1.2.1 AIoT的發展背景

1.社會背景

“十二五”期間，我國的物聯網發展與發達國家保持同步，成為全球物聯網發展最活躍的國家之一。“十三五”期間，在“創新是引領發展的第一動力”的方針指導下，物聯網進入了跨界融合、集成創新和規模化發展的新階段。

2016年5月，在《國家創新驅動發展戰略綱要》中，將“推動寬帶移動互聯網、云計算、物聯網、大數據、高性能計算、移動智能終端等技術研發和綜合應用，加大集成電路、工業控制等自主軟硬件產品和網絡安全技術攻關和推廣力度，為我國經濟轉型升級和維護國家網絡安全提供保障”作為戰略任務之一。

2016年8月，在《“十三五”國家科技創新規劃》中，“新一代信息技術”的“物聯網”專題中提出：“開展物聯網系統架構、信息物理系統感知和控制等基礎理論研究，攻克智能硬件（硬件嵌入式智能）、物聯網低功耗可信泛在接入等關鍵技術，構建物聯網共性技術創新基礎支撐平臺，實現智能感知芯片、軟件以及終端的產品化”。在“重點研究”中提出“基于物聯網的智能工廠”“健康物聯網”等研究內容，并將“顯著提升智能終端和物聯網系統芯片產品市場占有率”作為發展目標之一。

2016年12月，《“十三五”國家戰略性新興產業發展規劃》提出實施“網絡強國”戰略，加快“數字中國”建設，推動物聯網、云計算和人工智能等技術向各行業全面融合滲透，構建萬物互聯、融合創新、智能協同、安全可控的新一代信息技術產業體系。

2017年4月，《物聯網的“十三五”規劃（2016—2020年）》指出：物聯網正進入跨界融合、集成創新和規模化發展的新階段。物聯網將進入萬物互聯發展新階段，智能可穿戴設備、智能家電、智能網聯汽車、智能機器人等數以萬億計的新設備將接入網絡。物聯網智能信息技術將在制造業智能化、網絡化、服務化等轉型升級方面發揮重要作用。車聯網、健康、家居、智能硬件、可穿戴設備等消費市場需求更活躍，驅動物聯網和其他前沿技術不斷融合，人工智能、虛擬現實、自動駕駛、智能機器人等技術取得新突破。

2020年7月，國家標準化管理委員會、工業和信息化部等五部門聯合發布《國家新一代人工智能標準體系建設指南》明確指出，新一代人工智能標準體系建設的支撐技術主要包括：大數據、物聯網、云計算、邊緣計算、智能傳感器、數據存儲及傳輸設備。關鍵領域技術標準主要包括：自然語言處理、智能語音、計算機視覺、生物特征識別、虛擬現實/增強現實、人機交互等。物聯網標準建設主要包括：規范人工智能研發和應用過程中涉及的感知和執行關鍵技術要素，為人工智能各類感知信息的采集、交互與互聯互通提供支撐。新一代人工智能標準體系建設將進一步加速AI技術與IoT的融合，推動AIoT技術的發展。

2021年3月，《中華人民共和國國民經濟和社會發展第十四個五年規劃和2035年遠景目標綱要》的第11章第1節“加快建設新型基礎設施”中指出：推動物聯網全面發展，打造支持固移融合、寬窄結合的物聯接入能力。加快構建全國一體化大數據中心體系，強化算力統籌智能調度，建設若干國家樞紐節點和大數據中心集群，建設大型超級計算中心。積極穩妥發展工業互聯網和車聯網。加快交通、能源、市政等傳統基礎設施數字化改造，加強泛在感知、終端聯網、智能調度體系建設。同時，提出構建基于5G的應用場景和產業生態，在智能交通、智慧物流、智慧能源、智能醫療等重點領域開展試點示范。綱要明確了AIoT在“十四五”期間的建設任務，規劃了2035年的發展遠景目標。

2.技術背景

2018年出現的AIoT是云計算、邊緣計算、5G、大數據、人工智能、數字孿生、區塊鏈等新技術在物聯網應用中交叉融合、集成創新的產物。

（1）云計算

云計算（Cloud Computing）并不是一個全新的概念。早在1961年，計算機先驅John McCarthy就預言：“未來的計算資源能像公共設施（如水、電）一樣被使用”。為了實現這個目標，在之后的幾十年里，學術界和產業界陸續提出了集群計算、網格計算、服務計算等技術，而云計算正是在這些技術的基礎上發展而來。

云計算作為一種利用網絡技術實現的隨時隨地、按需訪問和共享計算、存儲與軟件資源的計算模式，具有以下幾個主要的技術特征：按需服務、資源池化、泛在接入、高可靠性、降低成本、快速部署。

物聯網開發者可以將系統構建、軟件開發、網絡管理任務部分或全部交給云計算服務提供商，自己專注于規劃和構思物聯網應用系統的功能、結構與業務系統的運行。物聯網客戶端的各種智能終端設備（包括智能感知與控制設備、個人計算機、智能手機、智能機器人、可穿戴計算設備），都可以作為云終端在云計算環境中使用。

云計算平臺可以為物聯網應用系統提供靈活、可控和可擴展的計算以及存儲與網絡服務，成為AIoT集成創新的重要信息基礎設施。

（2）邊緣計算

隨著智能工業、智能交通、智能醫療、智慧城市等應用的發展，數以千億計的感知與控制設備、智能機器人、可穿戴計算設備、智能網聯汽車、無人機接入物聯網，物聯網應用對網絡帶寬、延時、可靠性方面的要求越來越高。傳統的“端-云”架構已經難以滿足高帶寬、低延時、高可靠性的物聯網應用需求，在這樣的背景下，基于邊緣計算與移動邊緣計算的“端-邊-云”架構出現了。

邊緣計算（Edge Computing）概念的出現可以追溯到2000年。邊緣計算的發展與面向數據的計算模式的發展是分不開的。隨著數據規模的增大和對數據處理實時性要求的提高，研究人員希望在靠近數據的網絡邊緣增加數據處理能力，將計算任務從計算中心遷移到網絡邊緣。最初的解決思路是采用分布式數據庫模型、P2P模型及CDN模型。1998年出現的內容分發網絡（CDN）采用基于互聯網的緩沖網絡，通過在互聯網邊緣節點部署CDN緩沖服務器，降低用戶遠程訪問Web網站的數據傳輸延時，加速內容提交。在早期的邊緣計算中，“邊緣”僅限于分布在世界各地的CDN緩沖服務器。隨著邊緣計算研究的發展，“邊緣”資源的概念已經從最初的邊緣節點設備，擴展到從數據源到核心云路徑中的任何可利用的計算、存儲與網絡資源。

2013年，5G研究催生了移動邊緣計算（Mobile Edge Computing，MEC）。MEC是一種在接近移動用戶的無線接入網的位置部署，能夠提供計算、存儲與網絡資源的邊緣云或微云。它能夠避免端節點直接通過主干網與云計算中心通信，從而突破云計算服務的限制。隨著5G應用的發展，MEC正在形成一種新的生態系統與價值鏈，并成為一種標準化、規范化的技術。2014年9月，歐洲電信標準化協會（ETSI）成立了MEC工作組，針對MEC的應用場景、技術要求、體系結構開展研究。MEC在研究之初只適用于電信公司的移動通信網。2017年3月，ETSI將MEC更名為多接入邊緣計算（Multiple-access Edge Computing），將MEC擴展到其他無線接入網（如Wi-Fi），以滿足物聯網對MEC的應用需求。

2012年，霧計算（Fog Computing）概念問世。霧計算被定義為一種將云計算中心任務遷移到網絡邊緣設備執行的虛擬化計算平臺。通過為移動節點與云端之間路徑上的計算與存儲資源部署計算節點，構成層次化的霧計算體系。移動節點可以就近訪問霧服務器緩存內容，以減輕主干鏈路的帶寬負荷，提高數據傳輸的實時性與可靠性。霧計算的概念是由計算機網絡研究人員提出的。霧計算從開始就考慮在電信運營商提供的MEC服務之外，允許非電信用戶通過自有設備（包括服務器、路由器、網關、AP等）提供MEC服務。

隨著5G應用的發展，MEC作為支撐5G應用的關鍵技術受到重視。電信運營商看到了MEC發展的重要性，于是投入大量資金大規模部署移動邊緣云。從Google搜索的統計數據來看，從2017年開始，MEC的社會關注度逐漸超過霧計算。

綜上所述，基于MEC的物聯網“端-邊-云”的網絡結構能夠為超高帶寬、超低延時、高可靠性的AIoT應用提供技術支持。

（3）大數據

隨著商業、金融、醫療、環保、制造業領域的大數據分析能力越來越強，通過獲取重要知識衍生出很多有價值的新產品與新服務，人們對“大數據”重要性的認識也日益深刻。2008年之前，這種大數據量的數據集通常稱為“海量數據”。2008年，Nature雜志出版了一期專刊，專門討論未來大數據處理的挑戰，提出了“大數據”（Big Data）的概念。產業界將2013年稱為大數據元年。

隨著物聯網的快速發展，新的數據不斷產生、匯聚、融合，這種數據量增長已經超出人類的預想。無論是數據的采集、存儲與維護，還是數據的管理、分析與共享，對人類都是一種挑戰。

大數據并不是一個確切的概念。到底多大的數據是大數據，不同的學科領域、不同的行業有不同的理解。目前，可看到三種大數據的定義。第1種定義是將大到不能用傳統方法處理的數據稱為大數據。第2種定義是將大小超過標準數據庫工具軟件能夠收集、存儲、管理與分析的數據集稱為大數據。第3種定義是維基百科給出的定義：無法使用傳統和常用的軟件技術與工具在一定的時間內獲取、管理和處理的數據集稱為大數據。數據量的大小不是判斷大數據的唯一標準，判斷數據是否為“大數據”，需要看它是否具備“5V”特征：大體量（Volume）、多樣性（Variety）、時效性（Velocity）、準確性（Veracity）和大價值（Value）。

物聯網中的大數據研究與一般的大數據研究有共性的一面，也有個性的一面。共性的一面首先表現在大數據分析的基本內容上。大數據分析的基本內容包括可視化分析、數據挖掘算法、預測性分析能力、語義引擎、數據質量與數據管理。這五個內容在物聯網大數據分析中依然存在。但是，物聯網行業應用也有它的特殊要求，需要注意物聯網產生的大數據與一般大數據的不同。物聯網大數據具有異構性、多樣性、實時性、顆粒性、非結構化、隱私性等特點。

物聯網的智能交通、智能工業、智能醫療中的大量傳感器、RFID標簽、視頻監控器、工業控制系統產生大量數據是造成數據“爆炸”的重要原因之一。物聯網為大數據技術發展提出了重大應用需求，成為大數據技術發展的重要推動力。在物聯網中，通過不同的感知手段獲取大量數據不是目的；通過對大數據進行智能處理，提取正確的知識并準確地反饋控制信息，才是物聯網對大數據研究提出的真正需求。

（4）5G

隨著物聯網規模的超常規發展，大量的物聯網應用系統將部署在山區、森林、水域等偏僻地區。很多物聯網感知與控制節點密集部署在大樓內部、地下室、地鐵與隧道中，4G網絡及技術已難以適應，只能寄希望于5G網絡及技術。

物聯網涵蓋智能工業、智能交通、智能醫療與智能電網等行業，業務類型多、需求差異大。在智能工業的工業機器人與工業控制系統中，節點之間的感知數據與控制指令傳輸必須保證是正確的，延時必須在毫秒量級，否則就會造成工業生產事故。無人駕駛汽車與智能交通控制中心之間的感知數據與控制指令傳輸同樣必須保證是準確的，延時必須控制在毫秒量級，否則會造成車毀人亡的重大交通事故。物聯網中對反饋控制的實時性、可靠性要求高的應用對5G的需求格外強烈。

ITU明確了5G的三大應用場景：增強移動寬帶通信、大規模機器類通信與超可靠低延時通信。其中，大規模機器類通信應用場景面向以人為中心的通信和以機器為中心的通信，面向智慧城市、環境監測、智慧農業等應用，為海量、小數據包、低成本、低功耗的設備提供有效的連接方式。超可靠低延時通信應用主要滿足車聯網、工業控制、移動醫療等行業的特殊應用對超高可靠、超低延時通信場景的需求。5G作為物聯網集成創新的通信平臺，有力地推動著AIoT應用的發展。

（5）人工智能

人工智能（Artificial Intelligence，AI）是計算機科學、控制論、信息論、神經生理學、心理學、語言學等多學科高度發展、緊密結合、互相滲透而發展起來的一門交叉學科。但是，“人工智能”至今仍然沒有一個被大家公認的定義。不同領域的研究者從不同角度給出了不同的定義。最早的人工智能的定義是“使一部機器的反應方式就像是一個人在行動時所依據的智能”。有的科學家認為“人工智能是關于知識的科學，即怎樣表示知識、獲取知識和使用知識的科學”。一種通俗的解釋是人工智能大致可分為兩類：弱人工智能和強人工智能。弱人工智能是能夠完成某種特定任務的人工智能；強人工智能是具有人類同等的智慧，能表現人類所具有的所有智能行為或超越人類的人工智能。

人工智能誕生的時間可追溯到20世紀40年代，期間經歷了三次發展熱潮。第一次熱潮出現在1956～1965年，第二次熱潮出現在1975～1991年，第三次熱潮出現在2006年至今。

2006年，以深度學習（Deep Learning）為代表的人工智能掀起第三次熱潮。“學習”是人類智能的主要標志，也是人類獲取知識的基本手段。“機器學習”研究計算機模擬或實現人類的學習行為，以獲取新的知識與技能，不斷提高自身能力的方法。自動知識獲取成為機器學習的研究目標。提到“學習”，首先會聯想到上課、作業、考試。上課時，跟著老師學習屬于“有監督”的學習；課后做作業，需要自己完成，屬于“無監督”的學習。平時做的課后習題是學習系統的“訓練數據集”，而考試題屬于“測試數據集”。學習好的同學由于平時訓練好，因此考試成績好；學習差的同學由于平時訓練少，因此考試成績差。如果將學習過程抽象表述，那就是：學習是一個不斷發現并改正錯誤的迭代過程。機器學習也是如此。為了讓機器自動學習，需要準備三份數據：訓練集、驗證集與測試集。

? 訓練集是機器學習的樣例。

? 驗證集用于評估機器學習階段的效果。

? 測試集用于在學習結束后評估實戰的效果。

第三次人工智能熱潮的研究熱點主要是機器學習、神經網絡與計算機視覺。在過去幾年中，圖像識別、語音識別、機器人、人機交互、無人駕駛汽車、無人機、智能眼鏡等越來越多地使用了深度學習技術。

機器學習系統的主要組成部分是數據。物聯網的數據來自不同行業、應用、感知設備，包括人與人、人與物、物與物等各種數據。這些數據可以進一步分為：環境數據、狀態數據、位置數據、行為數據與控制數據，它們具有明顯的異構性與多樣性。因此，物聯網數據是機器學習的“金礦”。物聯網智能數據分析廣泛應用了機器學習方法，它們越來越依賴于大規模的數據集和強大的計算能力；云計算、大數據、邊緣計算、5G技術的發展為人工智能與物聯網的融合提供了巨大的推動力。

（6）數字孿生

工業4.0促進了數字孿生的發展。2002年，數字孿生（Digital Twin）這個術語出現。傳統的控制理論與方法已不能滿足物聯網復雜大系統的智能控制需求。2019年，隨著“智能+”概念的興起，數字孿生成為產業界與學術界研究的熱點。

數字孿生是基于人工智能與機器學習技術，它將數據、算法和分析決策結合在一起，通過仿真技術將物理對象映射到虛擬世界，在數字世界建立一個與物理實體相同的數字孿生體，通過人工智能的多維數據復雜處理與異常分析，合理地規劃、實現對系統與設備的精準維護，預測潛在的風險。數字孿生的概念涵蓋以下幾個基本內容：

? 驅動數字孿生發展的五大要素是感知、數據、集成、分析、執行，它們與物聯網是完全一致的。

? 數字孿生的核心技術包括多領域、多尺度仿真建模，數字驅動與物理模型融合的狀態評估，生命周期數據管理，虛擬現實呈現，以及高性能計算等。

? 在5G應用的推動上，數字孿生表現出“精準映射、虛實交互、軟件定義與智能控制”的特點。

數字孿生是在物聯網、云計算、大數據與智能技術的支撐下，通過對產品全生命周期的“迭代優化”和“以虛控實”方法，徹底改變了傳統的產品設計、制造、運行與維護技術，將極大地豐富智能技術與物聯網技術融合的理論體系，為物聯網的閉環智能控制提供新的設計理念與方法。目前，數字孿生正從工業應用向智慧城市等綜合應用方向發展，從而進一步提升物聯網的應用效果與價值。

（7）區塊鏈

區塊鏈與機器學習被評價為未來十年可能提高人類生產力的兩大創新技術。區塊鏈（Blockchain）技術始于2009年。目前，區塊鏈正在融入各行各業與社會的各個方面。

人類的文明起源于交易，交易的維護和提升需要有信任關系。一個交易社會需要有穩定的信用體系，這個體系有三個要素：交易工具、交易記錄與交易權威。互聯網金融打破了傳統的交易體系，我們依賴了幾百年的信任體系受到嚴峻的挑戰。區塊鏈作為“去中心化”協作、分布式數據存儲、“點-點”傳輸、共識機制、加密算法、智能合約等技術在網絡信任管理領域的集成，能夠剔除網絡應用中最薄弱的環節與最根本缺陷（即人為因素），因此研究人員認為區塊鏈將成為重新構造社會信任體系的基礎。

物聯網存在與互聯網類似的問題。物聯網應用系統要為每個接入的節點（如傳感器、執行器、網關、邊緣計算設備與移動終端）配置一個節點名、分配一個地址、關聯一個賬戶。賬戶要記錄對傳感器、執行器、網關、邊緣計算設備、移動終端設備的感知、執行、處理之間的數據交互，以及高層用戶對節點數據查詢與共享的行為數據。物聯網系統管理軟件要隨時對節點賬戶進行審計，檢查對節點賬戶進行查詢、更新的用戶身份與權限是否合法，發現異常情況要立即報警和處置。同時，物聯網中物流與供應鏈、云存儲與個人隱私保護、智能醫療中個人健康數據的合法利用和保護、通信與社交網絡中的用戶網絡關系維護，都會用到區塊鏈技術。“物聯網+區塊鏈”（BIoT）將成為建立物聯網系統可信、可用、可靠的信任體系的理論基礎。目前，區塊鏈已經應用到物聯網的智慧城市、智能制造、供應鏈管理、數字資產交易、可信云計算與邊緣計算等領域，并將逐步與實體經濟深度融合。物聯網、區塊鏈與人工智能等技術的融合應用，將引發新一輪的技術創新和產業變革。

綜上所述，AIoT的形成與發展的過程如圖1-2所示。