1.1.2 AIoT的发展与应用

物联网的概念早期见于比尔·盖茨的《未来之路》一书，书中提及了物物互联，但当时受限于无线网络、硬件和传感设备的发展，其中的描述并不清晰。1999年，美国麻省理工学院（MIT）的Kevin Ashton首次提出物联网（Internet of Things）的概念，同年MIT建立了自动识别中心，提出“万物皆可通过网络互联”，阐明了物联网的基本含义。在2005年的信息社会世界峰会（The World Summit on the Information Society，WSIS）上，国际电信联盟（ITU）报告指出，无所不在的“物联网”通信技术即将来临。此时业界开始存在相关共识：物联网将是继计算机、互联网和移动通信后，引领信息产业革命的一次新浪潮，也是未来社会经济发展、社会进步和科技创新方面最重要的基础设施之一，更是关系到未来国家安全的物理基础设施。2009年1月28日，IBM首席执行官彭明盛首次提出“智慧地球”的概念。同年8月，时任国务院总理温家宝提出了“感知中国”的战略构想，表示要抓住机遇，大力发展物联网技术。自此物联网在我国深入人心，并开始用于智能物流、智能交通、绿色建筑、智能电网、环境监测等领域。

AIoT的出现则始于是从物联网的云平台化，即各种物联网感知设备通过无线或者有线通信的方式将数据直接汇总到位于互联网中心的云平台上进行集中存储和管理。在这个阶段，物联网云平台更像是多种终端的设备管理平台，收集来的数据往往用于进行监控，而数据分析往往会交付其他云上的应用进行。这种架构形式时至今日在智慧楼宇、智能工厂等场景中仍然屡见不鲜。

之后便是利用AI对IoT相关设备充分赋能，与具备强大算力的云端AI一起，形成AIoT的框架，提供强大的整体性服务。尤其是在云原生这种淡化传统服务器架构的计算框架大趋势下，边缘计算设备、物联网操作系统等支撑性技术和产品正在不断丰富着AIoT的生态链，完善着整个计算框架。换言之，从云到端，从硬件到软件，从操作系统到应用平台，从数据到计算，AIoT的技术生态已经基本形成。

AIoT并不意味着AI和IoT的单纯技术叠加，而是智能与感知间的相互赋能。一方面，IoT能够源源不断地提供数据，为AI实现模型训练、提高精准性奠定基础；另一方面，AI也为IoT设备提供了更智慧的信息交互与分析的手段以及更丰富的应用场景。常见的AIoT研究主要从以下四个方面展开：感知层融合、操控层融合、应用层融合，以及安全及隐私保护融合。其中，感知层和操控层是应用的基础设施，感知层融合研究主要包括数据采集、数据分析、数据处理以及存储智慧化、异构感知设备智慧协同，操控层融合主要包括资源智慧化调度、异构物联网智慧协同、负载均衡、能耗管理、复杂事件智慧控制以及与云、边等计算范式的融合研究等内容。应用层融合主要包括智慧制造物联网、智慧农业、智能家居、智慧交通、智慧医疗、智慧社区等。安全与隐私保护研究主要涉及位置隐私保护、移动终端安全、传输媒介安全、信任管理、应用服务安全和数据与内容安全等。

受益于物联网技术的多年积累与近年来人工智能的快速发展，目前中国AIoT的市场规模在不断扩大。从投融角度便可见一斑，据艾瑞咨询发布的《2020年中国智能物联网（AIoT）白皮书》，2015—2019年11月，AIoT领域共发生1718起融资事件，总融资额达1919亿元，而从2015年到2018年的投资增速来看，投资事件数复合增速近14%，融资额增速高达73%，各种新创企业都在AIoT的风口抢滩布局，AIoT成为创投风口。另外，据中国信息通信研究院2020年发布的《物联网白皮书》，2019年我国物联网连接数全球占比高达30%，连接数为36.3亿，其中移动物联网连接数已从2018年的6.71亿增长到2019年底的10.3亿。截至2020年，我国的物联网产业规模已突破1.7万亿元。AIoT对实体经济的融合赋能，使AIoT整体业务未来可能享有十万亿元级的市场空间。受益于城市端AIoT业务的规模化落地及边缘计算的初步普及，2019年中国AIoT市场规模突破3000亿元。同时，由于AIoT在落地过程中需要重构传统产业价值链，过程中既要适应传统产业的特性、平衡传统产业链，又要与生态合作伙伴共同搭建最适宜产业AI赋能的架构体系，因此未来几年将处于较为稳定的发展节奏。

近年AIoT在实际应用中得到了快速普及。一方面是源于供给侧的不断成熟：人工智能硬件、芯片、算法、平台等技术的快速发展，使数据采集、数据存储和数据分析成本下降，降低了使用AIoT的成本门槛，而5G技术对AIoT的天然适性带来数据量的爆发，突破了AIoT的规模性技术瓶颈。另一方面是源于需求侧的强劲增长：消费领域个性化需求增强，消费者对智能生活助手等产品的便捷程度要求进一步提升，智能定制化产品大行其道；各个行业受环境影响对生产设备和系统的自动化、智能化需求旺盛，降本增效的意愿前所未有地迫切。

从AIoT当前的应用领域来看，物联网的智能化需求日渐迫切、价值日益凸显。在设备端侧，随着物联网应用行业的不断发展，数据实时分析、数据处理、数据决策和数据自治等边缘智能化需求日益增加。据IDC相关数据显示，未来超过50%的数据需要在网络边缘侧完成分析、处理和存储。在云上的业务服务侧，据GSMA预测，到2025年物联网上层的平台、应用和服务带来的收入占比将达到物联网收入的67%，成为价值增速最快的环节，而作为云端桥梁的物联网连接收入占比仅5%。在此仅以常见的数据挖掘为例进行分析，在AIoT中通过物联网采集而来的数据是超大规模的海量数据，依靠传统的人工观察和分析难以快速、有效地发现其中的规律，基于AIoT的数据挖掘可以运用关联分析、分类和预测、聚类分析、离群点分析、演化分析等方法快速从海量数据中获取潜在的、可解释的规律，以实现辅助决策。下面给出2个应用场景示例。

• 智慧农业，监控土壤等环境状况的传感器，将获得的数据通过物联网传输到云中心进行分析，以便根据农作物生长态势和环境的变化趋势进行及时干预和调控，以便达到预期生产目标。同时，AIoT采集的实时农业数据也可以为投资者或机构提供相关建议和预警。例如，在农产品期货交易中，大豆等作物的实时长势情况，便是各个金融机构进行多空交易的重要决策依据之一。

• 智能制造，现代制造和加工过程中不但伴随大量异构数据的产生和使用，更需要这些数据去控制和监控加工过程。AIoT通过各种监控设备和装置收集数据，以此监控每个生产环节的运行状态，进而实时监控与产品质量相关的各种状态，进而采取“停机”“变速”等不同的措施，以便达到保证质量、降本增效的目的。

在AIoT快速前行的同时，一些问题和挑战也不可避免地显现出来。首先是专用芯片发展速度滞后，专用芯片研发投入大、周期长，相比迭代速度，AI算法略显滞后；其次IoT的有限终端算力难以支持各种AI算法的直接部署，尤其在即时交互要求较高的场景中应用效果较差；同时安全和隐私也日益重要，AIoT应用需要对采集到的数据进行分析、挖掘或集成，尤其要将原本分布式和自主IoT设备中的数据进行集成，这些数据的维度和规模都在各种角度触及到了数据所有者的隐私。而数据窃取、数据滥用和数据误用的风险也将一直存在。