物联网和人工智能是科技界最热门的两个话题，这也是企业技术人员必须了解它们的原因。这两项技术可以高度共生，但最大的机遇可能在于将它们结合起来使用，因此，规划如何让它们相互支持，使企业用户受益至关重要。

什么是物联网？

物联网是由设备而非人组成的网络。物联网应用通常由感知现实世界状况并触发操作以某种方式做出响应的设备构建而成。通常，响应包含影响现实世界的步骤。

一个简单的例子是传感器，当它被激活时会打开一些灯；然而，许多物联网应用需要更复杂的规则来链接触发器和控制元素，以实时管理流程。

在物联网中，代表触发器、操作或命令的消息流经通常称为控制循环的部分。物联网应用中接收触发器并启动操作的部分是该循环的中心点，也是物联网规则所在的位置。控制循环只是物联网应用中总信息流的一部分——该部分接收有关现实世界过程条件的信息并生成现实世界的响应。

大多数物联网应用也会生成一些业务交易。例如，在仓库入口处读取装运清单可能会为驾驶员打开大门（这是一个控制环路决策），并生成一个将清单上显示的货物收入库存的交易（这是一个业务交易）。

控制环路中做出的决策必须满足应用延迟要求，这通常被称为控制环路的长度。

控制环路通常需要简单的处理来闭合环路并对事件做出实际响应。输入代码打开大门就是一个例子。在其他情况下，决策所需的处理过程会更加复杂。

当处理过程必须应用更多决策因素时，做出这些决策所需的时间会影响控制环路的长度以及物联网提供预期功能的能力。

例如，在卡车进入货场之前，工作人员扫描清单的延迟半分钟可能会降低货场的容量。物联网可以读取清单上的二维码，并更快地做出必要的决策，从而加快货物的运输速度。

人工智能传感器可以生成海量数据，其中许多数据在过程控制中具有直接价值，在业务分析和优化方面也具有价值。人工智能可以用于这两种任务，并且正确使用人工智能可以提高效率和准确性。但并非所有人工智能都相同，并且并非所有类型的人工智能都适用于特定的控制或分析任务。

什么是人工智能？

人工智能是指一类无需人工直接干预，就能解读条件并做出决策的应用程序，就像人类如何响应自身感官一样。

目前，人工智能主要有五种形式，从简单到近乎机械的人工智能，再到复杂到近乎人性化的人工智能：

1.简单或基于规则的人工智能。这类软件包含规则或策略，将触发事件与操作关联起来。这些规则是经过编程的，因此有些人可能不认为这是一种人工智能。然而，许多人工智能平台都依赖于这种策略。

2.机器学习。机器学习是一种人工智能，应用程序通过学习行为而非编程实现行为。学习的形式可以是监控实时系统，将人类的反应与事件联系起来，然后在相同情况发生时通过分析过去的行为或由专家提供数据来重复这些行为。应用程序专家和机器学习专家也可以共同教授机器学习。目前普遍趋势是将机器学习规则集转化为硬件和半导体实现。

3.推理或神经网络。这些网络使用人工智能构建一个旨在模拟简单生物大脑的引擎。引擎根据对条件的推断进行推理，生成对触发器的响应。与机器学习 (ML) 类似，这项技术越来越多地应用于硬件或芯片系统中的图像分析和复杂分析。

4.语言模型和代理人工智能。作为神经技术与机器学习的混合体，语言模型和代理人工智能通过分析信息构建数据集。语言模型通过检查事物进行学习，而模型的大小限制了其学习和执行的复杂性。生成式人工智能（见下文）是大型语言模型 (LLM) 技术的一种应用，大多数代理人工智能系统都基于大型或小型语言模型。

5.生成式人工智能。由 ChatGPT 推广的 GenAI 通过检查数百万个在线文档来构建知识库，然后根据这些知识和工程师提供的一组规则回答通俗易懂的查询。知识库的广度和查询规则的复杂性使得这种形式的人工智能看起来像人类，它代表了该领域许多参与者的最新水平。然而，生成式人工智能需要庞大的数据中心来运行，并需要训练互联网规模的在线文档。

所有这些形式的人工智能都旨在替代人类智能，但随着按上述顺序逐步推进，它们表征甚至接近人类智能的能力也会增强。我们也可以根据人工智能系统向智能发展的方式对其进行分类，如图 2 所示。大多数人工智能专家认为，当前的人工智能技术水平属于反应型和有限记忆型，而人工智能实验的目标是向自我意识系统迈进。大多数企业表示，他们的目标是中等人工智能类别、有限记忆型和心智理论型。

物联网和人工智能如何相互支持？

在物联网中，现实世界事件会被发出信号并进行处理，以创建适当的响应。简单来说，任何使用软件对触发事件生成响应的物联网应用至少是人工智能的一种基本形式，因此人工智能对物联网至关重要。

对于物联网用户和开发者来说，问题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联网应用。这取决于物联网支持的现实世界系统的复杂性和多变性，以及正在考虑的具体人工智能类型。

为了回答这个问题，我们将探讨三种最常见且前景光明的人工智能任务：增强控制回路处理、支持更复杂的现实世界活动，以及将物联网从传统的控制回路扩展到业务管理。

简单的人工智能规则增强物联网优势

物联网控制应用程序会根据传感器或其他物联网设备创建的物联网事件创建操作。简单的、基于规则的物联网会说：“如果按下触发开关，则打开灯 A”，而更复杂的演进可能会说：“如果按下触发开关，并且天黑了，则打开灯 A”。第二种形式代表事件（触发开关）识别和状态（天黑）识别。程序员使用状态/事件表来描述如何在多种状态下解释一系列事件，但这仅在易于识别的状态数量有限的情况下才有效。

人工智能可以通过多种方式为基于规则的物联网应用增值：

1.人工智能可以使用多种信息源来确定状态，例如某个空间当前是否有人占用、是否阴天以至于正常阳光无法提供照明、是周末还是节假日等等。这种精细化操作可以提升应用的实用性。

2.人工智能可以根据物联网识别的多种条件采取行动。例如，它可以读取车辆上的二维码、条形码或 RFID 标签，并分析驾驶员的面部和/或语音，以决定是否打开仓库卡车的出入口。它还可以评估特定的送货或提货是否存在任何异常，并提醒相关人员进行干预。

3.人工智能对音频和视频信息的分析可用于从现实世界的传感数据中生成物联网事件。运动和人体检测已经是视频分析应用的常见示例，语音识别和说话人关联也可以通过个性化操作为基于规则的物联网增值。

4.人工智能可以检查大量物联网传感器的状态，并确定这些传感器的组合是否代表先前被识别为故障或风险的状况，并采取适当的措施。这已经在公共事业和交通运输垂直领域得以实现，因为这些领域的整体系统健康状况基于太多变量，难以进行人工分析。

5.人工智能可以将设施的状态与环境条件和业务活动相结合。例如，它可以控制照明和暖通空调系统 (HVAC)，不仅响应当前状况，还可以响应需要特殊响应的事件。例如，一组车辆到达仓库时，可能会将设施与外部空气接触，因此需要不同的暖通空调设置。同样，装卸车辆所需的照明可能与无需装卸的车辆不同。

所有这些操作都可以使用新的物联网编程来实现，但一个专门设计并可根据需要进行修改的人工智能模型（现在通常称为基础模型）可以处理更高级别的复杂性，而无需进行程序开发。

大多数基于规则的人工智能应用都基于简单模型，包括推理人工智能和机器学习。这些应用具有自主性，因为它们不需要人工监督，也不需要以协助或建议人类的方式运行。它们仅限于处理连接物联网事件和待触发操作的控制回路。物联网中更先进、更复杂的人工智能任务也正在涌现。

物联网应用中的人工智能助手和代理

人工智能的语言模型形式目前处于人工智能应用的前沿，也是人工智能在物联网中的特定用例。大型和小型语言模型 (SLM) 几乎可以像专家或专员一样工作，生成艺术作品、音乐、视频、报告甚至编程代码。广义的语言模型 (LLM) 超出了企业通常自行部署的范围，因此需要云托管。这引起了企业基于数据主权和安全方面的抵制。

LLM 的主要应用以及 SLM 日益增长的应用是使用聊天机器人取代呼叫中心代理执行客户支持和产品购买协助任务。人们越来越有兴趣整合来自电信或公用事业基础设施系统的物联网数据，以支持这些垂直领域的任务。

使用 SLM、预训练的基础模型和方案将用户数据引入检索增强生成，可以显著降低模型托管和训练成本，从而使自托管变得切实可行。这引发了人们对代理人工智能 (Agentic AI) 的兴趣，因为企业保留了数据控制权，而自托管的代理人工智能可以部署在工业流程中，使其成为支持此类物联网 (IoT) 的可行方法。代理人工智能还允许将多个简单规则的物联网应用程序整合到一个更高级别的人工智能实体下，从而支持复杂的现实世界活动。

代理人工智能在物联网中的应用包括：

1.智能设施，甚至智慧城市，在这些智能设施中，经过精心设计的人工智能代理集合相互关联，共同控制整个环境。
2.自动驾驶汽车，例如用于货物和人员运输系统的自动驾驶汽车，以及越来越多地用于控制无人机和无人机群的自动驾驶汽车；一些业内人士甚至提出使用代理人工智能来增强空中交通管制。
3.军事应用，用于陆海空战争和后勤——同样，也包括无人机和无人机群的指挥。
4.工业自动化，适用于所有形式的制造业。
5.医疗保健，用于患者监护、诊断性血液检测结果读取和影像学检查。
6.人工智能增强型公用事业和网络运营系统，可以为人类专家提供诊断信息，并在出现问题时提出补救措施建议。

超越控制环路的物联网

大多数企业物联网应用，包括卡车抵达仓库的示例，都具有超越访问授权控制环路的维度。例如，可以考虑以下问题：

卡车是否正在装载或卸载？

是否晚点了？

是否还有其他任务需要安排或重新安排？

这些问题无需实时解答，但必须得到解答才能完成与卡车到达相关的一系列业务流程——这些流程目前由传统核心业务交易应用程序支持。

公有云提供商提供的 API 可以将 AI 模型链接到数据库或传统应用程序工作流。许多 AI 工具还提供协调多个相关任务的能力，其中一些任务可以通过 AI 实现。所有这些都有助于物联网更好地融入业务流程，打造一个近乎智能的企业，就像集成物联网模型打造智慧城市一样。通过利用来自所有实际活动的数据来构建企业状态愿景，可以显著提高业务运营效率。

物联网应用中的人工智能挑战

企业普遍对 AI 和物联网持乐观态度，但以下三个问题可能会阻碍应用的发展：

1.人工智能模型，尤其是 LLM 模型，容易因训练数据被误解而产生幻觉。此外，无意中使用 AI 生成的数据来训练 AI 模型可能会造成数据污染。这些错误阻碍了 AI 在真正自主的应用中的应用，但即使是人工监督也无法完全发现这些问题。

2.对于大多数实际的AIoT应用来说，使用公司特定数据训练AI至关重要，但这些数据通常受到严格的安全和治理限制，因此需要自行托管。构建运行AI模型的基础设施成本高昂，并且需要就业市场上不易获得的技能。

3.人工智能处理（尤其是语言模型）可能需要时间，从而产生控制回路延迟，威胁应用程序管理实时流程的能力。这在工业物联网中尤其如此。在延迟至关重要的情况下，机器学习和SLM可能是首选。

结论

尽管物联网旨在提高生产力并减少人工工作，但它并不能消除对人类判断和决策的需求。这正是AI可以介入并改进物联网系统的地方，前提是AI的能力要高于基于规则的物联网编程和控制器，并且AI的使用不会在控制回路中引入延迟，从而影响实时控制。

人工智能发展如此迅速，以至于很难有效地对新产品和新功能进行分类。这使得长期的AI项目规划变得复杂，因为AI的变化可能会显著影响产品选择，甚至商业案例。企业AI专家建议采用模块化方法，先解决物联网应用的元素（例如控制回路），然后再进行扩展以整合更多信息。

声明：本站所使用的图片文字等素材均来源于互联网共享平台，并不代表本站观点及立场，如有侵权或异议请及时联系我们删除。