1982年，卡內基梅隆大學(xué)將可樂(lè )機改裝成為世界首個(gè)可連接的智能設備，該設備能夠報告其庫存情況以及新儲存的飲料是否冰涼。幾十年后的今天，我們生活在一個(gè)物聯(lián)網(wǎng)多于人聯(lián)網(wǎng)的世界里。不但如此，Business Insider Intelligence預計，到2025年，物聯(lián)網(wǎng)設備將超過(guò)550億，遠高于2017年的90億。

快速擴張的物聯(lián)網(wǎng)技術(shù)將便攜式設備、家用電器、汽車(chē)、制造設備和其他嵌入電子設備、軟件、傳感器和執行器相連接，從而組成一張巨大的物聯(lián)網(wǎng)網(wǎng)絡(luò ), 并能相互進(jìn)行數據交換。從消費類(lèi)可穿戴設備，到工業(yè)機器和重型機械，這些相互連接的“物”可以向環(huán)境發(fā)出信號、能夠被遠程操縱和控制，并且能越來(lái)越多地自主做出決策并執行。

目前來(lái)看，物聯(lián)網(wǎng)幾乎無(wú)處不在。它可以是一個(gè)家庭自動(dòng)化系統，通過(guò)檢測環(huán)境的改變自動(dòng)調整恒溫器或照明設備；它也可以是生產(chǎn)設備，能夠及時(shí)提醒維護技術(shù)人員即將發(fā)生的故障；它還可以是車(chē)載導航系統，能夠檢測用戶(hù)的位置并提供環(huán)境方向感知……此外，物聯(lián)網(wǎng)還有很多應用案例，例如，用戶(hù)可以將具有語(yǔ)音識別的設備作為個(gè)人數字助理，商業(yè)車(chē)隊通過(guò)配備傳感器來(lái)傳達動(dòng)態(tài)等等。

這個(gè)由相互連接的設備、人員和環(huán)境組成的生態(tài)系統產(chǎn)生了大量復雜的數據。例如，今天的汽車(chē)和卡車(chē)就像建立在車(chē)輪上的數據中心，大量配備的傳感器可以監控從輪胎壓力到發(fā)動(dòng)機性能、部件健康狀況、無(wú)線(xiàn)電音量、駕駛員動(dòng)作——甚至是擋風(fēng)玻璃上是否有障礙物或雨點(diǎn)等狀態(tài)數據。一輛聯(lián)網(wǎng)的汽車(chē)每小時(shí)能輸出大約25GB的數據，而自動(dòng)駕駛汽車(chē)每秒甚至可以輸出多達1GB的數據。

然而，連接和交換大量數據只是物聯(lián)網(wǎng)故事的開(kāi)始。

智能元件放大了物理元件的作用。智能元件反過(guò)來(lái)又被連接元件放大，從而實(shí)現監監測、控制和優(yōu)化。但就其本身而言，僅僅將事物進(jìn)行聯(lián)接并不會(huì )促進(jìn)學(xué)習。連接為進(jìn)一步的學(xué)習鋪平了道路，但也只是基礎。

在最底層的應用方面，物聯(lián)網(wǎng)設備生成的數據可以被用于觸發(fā)簡(jiǎn)單的警報。例如，如果傳感器檢測到超出閾值的情況，比如過(guò)熱或振動(dòng)，它就會(huì )觸發(fā)警報，通知技術(shù)人員進(jìn)行檢查。而在一個(gè)更復雜的物聯(lián)網(wǎng)系統中，則可能有幾十個(gè)傳感器監控到事物的方方面面。

正是這些應用場(chǎng)景為設備的連接增加了價(jià)值，但是物聯(lián)網(wǎng)的真正價(jià)值在于另一個(gè)更復雜的層次，這些價(jià)值會(huì )在物聯(lián)網(wǎng)設備能夠進(jìn)行學(xué)習并自主決策時(shí)體現出來(lái)。

例如，使用物聯(lián)網(wǎng)數據檢測故障的模型可以將機器控制推送給適合的由物聯(lián)網(wǎng)驅動(dòng)的執行器，以減少類(lèi)似設備發(fā)生故障的可能性；自動(dòng)駕駛車(chē)輛也可以將他們的經(jīng)驗傳遞給網(wǎng)絡(luò )中的其他車(chē)輛。

AI是一門(mén)通過(guò)學(xué)習和自動(dòng)化來(lái)模擬人類(lèi)任務(wù)的訓練系統的科學(xué)。借助嵌入式AI，機器可以不斷適應新的輸入并從經(jīng)驗中學(xué)習，還能在沒(méi)有人工干預的情況下完成特定的任務(wù)。目前來(lái)看，AI已被廣泛應用于面部識別、語(yǔ)音識別和在游戲中擊敗人類(lèi)國際象棋、圍棋冠軍。

AI誕生于上世紀50年代，但直到最近幾年隨著(zhù)物聯(lián)網(wǎng)數據量、高速連接和高性能計算的爆炸式增長(cháng)，它才真正在主流應用中占據了一席之地。

現階段，AI主要使用的是各種統計和計算技術(shù)。機器學(xué)習是AI的一個(gè)子集，它可以識別來(lái)自智能傳感器和設備數據中的模式和異常。隨著(zhù)時(shí)間的推移，機器學(xué)習算法可以通過(guò)“學(xué)習”提供更準確的結果。因此，機器學(xué)習優(yōu)于傳統的商業(yè)智能工具，并且相較基于規則、閾值或計劃的系統能夠更快、更準確地進(jìn)行操作預測。

深度學(xué)習，計算機視覺(jué)，自然語(yǔ)言處理以及經(jīng)過(guò)時(shí)間考驗的預測或優(yōu)化中的機器學(xué)習等技術(shù)使AI成為了物聯(lián)網(wǎng)不可或缺的重要補充。例如，AI可以將信號從噪聲中分離出來(lái)，從而產(chǎn)生了先進(jìn)的物聯(lián)網(wǎng)設備，它還可以從與用戶(hù)、服務(wù)提供商和生態(tài)系統中的其他設備的交互中學(xué)習。

圖1：AI的演變

通過(guò)AI連接的智能設備和環(huán)境可以從更大的數據源網(wǎng)絡(luò )（包括彼此）中學(xué)習，并有助于提高整體的智能化水平。各行各業(yè)中已經(jīng)存在很多案例可以證明這種潛力：

公用事業(yè)和制造商可以檢測表現不佳的資產(chǎn)，并能在發(fā)生代價(jià)高昂或危險的設備故障之前進(jìn)行預測性維護或自動(dòng)關(guān)閉。

數字孿生是對真實(shí)世界的虛擬模擬，它能夠使工程師和操作人員分析現場(chǎng)設備的性能，同時(shí)最大限度地降低傳統測試方法的成本和安全問(wèn)題。

零售商可以使用基于位置和環(huán)境感知的技術(shù)來(lái)檢測店內情況，并將其與其他數據（如在線(xiàn)用戶(hù)配置文件和店內庫存）相結合，可以在客戶(hù)進(jìn)入商店時(shí)發(fā)送實(shí)時(shí)個(gè)性化優(yōu)惠。

無(wú)人機可以用以及時(shí)了解互聯(lián)網(wǎng)或GPS無(wú)法到達的黑暗、閉塞的環(huán)境中的未知情況，并能用來(lái)調查如海上作業(yè)、地雷、戰區或燃燒的建筑物等危險區域。

機器人可以自主穿過(guò)倉庫的過(guò)道，從貨架上挑選零件或貨物并將它們運送到正確的位置，并能避免沿途發(fā)生碰撞。協(xié)作機器人（“cobots”）可以與人類(lèi)一起工作，從事繁重的搬運、舞臺材料的組裝或完成重復性的任務(wù)和動(dòng)作。

集裝箱和牽引拖車(chē)可以監測溫度、濕度、光照、重量分布、二氧化碳和氧氣水平等條件，以保持負載的完整性，加快交貨和檢查的速度。

遠程監控設備可以提供家庭診斷，在需要干預時(shí)提醒護理人員，并提醒患者服用藥物。

城市可以在實(shí)體基礎設施中部署連接的傳感器，以不斷監測能源效率、空氣污染、用水、交通狀況和其他生活質(zhì)量因素。

圖2:工業(yè)AI驅動(dòng)的物聯(lián)網(wǎng)應用

這種自適應、預測和“學(xué)習”的能力在工業(yè)物聯(lián)網(wǎng)(IIoT)中尤其重要，因為系統故障和停機可能會(huì )導致危及生命或高風(fēng)險的情況發(fā)生。

除了傳感器、攝像頭、網(wǎng)絡(luò )基礎設施和計算機等智能物聯(lián)網(wǎng)的物理基礎設施外，還有一些要素是成功部署的關(guān)鍵:

思考并實(shí)時(shí)分析。使用事件流處理來(lái)分析運動(dòng)中的各種數據，并確定哪些是最相關(guān)的。

能夠在云端、網(wǎng)絡(luò )邊緣或設備本身等應用程序最需要的地方部署智能。

結合AI技術(shù)。對象識別或處理自然語(yǔ)言等AI功能具有非常高的價(jià)值，并能在協(xié)同作用中發(fā)揮關(guān)鍵作用。

統一完整的分析生命周期，對數據進(jìn)行流化、過(guò)濾、評分、存儲相關(guān)內容、分析并使用結果持續改進(jìn)系統。

事件流處理在處理物聯(lián)網(wǎng)數據時(shí)起著(zhù)至關(guān)重要的作用，因為它能夠:

檢測感興趣的事件并觸發(fā)適當的操作。事件流可以處理實(shí)時(shí)精確定位中的復雜模式，例如它可對個(gè)人移動(dòng)設備的操作或銀行交易期間的異?；顒?dòng)進(jìn)行快速檢測。

監控匯總信息。事件流可以持續處理來(lái)自監控設備和傳感器的數據，查找出可能存在問(wèn)題的趨勢、相關(guān)性或異常。智能設備可以采取補救措施，例如通知操作員、移動(dòng)負載或關(guān)閉電機。

清理并驗證傳感器數據。當傳感器數據延遲、不完整或不一致時(shí)，可能是由于許多因素共同作用導致的。嵌入到數據流中的各種技術(shù)可以檢測并解決此類(lèi)數據問(wèn)題，還能對即將發(fā)生的傳感器故障或網(wǎng)絡(luò )錯誤導致的臟數據進(jìn)行清洗。

實(shí)時(shí)預測和優(yōu)化運營(yíng)。高級算法可以持續對流數據進(jìn)行評分，以便在瞬間做出決策。例如，可以在數據環(huán)境中分析有關(guān)火車(chē)的到達信息，并延遲另一趟火車(chē)的出發(fā)時(shí)間，以保證乘客不會(huì )錯過(guò)換乘。

前面描述的案例需要不斷變化和移動(dòng)的數據(例如自動(dòng)駕駛車(chē)輛內駕駛員的地理位置或溫度)以及其他離散數據(例如客戶(hù)概況和歷史購買(mǎi)數據)。這一現實(shí)要求分析以不同的方式應用于不同的目的。例如:

高性能分析可以對靜態(tài)、云端或存儲中的繁重數據進(jìn)行高效處理。

流分析可對運動(dòng)中的大量不同數據進(jìn)行分析，這些數據中可能只有少量是我們需要的并只有短暫的價(jià)值，因此速度十分重要，例如發(fā)送有關(guān)即將發(fā)生的碰撞或組件故障的警報。

邊緣計算使系統能夠在源頭立即對數據進(jìn)行操作，而無(wú)需暫停獲取、傳輸或存儲數據。

在應用程序需要的地方部署智能是一種多相分析方法，要記住的關(guān)鍵原則是，并非所有數據點(diǎn)都是相關(guān)的，也不是所有數據點(diǎn)都需要發(fā)送并永久存儲。分析基礎架構必須靈活且可擴展，以支持當前和未來(lái)的所有需求。

要用AIoT實(shí)現最高的回報，除了部署單一的AI技術(shù)外，還需要考慮其他方面。例如，可以采用多種AI功能協(xié)同工作的平臺，將機器學(xué)習與自然語(yǔ)言處理和計算機視覺(jué)等進(jìn)行協(xié)同工作。

舉例來(lái)看，一家大型醫院的研究診所結合了多種形式的AI，為其醫生提供診斷指導。該診所使用深度學(xué)習和計算機視覺(jué)對x線(xiàn)片、CT掃描和核磁共振成像進(jìn)行識別，以確定結節和其他與人類(lèi)大腦和肝臟有關(guān)的區域。該檢測過(guò)程使用深度學(xué)習技術(shù)和卷積神經(jīng)網(wǎng)絡(luò )，這是一類(lèi)通常用于分析視覺(jué)圖像的機器學(xué)習。這種檢測過(guò)程使用到了深度學(xué)習技術(shù)和卷積神經(jīng)網(wǎng)絡(luò )，卷積神經(jīng)網(wǎng)絡(luò )是一種通常用于分析視覺(jué)圖像的機器學(xué)習。

然后，該診所使用一種完全不同的AI技術(shù)——自然語(yǔ)言處理，建立一個(gè)基于家庭病史、藥物、既往疾病和飲食的患者檔案，它甚至可以解釋心臟起搏器等物聯(lián)網(wǎng)數據。該工具將自然語(yǔ)言數據與計算機視覺(jué)相結合，使醫務(wù)人員在寶貴的工作時(shí)間內工作效率大大提高。

圖3:物聯(lián)網(wǎng)分析生命周期——流式傳輸、過(guò)濾、評分和存儲