物聯網和人工智能是科技界最熱門的兩個話題，這也是企業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，規劃如何讓它們相互支持，使企業用戶受益至關重要。

　　什么是物聯網?

　　物聯網是由設備而非人組成的網絡。物聯網應用通常由感知現實世界狀況并觸發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，許多物聯網應用需要更復雜的規則來鏈接觸發器和控制元素，以實時管理流程。

　　在物聯網中，代表觸發器、操作或命令的消息流經通常稱為控制循環的部分。物聯網應用中接收觸發器并啟動操作的部分是該循環的中心點，也是物聯網規則所在的位置。控制循環只是物聯網應用中總信息流的一部分——該部分接收有關現實世界過程條件的信息并生成現實世界的響應。

　　大多數物聯網應用也會生成一些業務交易。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(這是一個業務交易)。

　　控制環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路的長度。

　　控制環路通常需要簡單的處理來閉合環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路的長度以及物聯網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。物聯網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據，其中許多數據在過程控制中具有直接價值，在業務分析和優化方面也具有價值。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.簡單或基于規則的人工智能。這類軟件包含規則或策略，將觸發事件與操作關聯起來。這些規則是經過編程的，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行為。學習的形式可以是監控實時系統，將人類的反應與事件聯系起來，然后在相同情況發生時通過分析過去的行為或由專家提供數據來重復這些行為。應用程序專家和機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則集轉化為硬件和半導體實現。

　　3.推理或神經網絡。這些網絡使用人工智能構建一個旨在模擬簡單生物大腦的引擎。引擎根據對條件的推斷進行推理，生成對觸發器的響應。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據集。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，大多數代理人工智能系統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 通過檢查數百萬個在線文檔來構建知識庫，然后根據這些知識和工程師提供的一組規則回答通俗易懂的查詢。知識庫的廣度和查詢規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據中心來運行，并需要訓練互聯網規模的在線文檔。

　　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。我們也可以根據人工智能系統向智能發展的方式對其進行分類，如圖 2 所示。大多數人工智能專家認為，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邁進。大多數企業表示，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。

　　物聯網和人工智能如何相互支持?

　　在物聯網中，現實世界事件會被發出信號并進行處理，以創建適當的響應。簡單來說，任何使用軟件對觸發事件生成響應的物聯網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網至關重要。

　　對于物聯網用戶和開發者來說，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網應用。這取決于物聯網支持的現實世界系統的復雜性和多變性，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、支持更復雜的現實世界活動，以及將物聯網從傳統的控制回路擴展到業務管理。

　　簡單的人工智能規則增強物聯網優勢

　　物聯網控制應用程序會根據傳感器或其他物聯網設備創建的物聯網事件創建操作。簡單的、基于規則的物聯網會說：“如果按下觸發開關，則打開燈A”，而更復雜的演進可能會說：“如果按下觸發開關，并且天黑了，則打開燈A”。第二種形式代表事件(觸發開關)識別和狀態(天黑)識別。程序員使用狀態/事件表來描述如何在多種狀態下解釋一系列事件，但這僅在易于識別的狀態數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則的物聯網應用增值：

　　1.人工智能可以使用多種信息源來確定狀態，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.人工智能可以根據物聯網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實世界的傳感數據中生成物聯網事件。運動和人體檢測已經是視頻分析應用的常見示例，語音識別和說話人關聯也可以通過個性化操作為基于規則的物聯網增值。

　　4.人工智能可以檢查大量物聯網傳感器的狀態，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，并采取適當的措施。這已經在公共事業和交通運輸垂直領域得以實現，因為這些領域的整體系統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與環境條件和業務活動相結合。例如，它可以控制照明和暖通空調系統 (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網編程來實現，但一個專門設計并可根據需要進行修改的人工智能模型(現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。

　　大多數基于規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督，也不需要以協助或建議人類的方式運行。它們僅限于處理連接物聯網事件和待觸發操作的控制回路。物聯網中更先進、更復雜的人工智能任務也正在涌現。

　　物聯網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網中的特定用例。大型和小型語言模型 (SLM) 幾乎可以像專家或專員一樣工作，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) 超出了企業通常自行部署的范圍，因此需要云托管。這引起了企業基于數據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行客戶支持和產品購買協助任務。人們越來越有興趣整合來自電信或公用事業基礎設施系統的物聯網數據，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據引入檢索增強生成，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。這引發了人們對代理人工智能 (Agentic AI) 的興趣，因為企業保留了數據控制權，而自托管的代理人工智能可以部署在工業流程中，使其成為支持此類物聯網 (IoT) 的可行方法。代理人工智能還允許將多個簡單規則的物聯網應用程序整合到一個更高級別的人工智能實體下，從而支持復雜的現實世界活動。

　　代理人工智能在物聯網中的應用包括：

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

　　2.自動駕駛汽車，例如用于貨物和人員運輸系統的自動駕駛汽車，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;一些業內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，用于陸海空戰爭和后勤——同樣，也包括無人機和無人機群的指揮。

　　4.工業自動化，適用于所有形式的制造業。

　　5.醫療保健，用于患者監護、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和網絡運營系統，可以為人類專家提供診斷信息，并在出現問題時提出補救措施建議。

　　超越控制環路的物聯網

　　大多數企業物聯網應用，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務流程——這些流程目前由傳統核心業務交易應用程序支持。

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

　　物聯網應用中的人工智能挑戰

　　企業普遍對 AI 和物聯網持樂觀態度，但以下三個問題可能會阻礙應用的發展：

　　1.人工智能模型，尤其是 LLM 模型，容易因訓練數據被誤解而產生幻覺。此外，無意中使用 AI 生成的數據來訓練 AI 模型可能會造成數據污染。這些錯誤阻礙了 AI 在真正自主的應用中的應用，但即使是人工監督也無法完全發現這些問題。

　　2.對于大多數實際的AIoT應用來說，使用公司特定數據訓練AI至關重要，但這些數據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。這在工業物聯網中尤其如此。在延遲至關重要的情況下，機器學習和SLM可能是首選。

　　結論

　　盡管物聯網旨在提高生產力并減少人工工作，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網系統的地方，前提是AI的能力要高于基于規則的物聯網編程和控制器，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。

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