智能是物聯網核心

第一個關鍵詞是物聯網，而在第一次物聯網講堂分享的主題是物聯網的三個關鍵詞，這三個關鍵詞分別是融合、智能、生態。而今天特別強調的物聯網關鍵詞是智能。

物聯網概念興起的一個主要推動力是2009年IBM推出的智慧地球概念，進一步影響到美國和中國的政策。IBM對物聯網的定義中，最關鍵的是智能，物聯網創造價值主要是利用連接設備的數量由量變引起質變后可以沉淀大量的數據，并進一步形成智慧，利用智慧創造巨大的價值。

物聯網智能特別重要？互聯網信息聯網，信息是給人看的，人本身是有智慧的，當人看到信息后，能夠作出進一步處理的決策。但在物物相連之后，物體（或者設備）接收到信息后，如何做下一步處理？物體本身沒有智慧，物聯網體系就需要有一定的智能，物體根據收到的信息，將各種物體的實際狀態信息傳遞出來，體系內的智能幫助物體判斷，做下一步的處理，這就需要物聯網具備智能。

物聯網系統中，智慧的產生有以下幾種形式：

1、將某一個領域非常有經驗的專家經驗，融到專家系統中，專家系統會根據設備狀況提供設備下一步處理的建議。（某石化系統的專家系統，這個系統包含兩部分：一部分是物聯網，將設備的實時狀態信息傳遞到系統；另外一部分是專家系統，將石化系統內知名的設備維修專家的經驗融入專家系統。專家系統為設備實時運行狀態設定了閥域值，當設備超出閥域值之后，會根據專家系統的專家的經驗，給出設備需要檢查、維護、維修的意見）。

2、將某一領域的知識體系，嵌入到物聯網系統中。比如將控制算法嵌入到系統中。將APS理論應用到物聯網系統中（今年在漢諾威工業展上，SAP主要推廣的是SAP的物聯網平臺Leonardo，SAP的很多新應用都是在Leonardo上實現的，其中將APS算法融入到系統中，APS是高級排產功能，在SAP的系統中，生產物料根據生產訂單的工序，自動根據APS的算法，尋找匹配的閑置的生產設備，提高了設備的利用率。）。SAP的物聯網系統，融入了APS的知識體系，利用已有知識體系實現智能。

3、隨著大數據融合在一個平臺，很多潛在的有價值的關聯信息大量被挖掘，利用大數據分析，從而形成新的智慧。

4、物聯網具備學習能力，通過一定時間的給定條件的輸入、輸出，訓練出智能，以后根據訓練出來的智能，在給定輸入情況下提供智能的輸出。

其中第一種、第二種智慧，是人類智慧中非常小的一部分。而未來更多的智慧是通過第三種、第四種模式來形成的智慧。而第三種智慧最主要的是利用大數據技術，第四種智慧最主要的是人工智能技術。

學習能力是人工智能的關鍵

看第二個關鍵詞：人工智能。

百度百科對人工智能的定義：人工智能（Artificial Intelligence），英文縮寫為AI。它是研究、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。

用來研究人工智能的主要物質基礎以及能夠實現人工智能技術平臺的機器就是計算機，人工智能的發展歷史是和計算機科學技術的發展史聯系在一起的。除了計算機科學以外，人工智能還涉及信息論、控制論、自動化、仿生學、生物學、心理學、數理邏輯、語言學、醫學和哲學等多門學科。人工智能學科研究的主要內容包括：知識表示、自動推理和搜索方法、機器學習和知識獲取、知識處理系統、自然語言理解、計算機視覺、智能機器人、自動程序設計等方面。

我不是人工智能的專家，而人工智能涵蓋面非常廣；所以我介紹人工智能，是從應用這個角度入手，理論不會特別嚴謹，知識抓住人工智能的終重點介紹。

首先我關注到，研究人工智能的機構或者研究者很多都是自動化領域的專家，比如現在中國人工智能協會的理事長譚鐵牛先生，是自動化專家，原來也是中國科學院自動化研究所的所長。而中科院自動化所在人工智能領域的學術能力是最強的，國內一家非常知名的人工智能企業的技術，是自動化所得技術。

而在大學期間學習過的神經元控制，就是人工智能：

X是輸入層，隱含層是三層節點，而這些節點之間有一定權重。

Y是輸出層。

訓練階段，是已經X，Y，訓練隱含層之間節點的權重。

應用階段：隱含節點權重確定之后，根據X，和這些權重，得到輸出Y。

所謂的深度學習，無非是增加了隱含層的層數。

我在大學期間，計算機處理能力，只能處理非常少的隱含層，但云計算突破了技術的限制，可以解決非常復雜的問題了。

看一下人工智能的發展歷史：這是譚鐵牛院士在2016年人工智能大會上做的圖。現在人工智能已經經歷了三次期望的波峰。第一次是人工智能概念的誕生；第二次是專家系統遍地開花，人工智能專項實用，而第三次就是這一輪的人工智能的興起，這次人工智能的興起，源自云計算、物聯網和大數據等技術的突破，深度學習和大數據的興起帶來人工智能的爆發。

這一輪人工智能熱，是因為深度學習人工智能取得了一定的成功，但深度學習的成功，不是理論方法的突破，而是大數據和大規模計算資源驅動下的基于基礎理論的技術突破，其本質是通過多層非線性影射，對復雜函數進行逼近。深度學習存在明顯局限物聯網，對任務的無縫切換，知識遷移，對環境變化的適應和自我完善物聯網，對小樣本的舉一反三，與人類的學習能力相差甚遠。

物聯網與人工智能相互促進

物聯網與人工智能相互促進：物聯網為人工智能的發展提供大量的數據，而人工智能幫助物聯網設備實現智能。今天分享人工智能在物聯網四層架構的作用。

比較通用的物聯網技術架構分三層：感知層、網絡層和智能應用層。隨著技術的發展，在智能應用層又分為邊緣計算層的智能應用，和云計算層的智能應用。所以今天介紹的架構是：感知層、網絡層，邊緣計算層和云計算層。

而這四層都需要人工智能支持。

感知層：

感知層包括傳感器、執行器、RFID和一些智能裝置。隨著技術的發展，感知層越來越需要人工智能。

比如傳統的檢測汽車是否壓線，是否闖紅燈，一般是在路上打磁釘做傳感器，但磁釘影響路面，現在用的是虛擬磁釘：利用圖像，通過對圖像的人工智能處理，通過圖像判斷是否闖紅燈和是否壓線。

還有銀行的防盜系統，通過識別圖像圍欄，來做銀行的安防。這些都用到了人工智能的技術。

以前曾經了解過圖漾信息，最近在創業邦人工智能創新50強中，獲得1500萬的融資，其技術可以做立體識別，通過更加詳細的動作識別來判斷危險動作，曾經帶圖漾信息與大華交流，大華非常感興趣，但可惜我沒能幫助這家企業融到資，但了解了這個行業的知識。。

在工業領域，圖像的人工智能技術應用更加廣泛，隨著智能制造的發展，越來越多的企業開始個性化定制，而個性化定制，要求檢測技術要求越來越通用化。

我曾經在軸承行業做過調研，傳統的軸承生產過程中，對產品的檢測是首件檢測，尾件檢測，中間抽檢。而每一批產品，都要手工檢測。傳統的生產批量大，這種模式，這種模式效率低一些可以忍受，如果沒種產品批次很少，用傳統接觸式檢測的效率低，每次檢測調整周期長。現在工業對于非接觸式檢測，也就是通過圖像識別檢測的需求特別旺盛。

如果可以實現非接觸式圖像檢測，一方面可以提高生產設備的柔性，可以實現件件檢測，提高質量水平；還可以通過檢測實現動態刀具補償，降低產品的偏差。

在感知層的人工智能，還包括語音識別，道路識別等等。

最近智能音箱受到資本追捧，主要是利用語音識別技術，讓音箱成為一個人機交互的入口，就需要音箱能夠識別控制命令，信息，并通過語音控制設備。

通訊層的人工智能

當萬物互聯之后，一個人對應多臺設備，而設備聯網自動配置是復雜的，就需要設備聯網智能化，實現網絡的自動配置。

設備具備多樣性，從而決定了物聯網時代連接方式的多樣性，5G，NB－iot，有線，工業以太網，總線，WIFI，Zigbee，藍牙等通訊方式都可能存在，還可能會有新的通訊，比如電銷機器人bee。未來有些設備可能支持一種以上的通訊，設備智能聯網需要選擇適合的通訊方式。

物聯網時代網絡結構會比互聯網的網絡結構復雜，從A到B的網絡會有多種路由路徑可選，哪個路由路徑速率快，哪個路由路徑效率最高，哪個路由路徑最穩定，這些也需要人工智能。

網絡安全非常重要，就需要在網絡上有良好的網絡測試機制，還需要有智能化的安全機智。計算機的智能安全可以由人通過安全軟件來實現，而設備的安全，其智能功能需要人工智能來實現。

邊緣計算和云計算的人工智能：

我經常用仿生的原理來解釋智能的發展。

比如人在學習一個武術套路時，最開始學習每一招，都要用腦去記住套路，然后堅持鍛煉這個套路，慢慢的熟練成自然，長期堅持，就形成了條件反射，當套路熟練的時候，就不用腦子，就能夠把整套武術快速完整的完成。

而形成條件反射之后，別人打過來時，就會自然形成躲避或者回擊的反應。

所以物聯網的應用會與人學習武術的模式非常類似：當第一種條件發生的時候，是通過云計算的智能形成，而未來大數據與人工智能結合的智能方式是未來的主流模式。

當相似條件持續發生的時候，邊緣計算就會學習云計算處理的方法，逐漸過渡到由邊緣計算自動判斷完成的智能。

這個過程一方面在云計算層要實現基于大數據深度學習的人工智能；而邊緣計算層也要不斷學習云計算層的處理，形成類似條件反射的智能反應。

人工智能與物聯網是相輔相成的，相互支持！物聯網連接是基礎，依靠智能創造價值！而人工智能需要載體，物理網就是良好的載體！