解读物联网发展过程中的两个关键因素

不能否认，我们正在历经一个万物智能互联的时代，数据量的产生速度已超出了一般人的想象。当智能摄像头的分辨率从1080P向4K方向转化，一个摄像头一天所采集到的数据量已从100GB向200GB发展;2020年一个互联网用户平均每天将产生的数据量可能将达到1.5GB;而一个智能医院，将所有设备联网后，比如CT、核磁共振扫描仪等等，其一天所产生数据的总量将超过3TB。 

上述数据，无时无刻都在提醒我们，未来将是一个数据的世界!物联网的数据更是可观。

在物联网的发展过程中，两个关键因素将起着重要作用：一是人工智能;二是边缘计算。

关键因素一：人工智能

随着AlphaGo利用增强学习的技术打败了人类的卓越棋手，近期我们看到，人工智能应用在一些边缘智能的应用场景已经开始实现。但整个人工智能的发展是离不开数据的，因为它需要大量的数据进行训练。

随着越来越多的非结构化数据需要我们进行处理，并要从非结构化数据中发现内在的关联，人工智能技术是其中的提炼。

关键因素二：边缘计算

数据量的增加也在推动整个计算模式的演变：

在互联网时代，互联网通过云计算平台来实现用户随时随地按需访问自己所需要的资源。云计算的技术能够帮助实现资源的共享，给用户提供一个最佳的用户体验。刚刚过去的双11，天猫商城上销售峰值已经超过25亿/秒，要支撑这样大量的计算，云计算平台功不可没。

而在物联网时代，随着数字化转型，它需要更敏捷地连接、更有效地数据处理，同时还要有更好地数据保护，边缘计算由于它能够有效的降低对带宽的要求，能够提供及时的响应，并且对数据的隐私提供保护。可见边缘计算发挥的作用越来越大，笔者认为，边缘计算正成为物联网的发展支柱。

|  边缘计算并不能取代云计算

我们强调边缘计算，并不是边缘计算将代替云计算，而是认为边缘计算和云计算二者之间是很好的互补。边缘计算所处理的数据是局部的数据，并不能形成对于全局的认知，这些认知的形成还需要云计算平台进行处理，并在后端对各种不同的边缘采集到的数据进行融会贯通。

以智能交通为例，智能交通领域智能摄像头通过各种智能方法能够识别出摄像头前经过的各种人，以及车辆的车型、车的颜色、车款以及车牌的识别。但是所有这些信息只能得到当前在摄像头前面所经过的人和车信息，并不能知道这个车前一时刻在哪里?下一时刻又将驶向何处?无法判别车的轨迹，如果需要形成车辆的完整轨迹，还需要云计算平台的支持。由此可见，边缘计算和云计算二者之间将会有一个很好的协同。

|  物联网的摩尔定律

在昨日于北京举办的2017边缘计算产业峰会上，英特尔中国区物联网事业部首席技术官张宇博士便将物联网的发展分成了三个阶段，并认为：“物联网将会从互联走向智能，从智能走向自治。”张宇将这三个阶段称为物联网领域的摩尔定律。

张宇说：“在一个端到端的系统里，不同网源由于它所提供的功耗、对计算要的求以及所能够承担的成本是各不相同的，因此不同的网源在选取硬件架构的时候往往都会有它特定要求。以人工智能为例，前端一般会选取一些专用的SoC或者利用FPGA来实现深度学习加速，后端一般使用通用处理器，再加上加速器的异构架构来实现人工智能应用。但这样的方式也存在较大的问题，人工智能在进行处理的时候，需要消耗非常大量的资源，包括计算资源，存储资源等等。以百度搜索为例，百度的任意一次搜索需要大量的计算，对图片的计算量更是超过10亿次。”

如此大量的计算，需要一个强大的计算芯片支撑，因此，人工智能的发展便对芯片提出了更高的要求。

显然，摩尔定律在目前这个阶段仍然是有效的，而且摩尔定律在不断推动着半导体工艺的进步，也为人工智能等新的计算模式提供了源源不断的计算力。

上图为：英特尔中国区物联网事业部首席技术官张宇博士

|  物联网的演进趋势：负载整合

另外，张宇认为：物联网系统一定是一个边缘协同的端到端系统，人工智能会在物联网系统里广泛应用，不仅是在前端，也在后端。边缘侧趋向负载整合则是物联网演进的一个必然趋势。

其原理是：原来在不同设备上分立的负载会越来越多地通过虚拟化等技术，整合到一个单一的高性能的计算平台上，来实现一个综合的复杂的功能，各个功能子系统既能分享设备提供的计算，存储，网络等资源，同时还能具有一定的独立性，避免彼此的相互影响，从而可以简化系统架构，降低系统总体。同时，负载整合实际上也为边缘计算的实现以及为实施人工智能的应用提供了条件。整合后的设备既是边缘数据的汇聚节点，同时也是边缘控制的中心，这为边缘智能提供了处理所需的数据，同时也提供了控制的入口。因此英特尔认为人工智能和负载整合的结合，会在今后的边缘计算的系统里发生。

当然，由于物联网中不同的网源所需要的计算力需求不同，再加上人工智能部署，需要不同特性硬件平台以及软硬件协同优化。