隨著科技的不斷發展，一些在功能上具有相互補充作用的技術正在不可避免地發生結合——例如，人工智能（AI）和物聯網（IoT）。

由于物聯網的快速發展，企業可以使規模龐大的設備或“事物”實現網絡連接和數據共享，并能夠通過數據分析獲取收益。由于AI能夠從海量物聯網數據中“學習”，從而快速作出決策并揭示深刻見解，因此對于任何希望擴展物聯網價值的企業而言，AI都是一種必不可缺的分析能力。

在本文中，我們將探討AI和物聯網（即AIoT）如何共同為各行各業的組織創造新價值。

一、IoT-連接的藝術

1.萬物互聯的迅速崛起

1982年，卡內基梅隆大學將可樂機改裝成為世界首個可連接的智能設備，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，我們生活在一個物聯網多于人聯網的世界里。不但如此，Business Insider Intelligence預計，到2025年，物聯網設備將超過550億，遠高于2017年的90億。

快速擴張的物聯網技術將便攜式設備、家用電器、汽車、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網網絡, 并能相互進行數據交換。從消費類可穿戴設備，到工業機器和重型機械，這些相互連接的“物”可以向環境發出信號、能夠被遠程操縱和控制，并且能越來越多地自主做出決策并執行。

目前來看，物聯網幾乎無處不在。它可以是一個家庭自動化系統，通過檢測環境的改變自動調整恒溫器或照明設備；它也可以是生產設備，能夠及時提醒維護技術人員即將發生的故障；它還可以是車載導航系統，能夠檢測用戶的位置并提供環境方向感知……此外，物聯網還有很多應用案例，例如，用戶可以將具有語音識別的設備作為個人數字助理，商業車隊通過配備傳感器來傳達動態等等。

這個由相互連接的設備、人員和環境組成的生態系統產生了大量復雜的數據。例如，今天的汽車和卡車就像建立在車輪上的數據中心，大量配備的傳感器可以監控從輪胎壓力到發動機性能、部件健康狀況、無線電音量、駕駛員動作——甚至是擋風玻璃上是否有障礙物或雨點等狀態數據。一輛聯網的汽車每小時能輸出大約25GB的數據，而自動駕駛汽車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網故事的開始。

2.從收集數據到智能連接

智能連接設備一般由四層組成：

物理元件，如機械和電氣部件。

智能元件，如傳感器，處理器，存儲和軟件。

連接元件，如端口，天線和協議。

自主分析，可以在邊緣訓練和運行AI模型。

智能元件放大了物理元件的作用。智能元件反過來又被連接元件放大，從而實現監監測、控制和優化。但就其本身而言，僅僅將事物進行聯接并不會促進學習。連接為進一步的學習鋪平了道路，但也只是基礎。

在最底層的應用方面，物聯網設備生成的數據可以被用于觸發簡單的警報。例如，如果傳感器檢測到超出閾值的情況，比如過熱或振動，它就會觸發警報，通知技術人員進行檢查。而在一個更復雜的物聯網系統中，則可能有幾十個傳感器監控到事物的方方面面。

正是這些應用場景為設備的連接增加了價值，但是物聯網的真正價值在于另一個更復雜的層次，這些價值會在物聯網設備能夠進行學習并自主決策時體現出來。

例如，使用物聯網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網驅動的執行器，以減少類似設備發生故障的可能性；自動駕駛車輛也可以將他們的經驗傳遞給網絡中的其他車輛。

這些功能是物聯網應用程序個性化需求的基礎:

作為人類，我們希望得到智能設備的單獨對待，從而需要它們了解我們的習慣、行為模式和偏好。例如，可穿戴技術應該考慮監測運動員的動作，并在檢測到其將受傷時發出信號。因為沒有兩個人的移動會完全相同，所以應用程序只有具備更好的個性化才有意義。

再例如，零售商可以使用由物聯網技術支持的相機進行物體檢測以及機器學習，以便在適當的時刻向購物者提供量身定制的廣告和優惠。

隨著機器變得越來越復雜，個性化的需求也變的越來越迫切。例如，相同品牌和型號的兩件工業設備在不同條件下的性能可能不同，以相同的方法對待它們可能會錯失提高運營效率、提高安全性和更好地利用資源的機會，因此需要以不同的方式進行使用。

再例如，通過機器學習可以幫助操作人員確定特定生產運行的最佳機器集合，從而在車間內做出更好的決策。

二、AI-無所不在的構建智能

1. AI的演變

AI是一門通過學習和自動化來模擬人類任務的訓練系統的科學。借助嵌入式AI，機器可以不斷適應新的輸入并從經驗中學習，還能在沒有人工干預的情況下完成特定的任務。目前來看，AI已被廣泛應用于面部識別、語音識別和在游戲中擊敗人類國際象棋、圍棋冠軍。

AI誕生于上世紀50年代，但直到最近幾年隨著物聯網數據量、高速連接和高性能計算的爆炸式增長，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。機器學習是AI的一個子集，它可以識別來自智能傳感器和設備數據中的模式和異常。隨著時間的推移，機器學習算法可以通過“學習”提供更準確的結果。因此，機器學習優于傳統的商業智能工具，并且相較基于規則、閾值或計劃的系統能夠更快、更準確地進行操作預測。

深度學習，計算機視覺，自然語言處理以及經過時間考驗的預測或優化中的機器學習等技術使AI成為了物聯網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，從而產生了先進的物聯網設備，它還可以從與用戶、服務提供商和生態系統中的其他設備的交互中學習。

圖1：AI的演變

2.AI的潛力

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

公用事業和制造商可以檢測表現不佳的資產，并能在發生代價高昂或危險的設備故障之前進行預測性維護或自動關閉。

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

零售商可以使用基于位置和環境感知的技術來檢測店內情況，并將其與其他數據（如在線用戶配置文件和店內庫存）相結合，可以在客戶進入商店時發送實時個性化優惠。

無人機可以用以及時了解互聯網或GPS無法到達的黑暗、閉塞的環境中的未知情況，并能用來調查如海上作業、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倉庫的過道，從貨架上挑選零件或貨物并將它們運送到正確的位置，并能避免沿途發生碰撞。協作機器人（“cobots”）可以與人類一起工作，從事繁重的搬運、舞臺材料的組裝或完成重復性的任務和動作。

集裝箱和牽引拖車可以監測溫度、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，在需要干預時提醒護理人員，并提醒患者服用藥物。

城市可以在實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量因素。

圖2:工業AI驅動的物聯網應用

這種自適應、預測和“學習”的能力在工業物聯網(IIoT)中尤其重要，因為系統故障和停機可能會導致危及生命或高風險的情況發生。

三、AI和物聯網成功的四個關鍵

除了傳感器、攝像頭、網絡基礎設施和計算機等智能物聯網的物理基礎設施外，還有一些要素是成功部署的關鍵:

思考并實時分析。使用事件流處理來分析運動中的各種數據，并確定哪些是最相關的。

能夠在云端、網絡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。對象識別或處理自然語言等AI功能具有非常高的價值，并能在協同作用中發揮關鍵作用。

統一完整的分析生命周期，對數據進行流化、過濾、評分、存儲相關內容、分析并使用結果持續改進系統。

1.實時分析

事件流處理在處理物聯網數據時起著至關重要的作用，因為它能夠:

檢測感興趣的事件并觸發適當的操作。事件流可以處理實時精確定位中的復雜模式，例如它可對個人移動設備的操作或銀行交易期間的異常活動進行快速檢測。

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

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，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可以檢測并解決此類數據問題，還能對即將發生的傳感器故障或網絡錯誤導致的臟數據進行清洗。

實時預測和優化運營。高級算法可以持續對流數據進行評分，以便在瞬間做出決策。例如，可以在數據環境中分析有關火車的到達信息，并延遲另一趟火車的出發時間，以保證乘客不會錯過換乘。

2.在應用程序需要的地方部署智能

前面描述的案例需要不斷變化和移動的數據(例如自動駕駛車輛內駕駛員的地理位置或溫度)以及其他離散數據(例如客戶概況和歷史購買數據)。這一現實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、云端或存儲中的繁重數據進行高效處理。

流分析可對運動中的大量不同數據進行分析，這些數據中可能只有少量是我們需要的并只有短暫的價值，因此速度十分重要，例如發送有關即將發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行操作，而無需暫停獲取、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，要記住的關鍵原則是，并非所有數據點都是相關的，也不是所有數據點都需要發送并永久存儲。分析基礎架構必須靈活且可擴展，以支持當前和未來的所有需求。

3.協同AI技術

要用AIoT實現最高的回報，除了部署單一的AI技術外，還需要考慮其他方面。例如，可以采用多種AI功能協同工作的平臺，將機器學習與自然語言處理和計算機視覺等進行協同工作。

舉例來看，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。該診所使用深度學習和計算機視覺對x線片、CT掃描和核磁共振成像進行識別，以確定結節和其他與人類大腦和肝臟有關的區域。該檢測過程使用深度學習技術和卷積神經網絡，這是一類通常用于分析視覺圖像的機器學習。這種檢測過程使用到了深度學習技術和卷積神經網絡，卷積神經網絡是一種通常用于分析視覺圖像的機器學習。

然后，該診所使用一種完全不同的AI技術——自然語言處理，建立一個基于家庭病史、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網數據。該工具將自然語言數據與計算機視覺相結合，使醫務人員在寶貴的工作時間內工作效率大大提高。

圖3:物聯網分析生命周期——流式傳輸、過濾、評分和存儲

4.統一完整的分析生命周期

為了從互聯的世界中獲得價值，AIoT系統首先需要訪問各種不同的數據來感知正在發生的重要事項。接下來，它必須從豐富的數據環境中提取對數據的理解。最后，無論是提醒操作員、提供報價還是修改設備操作，它都必須得到快速的結果。

成功的物聯網實施將在整個分析生命周期中鏈接這些支持功能：

動態數據分析，這是前面描述的事件流處理部分。事件流處理以非常高的速率(在每秒數百萬的范圍內)分析大量數據，并以極低的延遲(以毫秒為單位)分析數據，事件流處理以極高的速率(以每秒數百萬計)、極低的延遲(以毫秒為單位)分析大量數據，以識別感興趣的事件。

實時決策/實時交互管理。可將感興趣事件的流數據推入可正確決策或行動的推薦引擎，例如汽車不斷變化的位置、方向、目的地、環境等。

大數據分析。從物聯網設備獲取智能首先需要具備能夠從分布式計算環境中快速獲取和處理大量數據的能力，并能夠運行更多的迭代以使用所有的數據，從而提高模型的準確性。

數據管理。物聯網數據可能太少、太多，而且肯定會以多種格式出現，因此必須進行集成和協調。可靠的數據管理可以從任何地方獲取物聯網數據，并使其干凈、可信，為下一步分析做好準備。

分析模型管理。模型管理提供從注冊到退休的整個分析模型生命周期的基本治理。這確保了模型管理方式的一致性，并確保性能不會隨著時間的推移而降低。

結語：AI和物聯網將重新定義可能性

具有數千個連接點的高性能物聯網設備和環境正在網絡中擴散，不斷下降的硬件成本使得將傳感器和連接性嵌入任何東西都成為可能。計算機、光速通信和分析技術的進步，使得在網絡邊緣等任何需要的地方都能創造出由AI驅動的智能。