工业人工智能系统框架、关键技术、典型应用与发展趋势
来源：原文刊载于《机床与液压》2022年5月
作者：唐露新张儒锋姜德志林建文周书兴
近年来，智能制造是很多工业发达国家积极推进和重点发展的领域，美国、欧洲和日本等都将目光转向人工智能等核心技术，并不断取得新的突破和应用。2016年，美国发布了《国家人工智能研究和发展战略计划》和《为人工智能的未来做好准备》等重要报告，前者提出了投资、人机协同、社会、安全、培训测试、标准和人才等7个人工智能领域的战略方向，后者从政府与治理角度探讨人工智能的挑战与治理问题。美国2020—2021年财务预算优先智能和数字化制造，特别是结合工业物联网、机器学习和人工智能的制造系统等领域。
2017年，德国发布“工业4.0”，并提出面向经济的人工智能战略，启动开发和应用“学习系统”计划，使工作和生产更加灵活和节省资源，从5个方面推进数字策略，期望德国在2025年成为人工智能领军者。2018年，欧盟发布《人工智能协调计划》，制定了投资、研究应用、人才、数据、伦理、公用和合作等7项具体行动，希望使欧洲成为人工智能开发应用的领先者。日本人工智能发展规划稍迟一些，由人工智能技术战略委员会、总务省、文部科学省以及经济产业省负责人工智能规划，2017—2019年相继出台《人工智能技术战略》《人工智能技术战略执行计划》《人工智能战略2019》等战略计划，以本国优势及社会问题为导向的发展思路，主要集中在工业、医疗和交通等三大领域。
2017年，我国发布《新一代人工智能发展规划》，提出了面向2030年我国新一代人工智能发展的指导思想、战略目标、重点任务和保障措施，部署科技创新体系、产业、社会、军民融合、基础设施和重点科技项目等6项重点工作，投资1500亿发展人工智能产业，加快建设创新型国家和世界科技强国。随后发布《促进新一代人工智能产业发展三年行动计划(2018—2020年)》，并在《“十三五”国家科技创新规划”》《“十三五”国家战略性新兴产业发展规划》以及“科技创新2030－重大项目”等规划文件中，都将人工智能列入发展重点，充分体现了我国政府发展人工智能的决心和魄力。
在人工智能战略布局和时间起点方面，美国、德国、中国和日本都差不多，但相对政府层面而言，中国的规划、支持和执行力度更大，其中工业领域人工智能的应用是美国、德国、中国和日本等国家智库和高科技公司高度关注的焦点，成为公认的提升制造业整体竞争力的国家战略。
对于近年来国内外人工智能的发展状况有很多报告，其中包括国家智库层面和企业民间层面的，评价体系也各有不同，因此也只是一个侧面反应。针对1990—2019年中美德英日韩等六国，对比产业核心技术专利数量，中国在产业人工智能方面前进步伐较大，如图1所示。浙江大学顾国达等构建了一个系统全面的人工智能评价指标体系，涵盖人工智能的环境支撑力、知识创造力、产业竞争力3个主要评价领域，2个具体指标，既可从整体掌握经济体人工智能的综合实力，又可从多维度对人工智能的发展成效进行国际比较和动态追踪。利用2010—2018年人工智能领域的数据，对中国、美国、欧洲、日本、韩国和加拿大等6个代表性经济体的人工智能发展水平进行测度，虽然整体水平呈现上升趋势，但增速并不稳定，各经济体间相对差距逐步扩大，中国已进入国际领先集团，发展潜力巨大，但产业竞争力领域与美国差距不小，人力资本和企业经营等重点领域的短板亟须弥补。
图1人工智能产业核心专利数和国家分布示意
在2020年7月世界人工智能大会云端峰会开幕式上，工信部部长苗圩致辞:“整体来看，我国人工智能产业发展势头良好，技术创新日益活跃，产业规模持续壮大，与行业融合应用不断深入，发展前景可期。”
1工业人工智能系统框架
人工智能概念是1956年在美国达特茅斯学院人工智能研讨会上提出的。人工智能是计算机科学或智能科学的分支，主要研究用机器和算法模仿和执行人脑的某些思维和智力功能，期间经历了计算智能、感知智能和认知智能等3个发展阶段。通过不断演进，特别是脑科学、超级计算、大数据、工业互联网、视觉检测等领域的新理论新技术取得的突破和进展，使得人工智能发展突飞猛进。人工智能可以替代劳动、增加劳动供给;赋能一、二、三产业，提高生产效率;创造消费者剩余，提高社会福利;赋能政府、提高政府效率，矫正失灵，具有显著作用。
人工智能也不断推进到工业领域。工业人工智能是指利用人工智能技术改造工业的生产方式和决策模式，达到系统性的降本、增效、提质的作用，是当前工业发展的重要趋势，其实质是实现设计模式创新、生产智能决策、资源优化配置和生产过程智能感知等创新应用，使工业系统具备自感知、自学习、自执行、自决策、自适应的能力，以适应复杂多变的工业环境，完成多样化的工业设计生产任务，提高生产效率和产品质量。工业人工智能成为公认的提升制造业整体竞争力的国家战略。
工业人工智能集成了人工智能、工业互联网、大数据、云计算和信息物理系统等新科技，使得工业生产运行更加灵活、高质量、高效率和节能，其应用前景广阔。阿里云强大的人工智能“工业大脑”集成了设备数据、产品生命周期数据以及相关数据等，与行业知识机制相融合，形成以数据、算力和算法三者融合为核心的智能制造技术体系，实现工业生产的降本、增效、提质和安全。
当前产品生产所得利润不仅与制造本身相关，还与市场环境和产品定位相关，将来的工业人工智能技术会涉及更多产品制造相关因素。本文作者研究的人工智能技术结合工业制造的应用关系如图2所示。
图2工业制造过程人工智能技术应用框架示意
工业人工智能包含产品市场需求、物流、生产和产品销售等环节，其中涉及内容包括:在生产时具备的条件包括人员配置与素质、设备情况、环境气候与温度湿度、各种实时匹配的物料以及动态能源消耗等;生产过程主要有几个关键环节，包括各种相关工艺、精细化的生产管理、工业互联网、物流计划调度、能效和环保的要求等;生产过程中提取的工业大数据，再应用人工智能技术对生产过程进行有效控制，其中的关键技术包括人工智能的硬件、建模、决策、预测、数据、传感和检测等，最后形成高效和高质量的产品，以产生良好的经济效益和社会效益。目前工业人工智能还没有形成市场和产品链的整体应用，只是在个别环节和技术上有些相关的成功探索，主要包括生产过程控制、设备故障诊断与健康预测、对象与质量检测、物料库存管理、生产效益分析等。
2工业人工智能关键技术
本文从实际应用角度将工业人工智能的关键技术分为硬件、传感、检测、数据、建模、决策、预测。
(1)硬件
人工智能必须依靠算力、算法和数据，这些需要硬件为基础，必须具备专门的图像、语音等处理能力强、运算速度高的硬件。在分散处理、现场传感检测时，通常采用专门的人工智能(AI)芯片作为底层硬件，通常称为边缘计算网关。AI芯片按架构体系分为通用芯片CPU和GPU(图像处理单元)、半定制芯片FPGA、全定制芯片ASIC和模拟人脑的新型类脑芯片;按照应用场景可分为训练芯片、推断芯片、终端计算芯片等。人工智能先采用训练芯片训练数据得出核心模型，接着利用推断芯片对新数据进行判断推理得出结论，模型和推理也可以从已有的SDK(软件工具开发包)中获取，终端计算芯片主要采用简单实时性能的边缘计算控制输出。
(2)传感
人工智能场景中面对丰富多样和大量的各种数据及相关技术，其中绝大部分数据来源于传感器。传感器能将被测量的各种信息转变成相关数字信号，通常需要将电量、物理量、生物量、视觉、味觉、听觉等进行感知，涉及到感知的精度、速度等。一种新型传感器的发明，往往可以开发出相应的仪器装置。传感器分为常规传感器和智能传感器:常规传感器可以直接采集转换处理压力、温度、流量、电压等信号;智能传感器是具有信息处理功能的传感器。智能传感器带有微处理机，具有采集、处理、交换信息的能力，是传感器集成化与微处理机相结合的产物。与一般传感器相比，智能传感器通过软件技术可以实现低成本、高精度的信息采集，具有编程自动化、功能多样化等显著特点，已广泛应用于各种视觉、听觉、物理量和电量等传感检测。
(3)检测
工业人工智能系统的各个环节涉及供应链、产品生产质量、设备状态、能耗、生产环境等，这些需要大量的生产前期各种基础、生产物流、设备和环境等外界状态感知数据收集，并进行数据融合分析。这些检测的精度、速度、可靠性、分析能力等性能以及价格决定了生产应用的基础。目前成品和部件从离线集中式检测，逐步转变为加工在线、实时、嵌入到生产线及设备内部的检测;从独立的感知和检测转变为多传感器、多元异构数据的融合分析;从当前数据状态转变为数据标准化和溯源。检测延伸就包含了诊断，当生产过程异常导致产品质量下降或者事故时，利用传感器采集关键设备、生产线运行以及产品质量等获得各种智能检测数据，进行自动特征提取，采用大数据分析、深度学习等方法进行高精度智能诊断及溯源。
(4)数据
人工智能是建立在强大数据分析基础上的，现在计算机的大容量、高速运算能力和网络云平台给大数据应用提供了极大的可行性和便利性。大数据通常用来形容各行各业运行过程中发生的大量不同时序、多元异构的数据，往往看起来这些数据关联性不够紧密，在关系型数据库中分析时需要花费大量时间和资源进行处理。大数据不只是数据量大，而且数据种类多。要求实时性强。数据所蕴藏的价值大。各行各业均存在大数据，但是众多的信息和咨询是纷繁复杂的，需要搜索、处理、分析、归纳、总结其深层次的规律，获得规律性、有用的数据。
(5)建模
建模是认识生产过程对象和控制方法的最基本环节，不同产品、生产过程和控制要求涉及的模型差异较大，甚至难以找到相关的模型。特定模型包含工业生产过程的机制与知识，表达了生产设备、工艺参数、原材料和产品质量效率间的映射关系，设备或关键部件的退化机制，产线运行状况和工序之间的耦合关系。人工智能控制对象更加复杂和多样，往往是多输入多输出的多变量系统、非线性系统、时变系统。要求控制系统更快、精、复杂时，必须采用状态空间法、离散模型、人工智能等理论进行建模和控制。
(6)决策
决策包括优化、调度和控制等。由于产品、工艺和设备等不同，决策的方式差别很大。复杂工业生产通常由多工序、多台套设备和不同加工要求组成，涉及实时市场信息、生产条件以及运行工况，企业目标、计划调度、运行指标、生产指令与控制指令一体化优化等，需要协同企业管理者和生产管理者的知识并进行智能化处理。以ERP和MES变革为人机合作的管理与决策智能化系统，利用监测设备和产线运行状态的数据，借助智能优化算法，协同调度各个生产工序，控制相关的生产设备和工艺环节，实现生产全流程的产品质量、产量、消耗、成本等综合生产指标控制，保证生产全流程的整体优化运行决策。自主智能控制系统感知生产条件变化，相互协同，解决多目标冲突、干涉和多尺度现象，兼顾各种因素和权重影响，制定相应的优化决策目标，实现制造与生产全流程全局优化。
(7)预测
预测技术分为模型方法和数据驱动方法，在预测性维护、需求预测、质量预测等方面应用广泛。预测大多用于智能制造中设备维护，但是预测对工业生产整体或者其他关键环节的作用更加重要，比如产品成本价格和质量的趋势、产品原材料成本和质量的趋势、产品销售方式和市场趋势等，这些比起设备维护的预测可能更加重要。比如最近缺芯事件对汽车产业的影响、原材料涨价对产品的影响等，其影响远远超过制造产品效率的提升。大数据技术、云服务技术和人工智能技术的快速发展促进了预测技术不断提升。
预测性维护可利用工业设备运行数据和退化机制经验知识，预测设备剩余正常工况使用时间并制定维修策略，从而实现高效安全运行。需求预测根据厂商历史订单数据、市场预测及生产线运行状况，调节原料库存、指导生产出货进度，进行风险管理并减少生产浪费。质量预测通过产线、原料状态及相关生产数据分析产品质量，并将生产流程调整为最佳产出状态以避免残次品，数字孪生技术可以有效促进质量预测。
3工业人工智能典型应用
工业人工智能已在部分领域进行应用，取得较好的效果，包括智能制造体系途径、传感与检测、设备维护预测，协作机器人、智能化生产等。
(1)智能制造体系途径
工业人工智能由相关的技术体系、途径与标准化方法架构所组成，李杰、柴天佑等提出了一些系统性的方法来实现人工智能生产体系，并命名为工业人工智能，其核心技术包含数据技术、分析技术、平台技术与运筹技术。CPS的5C架构则作为实现这个闭环功能框架，5C分别代表智能感知层、智能分析层、网络层、智能认知层、智能决策与执行层。CPS集成计算、通信与控制于一体，其意义在于将物理设备连接到互联网上，让物理设备具有计算、通信、精确控制、远程协调和自治等五大功能。研制面向特定应用领域的工业人工智能系统，使系统的适应性、自主性、效率、功能、可靠安全、感知认知准确性、决策与控制精准优化远超以往的系统。
(2)传感与检测技术
工业人工智能需要使用大量传感器获取信息数据，在人工智能和一些独特的需求下，常规的传感器的处理速度和能力达不到要求。而人工智能传感器能够学习使用环境、习惯、感知，能够自我测试、验证、适应和识别，可以智能分析处理、提供对应的运算，挖掘、保存和传输用户需求的数据。
目前应用最多、最有特色的是工业人工智能视觉传感器，已经逐渐形成规模化的产业，2D向3D的转变、静态图像到动态影像的第四次视觉技术突破，主要包含3D视觉、嵌入式视觉和多元化硬件加速等三大类技术。3D视觉采用了双目视觉、结构光、ToF技术、线激光扫描技术、光谱共聚焦等技术，主要用于尺寸检测、定位引导、场景识别;嵌入式技术将用于实现图像处理和深度学习算法的AI模块集成至工业相机，实现边缘智能控制;多元化硬件可以集成GPU、CPU、FPGA和SoC硬件一起，大大加快了深度学习算法和图像处理的速度，减少了实现的难度。
在各种形状识别、产品与零部件的尺寸、外观、颜色、光洁度和场景识别等高速检测中，大大提高了检测的精度和速度，特别在人脸图像、复杂结构件等对象检测中，显示出巨大潜力。
(3)设备维护预测
使用预测平台对设备的剩余寿命进行预测，该方法要求对设备状态和运行过程进行持续监控，分析历史数据(例如机器学习技术)、完整性因素(例如视觉检测颜色和形状、磨损、成分、声音等)、统计推断方法和工程方法的推理，所以这种方法可以预测设备早期故障，并提供解决方案。机器学习具有强大的数据处理能力，可广泛应用于故障诊断与寿命预测等领域。基于机器学习的剩余寿命预测方法是预测性维护方法的一个重要分支，能够较为准确地对剩余寿命进行预测，成为维护策略评估的重要指标。
西门子推出基于工业大数据分析的预测性维护软件SiePA，在对工厂历史运行数据进行深入分析的基础上，以人工智能算法为工具，建立了预测性维护系统。ABBAbility船舶远程诊断系统能实现对电气系统的预防性连续监测，提供包括故障排除、预防性和预测性服务3个级别的服务，能够通过更大范围的预测性监测使服务工程师数量减少70%，维护工作量减少50%。
(4)协作机器人
又称智能机器人，具有结构灵活性、安全性、感知能力、人机协作、编程方便等特点，充分发挥人类智能及机器人效率，扫除了人机协作障碍;可以大量应用于对灵活性要求较高的密集劳动等场景，协助承担复杂的手动工序和负重劳动，摆脱护栏或围笼的束缚。协作机器人国外厂商主要包括ABB、KUKA、FANUC、YASKAWA、优傲(UR)等，国内有新松、遨博、节卡、艾利特、里工等公司。
协作机器人具有视觉、听觉、力觉和位置等多种传感器，需要进行机器人动力学建模、外界交互环境建模，采用多种智能控制策略，如柔顺控制、协同控制、阻抗控制、协作控制、动态行为控制、认知控制等，可以完成助力、叉车、移动和机床上下料等工作。如无人值守协作机器人，由移动小车和机械臂组成，带有深度学习视觉模块，结合XOS人机交互系统，可以替代多个操作工，自动完成加工中心、数控车床、冲压机、锻压机等多台机床的一系列上下料工作任务，简单程序切换，能够节约人工成本，提高生产效率。
(5)智能化生产
中国已经具备较完整的制造业体系和基础设施，在全球产业链中具有重要地位。在智能化生产方面也出现一批典型，从智能设计、智能产品、智能装备、智能生产和个性化定制、智能管理、智能服务等方面推动企业转型升级，初步涌现一批典型智能制造示范工程。
山西智奇铁路设备公司的高铁轮对智能制造工厂，实现了“设备网络化，数据可视化，生产过程透明化，生产环节智能化”的智能制造顶层战略规划，采用MES核心平台实现产线智能化，应用RFID管理实现仓库可视化、透明化，以集控CPS平台实现生产现场数字化与可视化，并应用AI人工智能检测与监测、预测维护。
奇瑞捷豹路虎基于5G的智能制造项目完成三大核心系统建设，建立起SAP企业管理软件与解决方案、MES全功能生产过程执行管理系统、LES物流执行系统和管理模式等一流IT解决方案，建立了企业工业互联网，产品设计生产生命周期数字一体化，供应链上下游协同优化，具有全生产过程能源优化管理，产品全生命周期可溯的质量管控能力，柔性制造的大规模个性化定制，远程智能运维服务。
中车长春轨道客车的高端轨道交通装备精益化智能制造项目，以中车长客长春高速制造中心和转向架制造中心为主，打造高端轨道交通装备智能制造核心模式，实现制造全过程优化控制、智能调度、状态监控、质量管控。该模式持续推广至全球5个国家生产基地，覆盖轨道交通全车型制造及运维业务，实现快速精准的智能制造管理范式，实现制造全业务链条数据贯通和大数据体系分析;创新信息技术手段，助力全球制造精益一体化管理;深化应用高级排程，打通供应链整体链条;实现生产效率、配送效率、能源利用率、一次合格率较大幅度提升，为企业全球标准化制造业务提供了基础。
4工业人工智能技术难点
虽然目前工业人工智能还只在特殊的方面应用，但已经体现良好效果，整体生产过程、关键环节的应用还存在很多难点，有很大改善潜力和发展空间，其主要难点在于:
(1)多源异构数据的挖掘与应用
工业生产涉及各行业、不同加工过程、不同环境和不同市场，表现不完全、无标注、无直接关联样本的动态特性和多源异构数据。如何利用人工智能深度学习进行完全标注大样本静态特性的学习，进而进行归类、分析、发掘和多维应用;另外需要采用多源数据机器学习，研究现象、问题和效果的知识发现，这些是工业人工智能的基础和迫切需求。
(2)多目标整体决策与过程优化
其中包含多层次多尺度决策与控制过程集成优化、复杂系统多冲突目标的实施动态求优等。基于各种层次的信息感知，运行决策与控制面向不同时间尺度和空间尺度。制造过程中的智能决策面临着开放环境、信息不完全、规则不确定等难题。制造过程当中难以建立决策仿真模型，同时最终决策需要权衡质量、效率、消耗和市场等多冲突目标，全局最优解随生产条件和运行工况变化，控制系统设定值会随全局最优解变化。
(3)产品生产全产业链预测
产品生产最终获得的是效益，不只是与产品生产的质量和效率有关，往往物流、市场需求更加重要。比如产品原材料和人力资源成本、产品销售方式和市场趋势等，这些比起单一的设备维护预测、产品生产质量预测更加重要。比如新冠疫情对相关产业的巨大影响，某些国家对芯片的封锁造成缺芯事件、对汽车产业的影响，经济通胀使原材料大幅涨价对产品的影响等，目前这些都难以建立有效的预测模型，实现较准确的预测控制。
(4)智能制造装备
虽然我国在互联网、物联网、大数据、云计算等数字化技术以及5G的应用上有一定优势地位，但制造最后的执行单元还得是机床设备，我国大部分设备还落后于欧美和日本企业，比如在工业机器人、3D打印、大余量高速切削机床、芯片光刻机、高精度测量测试设备等方面存在很大差距。而工业人工智能对当前世界的装备则提出了更高要求，必将是一个极具创新的挑战过程。
5工业人工智能发展趋势
从总体上看，目前大部分制造企业仍处于自动化、数字化阶段，部分龙头企业和智能制造试点示范企业逐步开展智能化应用，人工智能与制造业融合还处于起步期。2021年后人工智能在制造业中的6个应用趋势，现归纳整理如下:
(1)基于深度学习的机器视觉缺陷检测，可以通过单目和双目的2D、3D视觉检测，分析辨别物体属性、表面特征、立体特征、运动趋势等。
(2)通过机器学习预测设备故障。采用预测剩余使用寿命模型、预定时间段内预测故障的分类模型、异常检测模型可以标记设备等方式进行预测。
(3)生产过程的数字孪生技术，生产过程的实时诊断和评估，产品性能的预测和可视化等。可以设计未来产品、模拟其性能。
(4)智能制造的生成设计，其思想是基于机器学习的给定产品的所有可能设计选项，根据约束条件生成独特设计思想的新产品。具有人工智能的设计生成器和鉴别器，其中生成器网络为给定产品生成新设计，而鉴别器网络对真实产品的设计和生成产品进行分类和区分。
(5)基于人工智能的能耗预测与优化。制造商可以估算能源账单，了解能源的消耗方式，由数据驱动优化生产过程能源消耗。
(6)智能供应链。采用机器学习驱动的认知供应链管理系统，自动分析库存、装运、市场趋势、消费者情绪和天气等数据，具有需求预测、运输优化、物流路线优化、仓库控制、人力资源规划、供应链安全、端到端的透明度等功能。
结合制造业的发展现状和工业人工智能的发展目标，指出工业人工智能今后研究方向有:
(1)复杂工业环境下运行工况的多尺度多源信息的智能感知与识别。
(2)复杂工业环境下基于5G的多源信息快速可靠的传输技术。
(3)系统辨识与深度学习相结合的复杂工业系统智能建模、数字孪生与可视化技术。
(4)关键工艺参数与生产指标的预测与追溯。
(5)复杂工业系统的智能自主控制技术。
(6)人机合作的智能优化决策。
(7)智能优化决策与控制一体化技术。
(8)“端－边－云”协同实现工业人工智能算法实现技术。
6结论
传统人工智能技术较多应用于大量的、感性的日常生活、社会交流、金融等行业，取得良好效果。工业人工智能用于解决特定工业问题，不仅需要采用AI算法和AI系统，还需要将人工智能、自动化、工业互联网与各种制造领域知识紧密融合。
当前人工智能技术正在飞速发展，也体现出强大的生命力，但是工业人工智能的整体技术、关键技术仍处于起步阶段，工业和工程界的许多实际难题还没有得到有效解决，根据社会发展需求、科技创新发展方向，未来研究方向是将工业人工智能方法体系服务实际工业生产并创造更多价值。虽然我国建立了工业人工智能相关的顶层设计与政策引导，在制度层面支撑保障体系也不断完善，但是工业人工智能需要大批具有跨学科研究能力的创新型科技领军人才，也需要大批工程技术应用人才。同时需要加快打造工业人工智能示范项目，建设工业人工智能公共服务平台建设，加快发展工业人工智能单项技术，推动各类人工智能要素向企业数字化领域集聚，加快工业人工智能技术引领，这样才能使我国在工业人工智能的研究与应用走在世界前列，取得巨大的社会和经济效益。
未来智能实验室的主要工作包括：建立AI智能系统智商评测体系，开展世界人工智能智商评测；开展互联网（城市）大脑研究计划，构建互联网（城市）大脑技术和企业图谱，为提升企业，行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。
如果您对实验室的研究感兴趣，欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
物联网关键技术有哪些
物联网是一个基于互联网、传统电信网等信息承载体，让所有能够被独立寻址的普通物理对象实现互联互通的网络。它是新一代信息技术的重要组成部分，近年来发展迅速，具有广阔的应用前景。
物联网的产业链可细分为标识、感知、信息传送和数据处理这4个环节，其中的核心技术主要包括射频识别技术，传感技术，网络与通信技术和数据的挖掘与融合技术等。下面将分别介绍。
射频识别技术RFID射频识别技术RFID技术是一种无接触的自动识别技术，利用射频信号及其空间耦合传输特性，实现对静态或移动待识别物体的自动识别，用于对采集点的信息进行“标准化”标识。鉴于RFID技术可实现无接触的自动识别，全天候、识别穿透能力强、无接触磨损，可同时实现对多个物品的自动识别等诸多特点，将这一技术应用到物联网领域，使其与互联网、通信技术相结合，可实现全球范围内物品的跟踪与信息的共享，在物联网“识别”信息和近程通讯的层面中，起着至关重要的作用。另一方面，产品电子代码（EPC）采用RFID电子标签技术作为载体，大大推动了物联网发展和应用。
RFID射频识别技术是由下面几个方面结合而成，第一，是在某一个事物上有标识的对象，是RFID电子标签；第二，RFID读写器，读取或者写入附着在电子标签上的信息，可以是静态，也可以是动态的；第三，RFID天线，是用在读写器和标签之间做信号的传达。在生活应用中要求相关的软硬件的匹配。
RFID射频识别技术利用优越的条件，促使人类对事物设施等在静止或者动态等状态下的管理和自动识别。该技术发展涉及的难点问题是：如何选择最佳工作频率和机密性的保护等。
无线射频原理图
传感器技术信息采集是物联网的基础，而目前的信息采集主要是通过传感器、传感节点和电子标签等方式完成的。传感器作为一种检测装置，作为摄取信息的关键器件，由于其所在的环境通常比较恶劣，因此物联网对传感器技术提出了较高的要求。一是其感受信息的能力，二是传感器自身的智能化和网络化，传感器技术在这两方面应当实现发展与突破。
物联网经常处在自然环境中，传感器会受到环境恶劣的考验。所以，对于传感器技术的要求就会更加严格、更加苛刻。
传感器可以采集大量信息，它是许多装备和信息系统必备的信息摄取手段。若无传感器对最初信息的检测、交替和捕获，所有控制与测试都不能实现。即使是最先进的计算机，若是没有信息和可靠数据，都不能有效地发挥传感器本身作用。传感器技术的突破和发展有3个方面：网络化、感知信息、智能化。
网络和通信技术作为为物联网提供信息传递和服务支撑的基础通道，通过增强现有网络通信技术的专业性与互联功能，以适应物联网低移动性、低数据率的业务需求，实现信息安全且可靠的传送，是当前物联网研究的一个重点。传感器网络通讯技术主要包括广域网络通信和近距离通信等两个方面，广域方面主要包括IP互联网、2G/3G/4G移动通信、卫星通信等技术，而以iPv6为核心的新联网的发展，更为物联网的提供用户高效的传送通道；在近距离方面，当前的主流则是以IEEE802.15.4为代表的近距离通信技术。
数据的挖掘与融合从物联网的感知层到应用层，各种信息的种类和数量都成倍增加，需要分析的数据量也成级数增加，同时还涉及到各种异构网络或多个系统之间数据的融合问题，如何从海量的数据中及时挖掘出隐藏信息和有效数据的问题，给数据处理带来了巨大的挑战，因此怎样合理、有效的整合、挖掘和智能处理海量的数据是物联网的难题。结合P2P、云计算等分布式计算技术，成为解决以上难题的一个途径。
云计算
云计算是把一些相关网络技术和电脑融合在一起的产物。它是利用分布式计算机计算出的信息和运行数据中心改成与互联网相近，使资源能够运用到有用的技术上，对存储系统和电脑做必要的咨询。目的是把各种消费进行低成本处理并融合为功能完整的实体，还可以运用MSP、SAAS等模式分布并计算到终端用户。云计算是以加强改善其处理能力为重点，用户终端的负担也相应降低，I/O设备也能够简化，还可以对它的计算功能进行合理的享受并运用。例如百度等搜索功能就是它的应用之一。
云计算为物联网提供了一种新的高效率计算模式，可通过网络按需提供动态伸缩的廉价计算，其具有相对可靠并且安全的数据中心，同时兼有互联网服务的便利、廉价和大型机的能力，可以轻松实现不同设备间的数据与应用共享，用户无需担心信息泄露，黑客入侵等棘手问题。云计算是信息化发展进程中的一个里程碑，它强调信息资源的聚集、优化和动态分配，节约信息化成本并大大提高了数据中心的效率。
人工智能八大关键技术简析
人工智能是一个非常宽泛的概念，简单来说就是对人类思维的机器模拟，利用机器学习和数据分析方法赋予机器类人的能力。
近些年人工智能有了长足的进步，也一步步融入到了我们的日常生活当中，随着入门门槛的降低，使得我们这些普通人也有了更多接触人工智能的机会。今天我们就来一起了解下人工智能的八大关键技术
计算机视觉技术计算机视觉，简称CV（ComputerVision），是一门研究如何使计算机更好的“看”世界的科学。给计算机输入图片，图像等数据，通过各种深度学习等算法的计算，使得计算机可以进行识别、跟踪和测量等功能
一般来说，CV技术主要有如下几个步骤：图像获取、预处理、特征提取、检测/分割和高级处理
计算机视觉技术近些年所取得的突破
计算机视觉技术的一些典型应用场景
自然语言处理技术自然语言处理（NaturalLanguageProcessing）技术是一门通过建立计算机模型、理解和处理自然语言的学科。是指用用计算机对自然语言的形、音、义等信息进行处理并识别的应用，大致包括机器翻译、自动提取文本摘要、文本分类、语音合成、情感分析等。
自然语言处理的技术层次
从2008年开始，自然语言处理技术的发展也是突飞猛进，从最初的词向量到2013年的word2vec，将深度学习与自然语言处理深度结合在一起，并在机器翻译、问答系统，阅读理解等多个方面取得了一定成功。
NLP技术可以分为基础性研究和应用性研究，语音和文本是两个重点方向。各大厂也纷纷入局，并都取得了相当不错的成绩
跨媒体分析推理技术以前的媒体信息处理模型往往是针对单一的媒体数据进行处理分析，比如图像识别、语音识别，文本识别等等，但是现在越来越多的任务需要跨媒体类别分析，即需要综合处理文本、视频，语音等信息。
对于该项技术，业界也取得了非常不错的成绩
智适应学习技术智适应学习技术（IntelligentAdaptiveLearning），是教育领域最具突破性的技术。该技术模拟了老师对学生一对一的教学过程，赋予了学习系统个性化教学的能力。在2020年之后，智适应学习技术得到了快速发展，背后的推动里有强大的计算能力和海量的数据，更重要的还有贝叶斯网络算法的应用。
群体智能技术群体智能（CollectiveIntelligence）也称集体智能，是一种共享的智能，是集结众人的意见进而转化为决策的一种过程，用来对单一个体做出随机性决策的风险。
群体智能的四项原则
群体智能也有很多应用案例
自主无人系统技术自主无人系统是能够通过先进的技术进行操作或管理，而不需要人工干预的系统，可以应用到无人驾驶、无人机、空间机器人，无人车间等领域。
智能芯片技术一般来说，运用了人工智能技术的芯片就可以称为智能芯片，智能芯片可按技术架构、功能和应用场景等维度分成多种类别。
智能芯片分类
脑机接口技术脑机接口（Brain-ComputerInterface）是在人或动物脑与外部设备间建立的直接连接通道。通过单向脑机接口技术，计算机可以接受脑传来的命令，或者发送信号到脑，但不能同时发送和接收信号；而双向脑机接口允许脑和外部设备间的双向信息交换。
脑机接口在各行业中的应用
好了，以上就是今天介绍的人工智能八大关键技术
参考资料：中科院人工智能发展白皮书
边缘计算有哪些关键技术
如果要问物联网圈最火的概念有哪些？5G与边缘计算一定榜上有名，两者看似风马牛不相及，实则却在冥冥之中自有交集。
5G时代，连接设备数量会大量增加，网络边缘侧会产生庞大的数据。云计算虽然可以处理这些问题，但在实时性、智能性、安全性和隐私性等方面存在诸多不足，边缘计算由此应运而生。采用边缘计算，就可以就近处理海量数据，大量设备可以实现高效协同工作，诸多问题迎刃而解。
为了详细探索边缘计算，及其与5G网络的关联，本文中你将看到：
什么是边缘计算边缘计算的价值边缘计算应用场景边缘计算与5G的关联边缘计算与5G的前景什么是边缘计算说到边缘计算，我们可以借助章鱼的生活习性来加深理解。“章鱼”是一种拥有超高智商的无脊椎动物。在捕猎时，它们动作非常灵巧迅速，腕足之间高度配合，从来不会缠绕和打结。这是因为，章鱼巨量的神经元有60％分布在八条腿上，脑部只有40％，是“多个小脑+一个大脑”的构造，类似于分布式计算。而边缘计算也是一种分布式计算。它将数据资料的处理、应用程序的运行甚至一些功能服务的实现，由网络中心下放到网络边缘的节点上，以减少业务的多级传递，降低核心网和传输的负担边缘计算联盟ECC针对边缘计算，定义的了四个领域：设备域（感知与控制层）、网络域（连接和网络层）、数据域（存储和服务层）、应用域（业务和智能层）。这四个“层域”就是边缘计算的计算对象。其应用程序在边缘侧（章鱼脚）发起，产生更快的网络服务响应，满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。边缘计算的价值边缘计算的核心是在靠近数据源或用户的地方提供计算、存储等基础设施，并为边缘应用提供云服务和IT环境服务。边缘计算不仅是5G网络区别于3G、4G的重要标准之一，同时也是支撑物联技术低延时、高密度等条件的具体网络技术体现形式，具有场景定制化强等特点。
相比于集中部署的云计算而言，边缘计算不仅解决了时延过长、汇聚流量过大等问题，同时为实时性和带宽密集型的业务提供更好的支持。综合来看，具有以下优点：优势一：安全性更高边缘计算中的数据仅在源数据设备和边缘设备之间交换，不再全部上传至云计算平台，防范了数据泄露的风险。优势二：低时延据运营商估算，若业务经由部署在接入点的MEC完成处理和转发，则时延有望控制在1ms之内；若业务在接入网的中心处理网元上完成处理和转发，则时延约在2~5ms之间；即使是经过边缘数据中心内的MEC处理，时延也能控制在10ms之内，对于时延要求高的场景，如自动驾驶，边缘计算更靠近数据源，可快速处理数据、实时做出判断，充分保障乘客安全。优势三：减少带宽成本边缘计算支持数据本地处理，大流量业务本地卸载可以减轻回传压力，有效降低成本。譬如，一些连接的传感器（例如相机或在引擎中工作的聚合传感器）会产生大量数据，在这些情况下，将所有这些信息发送到云计算中心将花费很长时间和过高的成本，如若采用边缘计算处理，将减少大量带宽成本。
由此可看，5G推动社会从人联时代走向物联时代，连接数的大量增长，叠加边缘计算自身优势，将成为5G时代不可或缺的一部分。同时，由边缘计算带来的算力需求将成为5G时代重要增量部分。边缘计算的应用场景根据中国移动发布的《中国移动边缘计算白皮书》，目前智能制造、智慧城市、直播游戏和车联网4个垂直领域对边缘计算的需求最为明确。在智能制造领域，工厂利用边缘计算智能网关进行本地数据采集，并进行数据过滤、清洗等实时处理。同时边缘计算还可以提供跨层协议转换的能力，实现碎片化工业网络的统一接入。在智慧城市领域，应用主要集中在智慧楼宇、物流和视频监控几个场景。边缘计算可以实现对楼宇各项运行参数的现场采集分析，并提供预测性维护的能力；对冷链运输的车辆和货物进行监控和预警；利用本地部署的GPU服务器，实现毫秒级的人脸识别、物体识别等智能图像分析。在直播游戏领域，边缘计算可以为CDN提供丰富的存储资源，并在更加靠近用户的位置提供音视频的渲染能力，让云桌面，云游戏等新型业务模式成为可能。特别在AR/VR场景中，边缘计算的引入可以大幅降低AR/VR终端设备的复杂度，从而降低成本，促进整体产业的高速发展。
在车联网领域，业务对时延的需求非常苛刻，边缘计算可以为防碰撞、编队等自动/辅助驾驶业务提供毫秒级的时延保证，同时可以在基站本地提供算力，支撑高精度地图的相关数据处理和分析，更好地支持视线盲区的预警业务。
边缘计算与5G有何关联边缘计算与5G的关系可以用一个词来总结：互为犄角。“犄角”：可解释为牛羊鹿等长的角以一定距离相对而生，因此将作战时分兵占据的两个不同地方遥相呼应的态势形象化。边缘计算与5G的关系大抵如此，一方面边缘计算对5G的发展起到重要的支持作用，另一方面5G的发展也反作用推动边缘计算产业的繁荣。边缘计算使5G成为可能
众所周知，在5G网络在诞生之初，便定义了三大应用场景：eMBB(增强移动宽带)、mMTC(海量机器类通信)和uRLLC(超可靠低时延通信)，相应的为满足高清视频、智慧城市、车联网等业务需求提供技术支持。但值得关注的是，每个业务场景都有其自身所面临的一些挑战。例如，eMBB将对网络带宽产生数百Gbps的超高需求，从而对回传网络造成巨大传输压力，单方面投资扩容汇聚与城域网络将大幅提高单位媒体流传输成本，无法实现投资收益；uRLLC需要端到端1ms级超低时延支撑，仅仅依赖无线与固网物理层与传输层技术进步，无法满足苛刻的时延需求；mMTC将产生海量数据，导致运营管理的巨大挑战，仅仅由云端集中统一监控无法支撑如此复杂的物联系统。边缘计算恰好可以为这些问题带来解决方案。首先，边缘计算设备将为新的和现有的边缘设备提供连接和保护；其次，尽管5G将为基于云的应用程序提供更好的连接性和更低的延迟，但仍然存在处理和存储数据的成本。混合边缘计算/5G解决方案将降低这些成本；最后，边缘计算可以让更多应用程序在边缘运行，例如分析，网络安全或合规性/监管应用程序，减短了由数据传输速度和带宽限制所带来的延时，并可对本地数据做初步分析，为云分担了一部分工作。
5G“催熟”边缘计算
不只是边缘计算对5G有推动作用，5G与边缘计算一定程度上是相辅相成的。一方面，得益于5G自身发展，将对边缘计算的发展起到直接促进作用；另一方面，由于5G对物联网有促进作用，也将间接促进边缘计算。前面我们已经讲到，5G的发展虽然仍然存在些许挑战，但边缘计算能够解决这些问题。因此，由于目前5G处在商用前的最后一公里，相关企业将对相关重要支撑技术投入更多精力与资源，边缘计算也就能够“借东风”得到大力发展。另外，5G对物联网的促进作用也是明显的。得益于5G技术的支持，智能家居、智慧城市、车联网、工业互联网等领域都将迎来大发展，相应的，也就会产生相当海量的数据。海量数据及数据实时处理的特性对数据处理的技术手段提出新的要求，现行的数据处理方式不足以满足需求，边缘计算的出现则为这个难题带来了很多好处。
5G与边缘计算的发展
尽管5G是目前的热门话题，边缘计算也一度成为热点，但正如华为任正非所讲的那样——5G可能被炒作过热，眼下5G与边缘计算的不足也是客观存在的：即5G建设规模及进程不及预期、边缘计算技术发展不及预期、运营商投资不及预期。据Gartner预测，到2022年，完成商用5G部署的通信服务提供商中将有半数会因系统无法完全满足5G用例的需求，而难以从后端技术基础架构的投资中获利。大部分通信服务提供商要等到2025年至2030年期间，才能在他们的公共网络上实现完整的端对端5G基础架构，因为他们首先把重心放在5G无线电通信上，然后才是核心网络切片和边缘计算。边缘计算的部署主要靠业务驱动，受时延和带宽限制，其中时延因素是刚性限制因素。虽然5G有望解决相关领域的一些问题，但边缘计算的发展仍然需要深入了解客户及业务需求，也需要整体产业链的成熟。由此可见，由于5G与边缘计算相辅相成，在5G发展未达预期时，边缘计算也很难达到我们所期望的状态。两者发展密不可分，市场繁荣仍需时日。
来源：智东西
声明：本文版权归原作者及原出处所有，内容为作者观点，并不代表本网站赞同其观点及对其真实性负责。如涉及版权等问题，请及时与我们联系，我们立即更正或删除相关内容。本网站拥有对此声明的最终解释权。