物聯(lián)網(wǎng)和人工智能是科技界最熱門的兩個話題，這也是企業(yè)技術人員必須了解它們的原因。這兩項技術可以高度共生，但最大的機遇可能在于將它們結合起來使用，因此，規(guī)劃如何讓它們相互支持，使企業(yè)用戶受益至關重要。

　　什么是物聯(lián)網(wǎng)?

　　物聯(lián)網(wǎng)是由設備而非人組成的網(wǎng)絡。物聯(lián)網(wǎng)應用通常由感知現(xiàn)實世界狀況并觸發(fā)操作以某種方式做出響應的設備構建而成。通常，響應包含影響現(xiàn)實世界的步驟。

　　一個簡單的例子是傳感器，當它被激活時會打開一些燈;然而，許多物聯(lián)網(wǎng)應用需要更復雜的規(guī)則來鏈接觸發(fā)器和控制元素，以實時管理流程。

　　在物聯(lián)網(wǎng)中，代表觸發(fā)器、操作或命令的消息流經(jīng)通常稱為控制循環(huán)的部分。物聯(lián)網(wǎng)應用中接收觸發(fā)器并啟動操作的部分是該循環(huán)的中心點，也是物聯(lián)網(wǎng)規(guī)則所在的位置。控制循環(huán)只是物聯(lián)網(wǎng)應用中總信息流的一部分——該部分接收有關現(xiàn)實世界過程條件的信息并生成現(xiàn)實世界的響應。

　　大多數(shù)物聯(lián)網(wǎng)應用也會生成一些業(yè)務交易。例如，在倉庫入口處讀取裝運清單可能會為駕駛員打開大門(這是一個控制環(huán)路決策)，并生成一個將清單上顯示的貨物收入庫存的交易(這是一個業(yè)務交易)。

　　控制環(huán)路中做出的決策必須滿足應用延遲要求，這通常被稱為控制環(huán)路的長度。

　　控制環(huán)路通常需要簡單的處理來閉合環(huán)路并對事件做出實際響應。輸入代碼打開大門就是一個例子。在其他情況下，決策所需的處理過程會更加復雜。

　　當處理過程必須應用更多決策因素時，做出這些決策所需的時間會影響控制環(huán)路的長度以及物聯(lián)網(wǎng)提供預期功能的能力。

　　例如，在卡車進入貨場之前，工作人員掃描清單的延遲半分鐘可能會降低貨場的容量。物聯(lián)網(wǎng)可以讀取清單上的二維碼，并更快地做出必要的決策，從而加快貨物的運輸速度。

　　人工智能傳感器可以生成海量數(shù)據(jù)，其中許多數(shù)據(jù)在過程控制中具有直接價值，在業(yè)務分析和優(yōu)化方面也具有價值。人工智能可以用于這兩種任務，并且正確使用人工智能可以提高效率和準確性。但并非所有人工智能都相同，并且并非所有類型的人工智能都適用于特定的控制或分析任務。

　　什么是人工智能?

　　人工智能是指一類無需人工直接干預，就能解讀條件并做出決策的應用程序，就像人類如何響應自身感官一樣。

　　目前，人工智能主要有五種形式，從簡單到近乎機械的人工智能，再到復雜到近乎人性化的人工智能：

　　1.簡單或基于規(guī)則的人工智能。這類軟件包含規(guī)則或策略，將觸發(fā)事件與操作關聯(lián)起來。這些規(guī)則是經(jīng)過編程的，因此有些人可能不認為這是一種人工智能。然而，許多人工智能平臺都依賴于這種策略。

　　2.機器學習。機器學習是一種人工智能，應用程序通過學習行為而非編程實現(xiàn)行為。學習的形式可以是監(jiān)控實時系統(tǒng)，將人類的反應與事件聯(lián)系起來，然后在相同情況發(fā)生時通過分析過去的行為或由專家提供數(shù)據(jù)來重復這些行為。應用程序?qū)＜液蜋C器學習專家也可以共同教授機器學習。目前普遍趨勢是將機器學習規(guī)則集轉化為硬件和半導體實現(xiàn)。

　　3.推理或神經(jīng)網(wǎng)絡。這些網(wǎng)絡使用人工智能構建一個旨在模擬簡單生物大腦的引擎。引擎根據(jù)對條件的推斷進行推理，生成對觸發(fā)器的響應。與機器學習 (ML) 類似，這項技術越來越多地應用于硬件或芯片系統(tǒng)中的圖像分析和復雜分析。

　　4.語言模型和代理人工智能。作為神經(jīng)技術與機器學習的混合體，語言模型和代理人工智能通過分析信息構建數(shù)據(jù)集。語言模型通過檢查事物進行學習，而模型的大小限制了其學習和執(zhí)行的復雜性。生成式人工智能(見下文)是大型語言模型 (LLM) 技術的一種應用，大多數(shù)代理人工智能系統(tǒng)都基于大型或小型語言模型。

　　5.生成式人工智能。由 ChatGPT 推廣的 GenAI 通過檢查數(shù)百萬個在線文檔來構建知識庫，然后根據(jù)這些知識和工程師提供的一組規(guī)則回答通俗易懂的查詢。知識庫的廣度和查詢規(guī)則的復雜性使得這種形式的人工智能看起來像人類，它代表了該領域許多參與者的最新水平。然而，生成式人工智能需要龐大的數(shù)據(jù)中心來運行，并需要訓練互聯(lián)網(wǎng)規(guī)模的在線文檔。

　　所有這些形式的人工智能都旨在替代人類智能，但隨著按上述順序逐步推進，它們表征甚至接近人類智能的能力也會增強。我們也可以根據(jù)人工智能系統(tǒng)向智能發(fā)展的方式對其進行分類，如圖 2 所示。大多數(shù)人工智能專家認為，當前的人工智能技術水平屬于反應型和有限記憶型，而人工智能實驗的目標是向自我意識系統(tǒng)邁進。大多數(shù)企業(yè)表示，他們的目標是中等人工智能類別、有限記憶型和心智理論型。

　　物聯(lián)網(wǎng)和人工智能如何相互支持?

　　在物聯(lián)網(wǎng)中，現(xiàn)實世界事件會被發(fā)出信號并進行處理，以創(chuàng)建適當?shù)捻憫?。簡單來說，任何使用軟件對觸發(fā)事件生成響應的物聯(lián)網(wǎng)應用至少是人工智能的一種基本形式，因此人工智能對物聯(lián)網(wǎng)至關重要。

　　對于物聯(lián)網(wǎng)用戶和開發(fā)者來說，問題不在于是否使用人工智能，而在于人工智能在多大程度上可以支持物聯(lián)網(wǎng)應用。這取決于物聯(lián)網(wǎng)支持的現(xiàn)實世界系統(tǒng)的復雜性和多變性，以及正在考慮的具體人工智能類型。

　　為了回答這個問題，我們將探討三種最常見且前景較大的人工智能任務：增強控制回路處理、支持更復雜的現(xiàn)實世界活動，以及將物聯(lián)網(wǎng)從傳統(tǒng)的控制回路擴展到業(yè)務管理。

　　簡單的人工智能規(guī)則增強物聯(lián)網(wǎng)優(yōu)勢

　　物聯(lián)網(wǎng)控制應用程序會根據(jù)傳感器或其他物聯(lián)網(wǎng)設備創(chuàng)建的物聯(lián)網(wǎng)事件創(chuàng)建操作。簡單的、基于規(guī)則的物聯(lián)網(wǎng)會說：“如果按下觸發(fā)開關，則打開燈A”，而更復雜的演進可能會說：“如果按下觸發(fā)開關，并且天黑了，則打開燈A”。第二種形式代表事件(觸發(fā)開關)識別和狀態(tài)(天黑)識別。程序員使用狀態(tài)/事件表來描述如何在多種狀態(tài)下解釋一系列事件，但這僅在易于識別的狀態(tài)數(shù)量有限的情況下才有效。

　　人工智能可以通過多種方式為基于規(guī)則的物聯(lián)網(wǎng)應用增值：

　　1.人工智能可以使用多種信息源來確定狀態(tài)，例如某個空間當前是否有人占用、是否陰天以至于正常陽光無法提供照明、是周末還是節(jié)假日等等。這種精細化操作可以提升應用的實用性。

　　2.人工智能可以根據(jù)物聯(lián)網(wǎng)識別的多種條件采取行動。例如，它可以讀取車輛上的二維碼、條形碼或RFID標簽，并分析駕駛員的面部和/或語音，以決定是否打開倉庫卡車的出入口。它還可以評估特定的送貨或提貨是否存在任何異常，并提醒相關人員進行干預。

　　3.人工智能對音頻和視頻信息的分析可用于從現(xiàn)實世界的傳感數(shù)據(jù)中生成物聯(lián)網(wǎng)事件。運動和人體檢測已經(jīng)是視頻分析應用的常見示例，語音識別和說話人關聯(lián)也可以通過個性化操作為基于規(guī)則的物聯(lián)網(wǎng)增值。

　　4.人工智能可以檢查大量物聯(lián)網(wǎng)傳感器的狀態(tài)，并確定這些傳感器的組合是否代表先前被識別為故障或風險的狀況，并采取適當?shù)拇胧?。這已經(jīng)在公共事業(yè)和交通運輸垂直領域得以實現(xiàn)，因為這些領域的整體系統(tǒng)健康狀況基于太多變量，難以進行人工分析。

　　5.人工智能可以將設施的狀態(tài)與環(huán)境條件和業(yè)務活動相結合。例如，它可以控制照明和暖通空調(diào)系統(tǒng) (HVAC)，不僅響應當前狀況，還可以響應需要特殊響應的事件。例如，一組車輛到達倉庫時，可能會將設施與外部空氣接觸，因此需要不同的暖通空調(diào)設置。同樣，裝卸車輛所需的照明可能與無需裝卸的車輛不同。

　　所有這些操作都可以使用新的物聯(lián)網(wǎng)編程來實現(xiàn)，但一個專門設計并可根據(jù)需要進行修改的人工智能模型(現(xiàn)在通常稱為基礎模型)可以處理更高級別的復雜性，而無需進行程序開發(fā)。

　　大多數(shù)基于規(guī)則的人工智能應用都基于簡單模型，包括推理人工智能和機器學習。這些應用具有自主性，因為它們不需要人工監(jiān)督，也不需要以協(xié)助或建議人類的方式運行。它們僅限于處理連接物聯(lián)網(wǎng)事件和待觸發(fā)操作的控制回路。物聯(lián)網(wǎng)中更先進、更復雜的人工智能任務也正在涌現(xiàn)。

　　物聯(lián)網(wǎng)應用中的人工智能助手和代理

　　人工智能的語言模型形式目前處于人工智能應用的前沿，也是人工智能在物聯(lián)網(wǎng)中的特定用例。大型和小型語言模型 (SLM) 幾乎可以像專家或?qū)T一樣工作，生成藝術作品、音樂、視頻、報告甚至編程代碼。廣義的語言模型 (LLM) 超出了企業(yè)通常自行部署的范圍，因此需要云托管。這引起了企業(yè)基于數(shù)據(jù)主權和安全方面的抵制。

　　LLM的主要應用以及SLM日益增長的應用是使用聊天機器人取代呼叫中心代理執(zhí)行客戶支持和產(chǎn)品購買協(xié)助任務。人們越來越有興趣整合來自電信或公用事業(yè)基礎設施系統(tǒng)的物聯(lián)網(wǎng)數(shù)據(jù)，以支持這些垂直領域的任務。

　　使用SLM、預訓練的基礎模型和方案將用戶數(shù)據(jù)引入檢索增強生成，可以顯著降低模型托管和訓練成本，從而使自托管變得切實可行。這引發(fā)了人們對代理人工智能 (Agentic AI) 的興趣，因為企業(yè)保留了數(shù)據(jù)控制權，而自托管的代理人工智能可以部署在工業(yè)流程中，使其成為支持此類物聯(lián)網(wǎng) (IoT) 的可行方法。代理人工智能還允許將多個簡單規(guī)則的物聯(lián)網(wǎng)應用程序整合到一個更高級別的人工智能實體下，從而支持復雜的現(xiàn)實世界活動。

　　代理人工智能在物聯(lián)網(wǎng)中的應用包括：

　　1.智能設施，甚至智慧城市，在這些智能設施中，經(jīng)過精心設計的人工智能代理集合相互關聯(lián)，共同控制整個環(huán)境。

　　2.自動駕駛汽車，例如用于貨物和人員運輸系統(tǒng)的自動駕駛汽車，以及越來越多地用于控制無人機和無人機群的自動駕駛汽車;一些業(yè)內(nèi)人士甚至提出使用代理人工智能來增強空中交通管制。

　　3.軍事應用，用于陸?？諔?zhàn)爭和后勤——同樣，也包括無人機和無人機群的指揮。

　　4.工業(yè)自動化，適用于所有形式的制造業(yè)。

　　5.醫(yī)療保健，用于患者監(jiān)護、診斷性血液檢測結果讀取和影像學檢查。

　　6.人工智能增強型公用事業(yè)和網(wǎng)絡運營系統(tǒng)，可以為人類專家提供診斷信息，并在出現(xiàn)問題時提出補救措施建議。

　　超越控制環(huán)路的物聯(lián)網(wǎng)

　　大多數(shù)企業(yè)物聯(lián)網(wǎng)應用，包括卡車抵達倉庫的示例，都具有超越訪問授權控制環(huán)路的維度。例如，可以考慮以下問題：

　　卡車是否正在裝載或卸載?

　　是否晚點了?

　　是否還有其他任務需要安排或重新安排?

　　這些問題無需實時解答，但必須得到解答才能完成與卡車到達相關的一系列業(yè)務流程——這些流程目前由傳統(tǒng)核心業(yè)務交易應用程序支持。

　　公有云提供商提供的 API 可以將 AI 模型鏈接到數(shù)據(jù)庫或傳統(tǒng)應用程序工作流。許多 AI 工具還提供協(xié)調(diào)多個相關任務的能力，其中一些任務可以通過 AI 實現(xiàn)。所有這些都有助于物聯(lián)網(wǎng)更好地融入業(yè)務流程，打造一個近乎智能的企業(yè)，就像集成物聯(lián)網(wǎng)模型打造智慧城市一樣。通過利用來自所有實際活動的數(shù)據(jù)來構建企業(yè)狀態(tài)愿景，可以顯著提高業(yè)務運營效率。

　　物聯(lián)網(wǎng)應用中的人工智能挑戰(zhàn)

　　企業(yè)普遍對 AI 和物聯(lián)網(wǎng)持樂觀態(tài)度，但以下三個問題可能會阻礙應用的發(fā)展：

　　1.人工智能模型，尤其是 LLM 模型，容易因訓練數(shù)據(jù)被誤解而產(chǎn)生幻覺。此外，無意中使用 AI 生成的數(shù)據(jù)來訓練 AI 模型可能會造成數(shù)據(jù)污染。這些錯誤阻礙了 AI 在真正自主的應用中的應用，但即使是人工監(jiān)督也無法完全發(fā)現(xiàn)這些問題。

　　2.對于大多數(shù)實際的AIoT應用來說，使用公司特定數(shù)據(jù)訓練AI至關重要，但這些數(shù)據(jù)通常受到嚴格的安全和治理限制，因此需要自行托管。構建運行AI模型的基礎設施成本高昂，并且需要就業(yè)市場上不易獲得的技能。

　　3.人工智能處理(尤其是語言模型)可能需要時間，從而產(chǎn)生控制回路延遲，威脅應用程序管理實時流程的能力。這在工業(yè)物聯(lián)網(wǎng)中尤其如此。在延遲至關重要的情況下，機器學習和SLM可能是首選。

　　結論

　　盡管物聯(lián)網(wǎng)旨在提高生產(chǎn)力并減少人工工作，但它并不能消除對人類判斷和決策的需求。這正是AI可以介入并改進物聯(lián)網(wǎng)系統(tǒng)的地方，前提是AI的能力要高于基于規(guī)則的物聯(lián)網(wǎng)編程和控制器，并且AI的使用不會在控制回路中引入延遲，從而影響實時控制。

　　人工智能發(fā)展如此迅速，以至于很難有效地對新產(chǎn)品和新功能進行分類。這使得長期的AI項目規(guī)劃變得復雜，因為AI的變化可能會顯著影響產(chǎn)品選擇，甚至商業(yè)案例。企業(yè)AI專家建議采用模塊化方法，先解決物聯(lián)網(wǎng)應用的元素(例如控制回路)，然后再進行擴展以整合更多信息。