政府各部門行業的專題數據及其他專題數據；功能資源池，包括軟件資源、模型算法資源、知識資源和專家資源。云計算是將計算任務分布式部署在由大量計算機(計算、存儲)構成的“資源池”上，使用戶能按需獲取計算能力、存儲能力和提供應用的能力。這種“資源池”稱為“云”，云計算的核心是“資源池”。采用中心、分中心技術體制，建設一體化國家、省、市時空大數據中心。一體化時空大數據中心主要功能有：傳感器網絡(簡稱“傳感網”)接入功能、時空大數據分布式存儲、管理和動態更新功能、已建分布式地理信息系統(GIS)、數據庫的網格化(第三代互聯網/新一代Web)集成應用功能以及網絡空間數據安全態勢監控與防范功能。

智能操作系統——時空大數據平臺。“智慧大腦”通過“天空地海”一體的智能感知傳感器網絡獲取海量信息；資源池存儲管理信息基礎設施資源(計算、存儲和網絡)、時空大數據資源(基礎地理時空數據、各部門行業數據、科技咨詢信息數據)和功能資源(軟件、模型、算法、知識和專家)。“智慧大腦”怎樣進行分析、判斷、預警和輔助決策呢？這就需要有一個“操作系統”——“時空大數據平臺”。時空大數據平臺的功能包括一體化時空大數據中心數據接入功能，多源異構時空大數據融合功能，時空大數據分析、數據挖掘與知識發現功能，目標分析識別功能，時空大數據可視化及可視化設計功能，分析、判斷、預警和輔助決策功能，時空大數據平臺應用接口功能，網絡空間安全態勢監控和防范功能等。

(2) “智慧大腦”三要素之間的關系：相互聯系、相互依賴、相互制約、相互作用的統一整體。智能感知系統獲取的大規模海量數據，需要存儲在資源池中，若沒有資源池，感知系統獲得的大規模海量數據就無法匯聚在一起，更無法共享；反之，若沒有感知系統獲得的大規模海量數據，資源池就成了一個“空池”；同樣，若僅有感知系統和存儲管理系統，而沒有操作系統——時空大數據平臺，那么大規模海量數據和各類資源就無法發揮其服務社會的作用。所以，“智慧大腦”三要素是一個整體，缺一不可。

(3) “智慧大腦”三要素中的任何一個要素內部的各組成部分也是一個統一整體。以存儲管理系統為例，包括數據資源(基礎地理時空數據、各部門行業專題數據)、功能資源(模型、算法)和計算資源(計算能力或算力)。形象地講，若把資源池比作一個“發電廠”，那么，計算存儲資源就相當于“發電機”，數據資源就相當于“發電動力”，模型算法等功能就相當于“引擎”，三者缺一不可，是一個整體或系統。所以，一定要用整體或系統工程的思想來建設“智慧大腦”。

2.4 互聯網技術與“3S”技術的快速發展為時空大數據平臺提供強有力的技術支撐

這主要表現在3個方面：

(1) 北斗全球導航系統為全球實時高精度定位提供了強大支撐，衛星對地觀測系統為環境信息獲取奠定了堅實基礎。采用“統一時空基準+北斗全球導航系統+天地一體對地觀測網”的模式，解決時空信息獲取的全球化、實時/準實時動態化和精準化問題。

(2) 分布異構地理信息系統的網格化集成與智能服務技術使已建GIS數據和數據庫數據繼續發揮作用。對于已建遺留系統，由于系非面向服務的體系架構(SOA)，通過開發數據中間件、協同中間件和事務中間件，以解決系統間的數據交互、消息傳遞、協同工作及事務處理等問題；對于新建SOA系統，通過進行標準化服務封裝，主要解決各類地理空間信息服務的標準化問題。

(3) 時空信息獲取、處理(生產)、應用(服務)一體化技術可行，關鍵是新型技術體制建設。主要通過基于網格(Grid)的深度聯網計算和服務環境，實現邏輯上的信息探測網、信息處理網和應用服務網的3類網絡的優化集成，以提高時空信息獲取、處理(生產)、應用(服務)的一體化水平，盡最大可能地縮短從地理信息獲取到提供地理信息服務的周期。

2.5 人工智能技術的快速發展支撐時空大數據平臺的智能化

(1) 機器學習由淺層神經網絡到深層神經網絡(深度學習)的發展為解決時空大數據平臺的“知識工程”瓶頸問題開辟了一條新的途徑。

這就是用大數據教會計算機自己不斷學習以獲取知識。機器學習是AI的一個分支，它是通過算法使機器能從大量歷史數據中學習規律，從而對新的樣本做出智能識別或對未來做出預測。神經網絡的前世是基于統計方法的淺層機器學習模型，經歷了人工神經網絡BP算法、支持向量機(SVM)和最大熵算法等；神經網絡的今生是基于大數據方法的深度學習(2006年)，特征提取和表示是關鍵，主要包括卷積神經網絡(1998年)、基于自編碼器的深層學習、受限玻爾茲曼機和深度網絡等，主要用于語言識別、圖像識別和自然語言處理，其優勢是用大數據教會計算機自己學習。

(2) 類腦智能研究將為“智慧大腦”的智能化打開一扇大門。

類腦智能是AI領域的一個研究方向，是AI發展的另一條路徑，將成為AI發展的最佳方向。AI領域的專家認為，基于機器學習的AI技術已深入到許多領域，但是機器學習往往需要大量的數據，而且還面臨無法進行推理的困境。正是在這種情況下，科學家們開始轉向對大腦的借鑒與研究。

類腦(Brain-inspired Intelligence)——模擬人腦，類腦智能——模擬人腦的類腦計算機，是AI發展的重要途徑，通過發展類腦智能可以揭示人腦信息處理的途徑，有利于完善AI研究。

為什么要研究類腦和類腦智能？一是，機器學習不靈活，需要大規模人工標注的高質量樣本數據；二是，訓練模型要很大的計算開銷；三是，AI仍然缺乏高級認知能力和舉一反三的能力。

目前，類腦智能的研究已經有了良好的開端，取得了一些研究成果，但仍面臨三大瓶頸：腦機理認知不清楚、類腦計算模型和算法不精確以及計算架構和能力受制約。

(3) AI“三駕馬車”或“三要素”，即算法、時空大數據和計算能力，已成為時空大數據平臺的核心驅動力。

算法，指某個領域某個問題的有窮地機械地判定(計算)。它只用有窮多條指令描述，計算機便按指令執行有窮步的計算過程，從而得出問題解的結果。從本質上講，算法本身就是一種知識。算法是機器學習的核心(是引擎)。以算法為核心的AI與人腦相比較至少有四大優勢：速度更快、效率更高、結果更好、耐力更強。

時空大數據，是AI(機器學習)的動力(類比發電廠的水動力、煤動力和核動力)，沒有時空大數據，算法就不起作用，數據質量不好，就會算不準。

計算能力(算力)。云計算是一種新的計算模式，它通過“池化”和“云化”把數千臺甚至上萬臺機器都放在一個“池子”里面。用戶需要多少CPU、內存和硬盤的“虛擬電腦”，只要通過一種叫做“調度(Scheduler)”的算法的調度中心，就可以在“池子”里面找到并使用自己所需要的信息資源，這就是基礎設施即服務(IaaS)，具有時間彈性和空間彈性。云計算為信息資源管理構建一個龐大的“資源池”，實現信息資源的彈性。云計算在資源彈性IaaS之上加了一層應用彈性，以解決時空大數據所需的應用彈性平臺即服務(PaaS)和軟件即服務(SaaS)。

上述AI“三要素”中的算法、時空大數據和計算能力三者缺一不可，但當前要把可控的智能算法研究放在更重要位置。

3 時空大數據平臺的技術體制及應用模式

時空大數據平臺必須采用不同于目前已有商業化GIS軟件的技術體制，針對現有GIS軟件應用存在的問題提出了更科學和更符合社會需求的應用模式。為此，必須首先對現有的地理信息服務模式進行分析。

3.1 現有3種服務模式及分析結論

目前，地理信息服務有3種模式：① 基于網絡服務(Web Service)的空間信息共享和空間數據互操作技術模式；② 基于網格服務(Grid Service)的信息資源共享與協同工作(解決問題)技術模式；③ 基于云計算的時空信息服務技術模式。

對上述3種服務模式，從其內涵、功能、關鍵技術、采用標準、技術架構、服務共享特點和發展趨勢等7個方面進行了全面分析，得出了如下綜合分析結論：

第一，4種模式都采用SOA。

第二，都是解決“共享”與“服務”的問題，只不過“共享”的“程度”與“服務”的范圍、方式不完全相同。

第三，網絡服務與網格服務的技術標準有相同的，也有不同的，網絡服務與網格服務的大趨勢是兼容或“融合”，但標準是統一的國際或國家標準，服務提供方、請求方都必須清楚；而云服務標準可以是內部統一的，用戶不必清楚。

第四，網格服務是網絡服務的發展，云服務(Cloud Service)是網格服務的簡化版或商業化實現。

3.2 時空大數據平臺的技術體制：基于“網格集成”與“彈性云”的混合式服務模式

基于前述對現有時空信息服務的3種技術模式的綜合分析及所得出的結論，提出了時空大數據平臺采用基于“網格集成”與“彈性云”的混合式技術模式。這是因為，網格服務是網絡服務的發展，可以解決廣義的信息資源共享，推進技術融合、業務融合和數據融合，實現跨層級、跨地域、跨系統、跨部門和跨業務的協同管理和服務；而云服務是網格服務的簡化版或商業化實現，相對于網格服務而言其門檻要低，而且云計算具有“空間彈性”和“時間彈性”。所以，時空大數據平臺的技術體制兼顧了網格服務與云服務的優點，即通過網格集成匯聚各類信息資源，通過彈性云向各類用戶提供所需服務。

3.3 時空大數據平臺的構建技術

為實現時空大數據平臺的技術體制，提出如下6項關鍵技術：

(1) 一個“SOA”：構建一個開放的體系架構，強化共用，整合通用，開放應用。SOA由3個角色和4個基本操作構成。3個角色包括服務提供者、服務請求者和服務注冊中心；4個基本操作是服務注冊(描述/發布)、服務查找(訪問/定位)、綁定服務和調用服務。

(2) 一張“網”：建設一張“天地”一體的信息服務網，為實現信息資源共享和跨層次、跨地域、跨系統、跨部門、跨業務的多節點協同工作提供嶄新的運行環境。其一，城市時空信息獲取、處理、服務的一體化運行環境和時空信息處理的實時化、處理的智能化、應用服務的網絡/網格化環境；其二，信息整合，實現多源、異構時空數據集成、融合與同化的環境，提供全球一致、陸海一體、無縫連續的一致性時空信息服務；其三，資源共享環境，實現SaaS，KaaS，PaaS，DaaS，IaaS等；其四，協同工作(協同解決問題)環境；其五，分布異構地理信息系統集成應用環境。

(3) 一個“一體化”數據體系：建設一個科學實用的全球一致、無縫連續的時空大數據體系。對傳感器網接入數據，各部門行業及其他來源的信息資源數據，進行數據分類、數據編目，編制元數據，進行數據編碼，為時空大數據平臺提供了一致性的數據集支持。

(4) 一個“通用功能模塊集”：將各類“服務”按標準封裝為網絡服務，實現基于工作流服務鏈的各類信息資源的高效調用，支撐信息服務的智能化。這里，最關鍵的是構建工作流服務鏈，而且應是自適應的。具體實施時，首先將系統功能按照標準封裝為網絡/網格服務，而用戶則基于自適應工作流服務鏈接需組合服務形成面向各類應用的服務能力。

(5) 一個科學實用的“組織管理體系”：采用虛擬化技術構建虛擬組織(V0)，實現信息資源的匯聚共享和跨層級、跨地域、跨系統、跨部門、跨業務的協調聯動，為平臺安全可靠運行提供支撐。采用虛擬化技術構建的虛擬組織(V0)，必須與國家、省(自治區、直轄市)、地級市、縣(區)及各自下屬政府部門的社會組織體系結構一致，它們都在虛擬組織的網絡節點上。虛擬組織分為2類，一類是靜態V0，以資源為中心，固定存在，執行信息資源發布功能；另一類是動態V0，以任務為中心，隨建隨銷，執行信息資源共享和服務。二者互相配合，構成了資源共享生命周期管理的主體。

(6) 一套“標準體系”：建立一套標準體系，保證時空大數據平臺規范、有序、健康、安全且可持續運行，這是目前急需研究解決的問題。國外，地理信息標準和網絡/網格(柵格網)服務的標準基本已成體系，例如服務分類標準、服務描述標準、服務注冊標準，以及服務提供者、請求者與服務代理之間的通信標準、網絡/網格化服務標準。國內，地理信息標準已基本成體系，網絡/網格服務標準已取得一些研究成果，但尚未形成自主可控的統一的標準體系。

3.4 時空大數據平臺的應用模式

采用什么樣的應用模式，才能使時空大數據平臺最大限度地發揮作用，這個問題至關重要。這里提出“共用時空大數據平臺+”的應用模式。

共用時空大數據平臺，指按照“時空大數據平臺”內涵和技術體制構建的“基礎地理時空數據平臺”，是各種不同層級部門共用的。“共用時空大數據平臺+”中的“+”，指跨界，這樣就可以解決目前各所屬部門所建各種“平臺”或“系統”的“基礎地理時空數據”不一致的“老大難”問題。這里就“共用時空大數據平臺+民用”而言，以服務黃河流域生態保護與高質量發展為例，可以構建：

“共用時空大數據平臺+沿河兩岸分布的湖泊、濕地、生態廊道數據”，構建智慧沿河兩岸湖泊、濕地、生態廊道監測、評估、預警平臺；

“共用時空大數據平臺+河口三角洲濕地及生物多樣性數據”，構建智慧河口三角洲濕地及生物多樣性監測、評估、預警平臺；

“共用時空大數據平臺+流域礦藏資源數據”，構建智慧流域礦藏資源動態監測、評估與預警平臺；

“共用時空大數據平臺+流域社會經濟人文統計數據”，構建智慧流域經濟發展趨勢監測、分析、評估平臺；

“共用時空大數據平臺+農作物主產區數據”，構建智慧農業平臺；

“共用時空大數據平臺+黃土高原水土流失數據”，構建智慧黃土高原水土流失和生態修復監測、分析與評估平臺；

“共用時空大數據平臺+城市(鎮)群或城市(鎮)帶”，構建智慧城市時空大數據平臺等等。

4 結束語

AI時代正在到來是時代之大勢，“AI+”也是時代之大勢，AI賦能時空大數據平臺是“AI+”的一個重要研究領域。

“智慧大腦”三要素(智能感知系統、智能存儲管理系統、智能操作系統)無一不與AI技術有關，三要素中的任何一個要素的各組成部分也無一不與AI技術有關，可以說AI技術已經或正在滲透(融合)到“智慧大腦”的方方面面。智能感知系統、智能存儲管理系統是支撐智能時空大數據平臺的，而智能時空大數據平臺是面向社會、面向服務和面向工作的。

目前，AI技術應用于“智慧大腦”建設已取得了很大進展。但是，要建成真正的“智慧大腦”，實現“智慧大腦”三要素的智能化，特別是建成真正的智能時空大數據平臺，還有許多問題需要進一步地深入研究。我們堅信，這個目標是一定能夠實現的。