下载掌阅APP，畅读海量书库
立即打开
智能物联网是物联网与人工智能技术深度融合发展的结果，本节先概述二者的发展历程，进而对智能物联网的概念与特征进行阐述。
1.物联网的发展
1991年，马可·维瑟开创性地提出了泛在计算（Ubiquitous Computing） [6] 的思想，认为泛在计算的发展将使技术无缝地融入日常生活中。物联网可以说是实现泛在计算的重要途径。
1995年，比尔·盖茨在《未来之路》一书中，最早提及物联网概念。但受限于当时无线网络、硬件及传感设备的发展，并未引起世人的重视。
1999年，美国麻省理工学院的自动识别中心Auto-ID提出了网络无线射频识别（RFID）系统，把所有物品通过射频识别等信息传感设备与互联网连接起来，实现智能化识别和管理，是最早的物联网系统雏形。
2005年，国际电信联盟（ITU）发布了题为《ITU互联网报告2005：物联网》的报告，物联网概念开始正式出现在官方文件中。其中指出，物联网通过射频识别装置、红外感应器、全球定位系统、激光扫描器等信息传感设备，按约定的协议，把任何物品与互联网相连接，进行信息交换和通信，以实现智能化识别、定位、跟踪、监控和管理的一种网络。
2009年，“感知中国”概念被提出，物联网被列为国家五大战略性新兴产业之一，传感器网络和物联网技术的发展在国内掀起热潮，涌现出以“绿野前传”
等为代表的物联网系统及应用。
2015年以来，边缘计算与边缘智能逐步兴起，在既有端数据采集和云中心数据处理之外增加了边缘网络，为物联网发展提供了新的计算架构。此外，随着物联网市场的迅猛发展，基础而通用的物联网系统平台成为业界关注热点，如微软发布的Azure IoT、亚马逊的AWS IoT、华为的鸿蒙操作系统等。
2.人工智能的发展
自20世纪50年代以来，人工智能从无到有，取得了快速发展。1950年，著名的“图灵测试”诞生，按照“人工智能之父”艾伦·图灵的定义：如果一台机器能够与人类展开对话而不能被辨别出其机器身份，那么称这台机器具有智能。
1956年夏天，美国达特茅斯学院举行了历史上第一次人工智能研讨会，被普遍认为是人工智能诞生的标志。这次会议上，麦卡锡首次提出了“人工智能”（Artificial Intelligence，AI）概念，纽厄尔和西蒙等则展示了被称为“第一人工智能程序”的“逻辑理论机器”（Logic Theorist），能自动对怀特海德和罗素所著的《数学原理》中的定理进行证明。
人工智能概念提出后，相继取得了一批令人瞩目的研究成果，如机器定理证明、跳棋程序等。1966年，美国麻省理工学院人工智能实验室的魏泽鲍姆发布了世界上第一个聊天机器人ELIZA。ELIZA是一个完全基于规则的聊天机器人，它模拟了一个心理医生，能通过脚本理解简单的自然语言，并能产生类似人类的互动。
20世纪70年代出现了专家系统，它可以看作是一类能模拟人类专家知识和经验来解决领域复杂问题的智能计算机程序系统，涉及知识表示和知识推理等技术。专家系统实现了人工智能从一般推理策略转向运用专业知识的重大突破。专家系统在很多领域都得到成功应用，如能帮助化学家推断分子结构的DENRAL、用于诊断和治疗疾病的MYCIN、辅助地质学家探测矿藏的PROSPCTOR等，推动人工智能走入应用发展的新高潮。
20世纪90年代以来，计算机网络和互联网技术的发展进一步加速了人工智能的创新研究，促使人工智能技术进一步走向实用化。1997年5月11日，IBM公司的计算机“深蓝”战胜国际象棋世界冠军卡斯帕罗夫，成为首个在标准比赛时限内击败国际象棋世界冠军的计算机系统。2011年，IBM再一次推出的Watson（沃森）系统，它能通过使用自然语言回答问题并参加了美国智力问答节目，打败两位人类冠军，成为“深蓝”战胜国际象棋大师后的又一次代表性人机大战。
近年来，随着大数据、云计算、互联网、物联网等信息技术的发展，以深度神经网络为代表的人工智能技术得到飞速发展。2016年，Google人工智能AlphaGo以4:1的成绩战胜围棋世界冠军李世石，这一次的人机对弈让人工智能正式被世人所熟知。以深度学习为代表的新兴人工智能技术也加速了人工智能应用落地，诸如图像分类、语音识别、无人驾驶等复杂问题的技术瓶颈陆续得到突破，迎来了爆发式增长的新高潮。
经过60多年的演进，特别是在移动互联网、大数据、云计算、认知科学等新理论新技术以及经济社会发展强烈需求的共同驱动下，人工智能加速发展。2017年7月，国务院发布《新一代人工智能发展规划》（即人工智能2.0），将新一代人工智能放在国家战略层面进行部署，描绘了面向2030年的我国人工智能发展路线图，其中大数据驱动知识学习、跨媒体协同处理、人机协同增强智能、群体智能、自主智能系统成为人工智能2.0时代的发展重点。
3.人工智能与物联网的融合
新一代人工智能与物联网在实际应用中不断落地融合，促进了智能物联网的诞生。2017年以来，智能物联网在学术界和企业界都成为关注的热点。智能家居、智能工厂、智慧城市、智慧医疗、自动驾驶等智能物联网相关的领域应用发展如火如荼；智能物联网也成为各大传统行业智能化升级的最佳途径。
物联网应用的不断普及为人工智能提供了海量的物理世界数据，实现了人-机-物的智能互联，也为人工智能的应用落地提供了客观的需求和丰富的路径。而人工智能技术的应用则为物联网领域应用的效能提升和自主优化提供赋能支撑，为用户提供更为个性化和智能化的体验。
智能物联网（AIoT）属于比较新的名词，学术界和业界对其定义并未达成一致。一般认为是人工智能和物联网两种技术相互融合的产物，物联网是异构、海量数据的来源，而人工智能用于实施大数据分析，其最终目标是实现万物智联。下面先给出几种主要的智能物联网定义。
维基百科
：
智能物联网是人工智能（AI）技术与物联网（IoT）基础设施的结合，以实现更高效的物联网运营，改善人机交互，提高数据管理与分析能力。
《2020年中国智能物联网（AIoT）白皮书》 [7] 指出：AIoT是人工智能与物联网的协同应用，它通过IoT系统的传感器实现实时信息采集，而在终端、边缘或云进行数据智能分析，最终形成一个智能化生态体系。
悉尼大学的研究人员发表在 IEEE Internet of Things [8] 上的一文中指出先进的通信技术（如5G、Wi-Fi等）将促进万物广泛连接，产生海量数据并推动智能物联网的产生。其通过融合边缘计算、雾计算和云计算的新体系架构来提升物联网系统的智能性和数据处理的及时性与安全性。
弗吉尼亚理工大学研究人员发表在 IEEE Computational Intelligence 杂志的论文 [9] 从未来网络结构角度探索智能物联网的发展，认为随着5G和6G的发展，越来越多的设备将通过联结形成超级网络。人工智能将在促进IoT网络更有效连接方面发挥重要作用，包括AI增强的随机接入和频谱共享等技术。
美国加州大学研究人员发表在 Proceedings of the IEEE 的文章 [10] 指出智能手机、物联网传感器等终端设备正在生成需要利用深度学习进行实时分析或用于训练深度学习模型的数据。然而，深度学习推理和训练需要大量的计算资源才能快速运行。边缘计算将计算节点的细网格放置在靠近终端设备的位置，是满足深度学习对边缘设备高计算量和低延迟要求的一种可行方式，同时还提供了隐私、带宽效率和可扩展性方面的额外优势。其认为智能物联网通过跨终端设备、边缘服务器和云的组合进行深度学习推理，实现高效深度计算。
香港科技大学杨强教授和南洋理工大学Dusit Niyato教授等在其文章中 [11] 强调智能物联网中边缘计算和联邦学习发挥的重要作用，能解决传统的基于云的机器学习方法所产生的延迟和通信效率低下问题，在数据隐私保护的前提下实现机器学习模型的协同训练。
基于以上定义，我们将智能物联网定义为： 以人工智能、边缘计算与物联网等技术的深度融合为基础，在感知、通信、计算和应用中通过人工智能技术赋能，呈现泛在智能感知、终端智能、云边端协同计算、分布式机器学习、人机物融合等新特征，具有更高灵活性、自组织性、自适应性、持续演化的物联网系统 。
智能物联网特质与内含如下所述。
人机物融合计算 [12, 13] ：随着物联网、人工智能等技术的发展，计算系统正从信息空间拓展到包含人类社会、信息空间和物理世界的三元空间，人机物三元融合计算将成为重要形态。它能有效协同与融合人、机、物异质要素，进而构建新型智能计算系统，是解决智能制造、智慧城市、社会治理等国家重大需求的有力支撑。
● 人（Human）： 主要体现为社会空间中的广大普通用户及其携带的移动或可穿戴设备，其发挥的作用一方面为人类智慧（包括个体或群体智能），另一方面涵盖基于移动设备的群智感知计算。
● 机（Machine）： 主要体现为信息空间中丰富的互联网应用及云端服务，在传统互联网和移动互联网等发展背景下，信息空间集聚了海量、多模态的数据和多样化的计算资源。
● 物（Things）： 主要体现为物理空间中泛在分布的物联网终端和边缘设备，在物联网发展的背景下，各种各样的智能物联网终端不断涌现，为感知和理解物理空间动态提供了重要支撑。
人、机、物三种要素在同一环境或应用场景下相互联结，和谐共生，但彼此能力差异、数据互补，需要通过协作交互来实现能力增强，进而完成复杂的感知和计算任务。
泛在智能感知： 在智能物联网时代，利用无处不在的感知资源，包括摄像头、RFID、Wi-Fi、红外、声波、毫米波等，产生丰富的多模态感知数据，进而通过机器学习和深度学习等方法实现对目标（人、环境或事件等）行为的准确感知。
情境自适应通信： 针对不断变化的网络资源、连接拓扑和数据传输等情境，从实时获取的网络数据中提取情境信息，进而通过自适应机制实现情境适配的低成本、高效通信。
物联网终端智能： 智能物联场景中，将深度学习模型（如实时视频数据处理）离线部署在资源受限且环境多变的物联网终端设备执行逐渐成为一种趋势，其具有低计算延时、低传输成本、保护数据隐私等优势，然而硬件资源限制和环境动态变化对终端智能算法带来了很大挑战。针对受限环境设计相适应的轻量级深度学习模型是智能物联网的一个关键问题。
分布式群体智能： 针对单个终端智能体数据和经验有限、模型训练能力弱、应用场景和任务多变等问题，与现有集中式学习模型和框架相区别，在分布式环境下实现多智能终端协作增强学习是智能物联网发展的重要趋势。
云边端协同计算： 针对海量的智能物联网数据及实时性、隐私性等数据处理需求，将边缘计算技术引入物联网，形成“端-边-云”协同计算的智能物联网体系架构，高效、及时地处理业务数据。