呂達+董振江+楊勇

摘要：認為隨著信息通信技術(shù)（ICT）的融合發(fā)展，M-ICT應(yīng)用的架構(gòu)、功能和服務(wù)形態(tài)都發(fā)生了重大變化，呈現(xiàn)出了智能化、去中心化、泛在化等主要特征。詳細闡述了在人工智能、區(qū)塊鏈和物聯(lián)網(wǎng)等方面M-ICT應(yīng)用的研究進展，展望了其發(fā)展趨勢，并指出了當前需要解決的關(guān)鍵技術(shù)問題。

關(guān)鍵詞： 人工智能；區(qū)塊鏈；萬物互聯(lián)

信息通信技術(shù)（ICT）融合、吸納各種跨界的新技術(shù)，并通過在ICT應(yīng)用中的探索和實踐，不斷催生各種新業(yè)務(wù)、新服務(wù)。ICT應(yīng)用已經(jīng)與移動互聯(lián)網(wǎng)、云計算和大數(shù)據(jù)等技術(shù)領(lǐng)域深度融合，呈現(xiàn)出3個方面的技術(shù)趨勢：

（1）人工智能帶來的服務(wù)智能化與智慧化。在高性能計算、存儲、大數(shù)據(jù)和網(wǎng)絡(luò)技術(shù)迅猛發(fā)展的基礎(chǔ)之上，人工智能技術(shù)重新煥發(fā)出生命力，帶來了M-ICT應(yīng)用與服務(wù)的智能化、智慧化。

（2）以區(qū)塊鏈為特征的去中心化。以區(qū)塊鏈技術(shù)為代表的互聯(lián)網(wǎng)分布式數(shù)據(jù)技術(shù)，用于M-ICT應(yīng)用分布式構(gòu)建，并提供去中心化的安全可信服務(wù)，解決了互聯(lián)網(wǎng)環(huán)境交易信任的難題。

（3）萬物互聯(lián)化。4G網(wǎng)絡(luò)的商用部署和5G網(wǎng)絡(luò)的逐步推進，使得萬物互聯(lián)成為現(xiàn)實，帶來更高的帶寬、更低的功耗、更低的時延，催生大量萬物互聯(lián)下的ICT新應(yīng)用、新服務(wù)、新形態(tài)，泛在的ICT應(yīng)用服務(wù)可滿足用戶隨時隨地、方便快捷、個性化的消費，也將對ICT應(yīng)用架構(gòu)帶來深刻的影響。

1 人工智能及ICT應(yīng)用的智能化

人工智能從功能上可分為計算智能、感知智能和認知智能，近些年人工智能的大發(fā)展是大數(shù)據(jù)、云計算和算法改進的共同作用。

1.1 計算智能的發(fā)展趨勢分析

計算智能作為基礎(chǔ)通用性技術(shù)引擎，包含分布式計算與存貯、神經(jīng)網(wǎng)絡(luò)、分布式機器學(xué)習(xí)算法與模型、智能調(diào)度引擎和智能硬件加速等。計算智能近年有了較大進展，有如下所述的主要表現(xiàn)。

（1）大數(shù)據(jù)[1]、云計算、硬件加速是計算智能的基礎(chǔ)支撐。大數(shù)據(jù)可揭示未知的關(guān)聯(lián)性或者規(guī)律，是人工智能的信息載體，而云計算則提供了充足的分布式計算和存儲能力。大數(shù)據(jù)與云計算的結(jié)合是機器學(xué)習(xí)技術(shù)在近年得到飛速發(fā)展的推動力，再加上智能加速硬件的發(fā)展（如圖像處理器（GPU）和現(xiàn)場可編程邏輯門陣列（FPGA）芯片[2]），共同推動人工智能從理論走向?qū)嶋H應(yīng)用。

（2）機器學(xué)習(xí)特別是深度學(xué)習(xí)是計算智能取得長足進步的加速器[3]。機器學(xué)習(xí)以計算模式劃分，包含傳統(tǒng)的單機版機器學(xué)習(xí)（如開源的R、Python、Weka等），基于各種分布式計算框架的并行機器學(xué)習(xí)（如開源的Mahout、RHadoop等），以及目前熱門的開源框架（如Caffe、TensorFlow等）。以算法類型劃分，包含基礎(chǔ)應(yīng)用中的監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)，又包含高級應(yīng)用中的深度學(xué)習(xí)、強化學(xué)習(xí)、集成學(xué)習(xí)、遷移學(xué)習(xí)等。目前深度學(xué)習(xí)的典型算法在圖像、語音取得突破性進展，但是需要大量的人工標注數(shù)據(jù)。

綜上所述，能夠得到如下結(jié)論。

（1）深度學(xué)習(xí)是當前業(yè)界熱點，但傳統(tǒng)機器學(xué)習(xí)仍將占有一席之地。一方面，在金融、電信等傳統(tǒng)領(lǐng)域既需要提供高精度的模式識別/預(yù)測結(jié)論，又需要模型變量的清晰可控，所以傳統(tǒng)機器學(xué)習(xí)/統(tǒng)計科學(xué)方法仍有很大空間；另一方面，基于集成學(xué)習(xí)、增量學(xué)習(xí)的機器學(xué)習(xí)方法往往具有更好的魯棒性和更經(jīng)濟的使用成本。

（2）遷移學(xué)習(xí)和深度強化學(xué)習(xí)是未來機器學(xué)習(xí)研究和應(yīng)用的重要方向。遷移學(xué)習(xí)能夠讓我們把大數(shù)據(jù)得到的模型遷移到小數(shù)據(jù)上面，是在較小人工監(jiān)督代價下進行機器學(xué)習(xí)的一種新策略；而強化學(xué)習(xí)在AlphaGo成功后重獲業(yè)界關(guān)注，在游戲、多輪語義對話、機器人的運動規(guī)劃和避障等中有廣闊的應(yīng)用前景。

（3）智能調(diào)度是計算智能中大規(guī)模數(shù)據(jù)訓(xùn)練與上線的服務(wù)保證。智能調(diào)度需要根據(jù)數(shù)據(jù)形態(tài)、算法實現(xiàn)、模型構(gòu)建，自動選擇合適的并行計算框架及相應(yīng)算法/模型，實現(xiàn)最優(yōu)在線服務(wù)。人工智能的模型訓(xùn)練需要進行若干次的實驗才能達到最佳效果，而且在模型訓(xùn)練過程需要提供中間結(jié)果的可視化展示與應(yīng)用效果評估，考慮如何快速進行自動的超參數(shù)優(yōu)化等。

1.2 感知智能的發(fā)展趨勢分析

感知智能的目標是讓機器能聽懂人類的語言，看懂世間萬象，典型的如自動語音識別和圖像識別。感知智能是人工智能的基石，也是目前產(chǎn)業(yè)化前景最為看好的技術(shù)，其技術(shù)全貌如圖1所示。

隨著傳感器技術(shù)的進步，一些新的傳感器也涌現(xiàn)出來，如深度攝像頭等。這些傳感器不斷地產(chǎn)生和收集多種類型的海量數(shù)據(jù)，為感知智能的發(fā)展奠定了數(shù)據(jù)基礎(chǔ)。

算法是感知智能計算的核心，從應(yīng)用的領(lǐng)域可以分為幾何理解、語義理解和意圖理解三大領(lǐng)域。

·幾何理解指根據(jù)視覺信息恢復(fù)環(huán)境的幾何信息，并可以對目標進行準確定位和跟蹤，輸出6個自由度的空間位置信息；

·語義理解是對圖片或者視頻中的目標進行識別和分析，并輸出結(jié)構(gòu)化的有明確語義的信息；

·意圖理解是指對交互意圖的理解，目前成熟度最高是語音識別技術(shù)，除此之外，姿態(tài)手勢和情感也是重要的交互手段，在游戲中得到了初步應(yīng)用。

感知智能，特別是語音識別、人臉識別近年取得了很大突破，主要依賴于深度學(xué)習(xí)的蓬勃發(fā)展[4-5]。深度學(xué)習(xí)取得成功，首先是因為大數(shù)據(jù)在很大程度上緩解了訓(xùn)練過擬合的問題，其次在于飛速發(fā)展的計算機硬件所提供的強大計算能力，使得訓(xùn)練大規(guī)模神經(jīng)網(wǎng)絡(luò)成為可能。此外，神經(jīng)網(wǎng)絡(luò)的模型設(shè)計和訓(xùn)練方法也取得了長足進步，非監(jiān)督和逐層的預(yù)訓(xùn)練等訓(xùn)練方法能加速收斂。

感知智能雖然在指定的數(shù)據(jù)集上準確率不斷提高，但是實際工程應(yīng)用中還有許多問題需要解決。深度學(xué)習(xí)現(xiàn)在已經(jīng)有一些很好的開放模型可以解決一些通用問題，但是圖像識別中需要對于不同的目標構(gòu)造不同的特征提取和分類器模型，沒有通用的準則。實際工程中為獲得較高性能，需要針對目標特性，構(gòu)造核心的損失函數(shù)和監(jiān)督規(guī)則，同時需要大量的專業(yè)領(lǐng)域知識和經(jīng)驗。

感知智能有以下發(fā)展趨勢：

（1）采用弱監(jiān)督/半監(jiān)督學(xué)習(xí)框架提升數(shù)據(jù)利用率。

大數(shù)據(jù)中標注樣本少，人工進行多屬性標注耗時久、花費大，如何有效利用無標簽數(shù)據(jù)進行學(xué)習(xí)成為提升深度神經(jīng)網(wǎng)絡(luò)的關(guān)鍵問題。自2016年以來，以生成對抗網(wǎng)絡(luò)（GAN）為代表的無監(jiān)督學(xué)習(xí)方法成為深度學(xué)習(xí)研究的主流方向，但是GAN訓(xùn)練存在極大的不穩(wěn)定性，用于圖像識別的效果并不好。結(jié)合聚類等傳統(tǒng)無監(jiān)督方案，研究如何在深度學(xué)習(xí)框架下結(jié)合現(xiàn)有的標注樣本進行弱監(jiān)督或半監(jiān)督學(xué)習(xí)成為一個重要思路。

（2）多模型集成或者多模態(tài)加權(quán)提升任務(wù)目標的準確率。

在一些特定領(lǐng)域，如支付，對準確率要求非常高，目前人臉識別僅僅作為一種輔助手段，在這種情況下，單一模型由于深度學(xué)習(xí)自身原因容易陷入局部最優(yōu)解的問題，在錯誤拒絕率和正確接受率之間很難做到兼顧?？梢钥紤]采用多模型集成學(xué)習(xí)的策略進行準確率提升，或者采用多種生物特征如聲紋識別進行安全性加強。

（3）從單一算法模塊向端到端的深度神經(jīng)網(wǎng)絡(luò)框架演進。

深度學(xué)習(xí)最初用來進行特征學(xué)習(xí)，視頻和圖像分析任務(wù)由多個算法構(gòu)成，單一算法性能提升在軟硬件架構(gòu)上無法做到統(tǒng)一，導(dǎo)致實時性較差。進行端到端的神經(jīng)網(wǎng)絡(luò)構(gòu)造，是深度學(xué)習(xí)的演進方向。如在目標檢測分類領(lǐng)域單純地從特征提取，發(fā)展到引入專門的池化層來解決尺寸歸一化問題，進一步分類和定位任務(wù)聯(lián)合設(shè)計損失函數(shù)，最后將侯選框選取也納入目標檢測網(wǎng)絡(luò)，在性能上也會有非常可觀的提升。

圖像的采集從數(shù)據(jù)源方面極易受到光照、天氣等的干擾，導(dǎo)致識別率下降，如何從數(shù)據(jù)源側(cè)提升采集的質(zhì)量，也是感知智能系統(tǒng)方案設(shè)計中非常重要的環(huán)節(jié)。

針對感知智能的新的服務(wù)器架構(gòu)和終端硬件，是計算智能發(fā)展重點方向。數(shù)據(jù)、硬件和算法構(gòu)成了感知智能的三架馬車，在未來的人工智能產(chǎn)業(yè)蓬勃發(fā)展的時代里，感知智能會一如既往成為科技進步，改變產(chǎn)業(yè)格局的最重要的技術(shù)原動力之一。

1.3 認知智能的發(fā)展趨勢分析

認知智能，即對人類深思熟慮行為的模擬，包括記憶、推理、規(guī)劃、決策與知識學(xué)習(xí)等高級智能行為，代表了人工智能的更高層次。近年來，自然語言處理（NLP）取得了較為明顯的技術(shù)突破[6-7]，相關(guān)的智能應(yīng)用層出不窮，例如智能問答和智能機器人等。典型的自然語言處理系統(tǒng)如圖2所示。

（1）自然語言理解。

模塊功能是真正理解用戶輸入的語義和意圖。從用戶的輸入來講，一般問題分為3種類型：基于特定領(lǐng)域的知識問答型，基于特定目的的任務(wù)型和完全開放的閑聊型。

·基于特定領(lǐng)域的知識型，又分為一問一答和上下文交互兩種形式，均可以采用基于知識圖譜加上傳統(tǒng)檢索模型的方式。

·基于特定目的的任務(wù)型，對于任務(wù)型的一般所需的參數(shù)或條件是非常明確的，可以將參數(shù)或條件抽象成幀插槽，采用插槽填充的方式進行問答。

·完全開放的閑聊型。對于閑聊型的，是意圖最不容易把握的，通常采用傳統(tǒng)檢索模型加上深度學(xué)習(xí)方式進行問答。

（2）自然語言對話。

·引導(dǎo)交互?；谀撤N營銷或推薦目的，引導(dǎo)用戶聊天內(nèi)容。也可以在理解用戶意圖前提下，缺失部分或全部必要元素，采用引導(dǎo)方式追問達到用戶目的。

·對話管理?；诋斍皩υ挔顟B(tài)確定系統(tǒng)動作，目前研究主流的方式是基于深度強化學(xué)習(xí)來實現(xiàn)對話管理，如部分可觀測馬爾科夫決策過程（POMPD）。

（3）自然語言生成。

自然語言生成一般主要用在開放閑聊型中，對于常見問題（FAQ）庫中無法找到答復(fù)的就自動生成，最流行的解決方案是“seq2seq+attention”。一般答復(fù)和生成比例在8：2左右，自動生成的使用率并不高，除技術(shù)難度高之外，還存在缺乏聊天機器人的評價標準，缺乏標準化的大規(guī)模訓(xùn)練數(shù)據(jù)等問題。此外，基于深度學(xué)習(xí)來構(gòu)建聊天機器人的技術(shù)研發(fā)還處于初期階段。

（4）海量異構(gòu)知識挖掘。

基于特定領(lǐng)域的問答或者知識性、事實性問答，需要基于知識圖譜來實現(xiàn)。對海量異構(gòu)數(shù)據(jù)進行解析后，從中挖掘出概念、關(guān)系、屬性、語義等語言單元，然后采用知識圖譜的方式進行知識表示和存儲。知識圖譜在知識的查找、推理和管理方面有明顯的優(yōu)勢。

認知智能技術(shù)的發(fā)展趨勢有以下4點。

（1）從淺層語義分析到深層語義分析的自然語言處理。

傳統(tǒng)的語義分析通常采用符號抽取和匹配的思路來進行，或者采用簡單的機器學(xué)習(xí)。局限性在于在有限樣本和計算的情況下，對復(fù)雜函數(shù)表示能力有限，復(fù)雜分類泛化能力受限，同時還需要人工抽取特征。目前，NLP領(lǐng)域深度學(xué)習(xí)受到極大重視，深度學(xué)習(xí)不僅可以自動抽取特征，同時以更緊湊簡潔方式表達比淺層復(fù)雜的函數(shù)集合，NLP將不斷從傳統(tǒng)的淺層語義分析向深層語義分析發(fā)展。

（2）從單一的智能機器學(xué)習(xí)到混合的智能學(xué)習(xí)。

AlphaGo的成功背后，其技術(shù)更加讓人震撼，它將深度學(xué)習(xí)和強化學(xué)習(xí)進行結(jié)合使用，突破了傳統(tǒng)單一方法的效果。同樣的，在處理NLP時，由于NLP大部分是復(fù)雜問題或者XOR問題，因此需要多種算法的組合來解決問題，揚長避短，機器學(xué)習(xí)、深度學(xué)習(xí)和強化學(xué)習(xí)的結(jié)合，將在NLP中發(fā)揮出更大的優(yōu)勢。

（3）從單一知識獲取方式到多通道融合獲取方式。

最傳統(tǒng)的問答系統(tǒng)交互性差，技術(shù)實現(xiàn)上通?；陬愃朴谒阉饕娴乃饕龣z索方式，很難理解用戶意圖，主要原因在于粗粒度檢索，準確率受限，另外也缺乏知識推理和知識引導(dǎo)交互。通過已結(jié)構(gòu)化的知識圖譜來進行語義理解、獲取答案，甚至可以進行知識推理，不僅可以精確匹配答案并推理，同時也能處理非結(jié)構(gòu)化文檔，支持結(jié)構(gòu)也更復(fù)雜。

（4）從人工學(xué)習(xí)知識到半監(jiān)督的人機協(xié)作知識自學(xué)習(xí)。

互聯(lián)網(wǎng)產(chǎn)生的大量的非結(jié)構(gòu)化數(shù)據(jù)，通常被以文件形式存儲到到文件系統(tǒng)，以進行搜索、查詢，對于文檔中的知識價值則需要人去理解消化，其局限性在于管理成本高，知識無法共享傳遞價值。而采用知識挖掘工具或者知識圖譜等技術(shù)，就可以實現(xiàn)半自動的非結(jié)構(gòu)化文件知識挖掘，同時采用圖的形式進行知識表示和存儲，只需人工校對就能使大家共用數(shù)據(jù)，發(fā)揮知識價值。

1.4 人工智能在ICT領(lǐng)域中的應(yīng)用

人工智能技術(shù)已經(jīng)走進了工業(yè)生產(chǎn)和人們生活的方方面面。在傳統(tǒng)的電信網(wǎng)絡(luò)領(lǐng)域，基于人工智能的網(wǎng)絡(luò)智能運維及智慧運營成為各個電信運營商的主要目標之一。特別地，基于人工智能技術(shù)對各類網(wǎng)絡(luò)數(shù)據(jù)的實時處理，自動學(xué)習(xí)，主動優(yōu)化和提升，將通信網(wǎng)絡(luò)從“靈活網(wǎng)絡(luò)”升級至“自動網(wǎng)絡(luò)”，最后演進成為“知化網(wǎng)絡(luò)”，全面提升運行服務(wù)能力和效率。

在行業(yè)領(lǐng)域。人工智能首先將在如行業(yè)客服、安防、金融等各行業(yè)深化應(yīng)用。例如視頻分析、反恐與情報分析、地鐵等大流量區(qū)域的監(jiān)測控制比對；自動客服機器人，減少人力的成本，實現(xiàn)7×24自動智能客服；金融領(lǐng)域的遠程開戶、刷臉支付、金融大數(shù)據(jù)采集、處理、人工智能自動交易、資產(chǎn)管理等。

在智慧家庭領(lǐng)域，智慧家居產(chǎn)品將因為人工智能技術(shù)而更加智能，各種可聽、可看、可行走、能理解、能執(zhí)行的智慧家居產(chǎn)品，能全面服務(wù)于家庭娛樂、看護和生活助手等多種個性化需求。

在終端領(lǐng)域，語音交互、語義理解、自動學(xué)習(xí)，將會改變終端的交互方式。個人助手業(yè)務(wù)的興起，意味著終端業(yè)務(wù)的用戶體驗將深受人工智能技術(shù)影響。特別是5G到來后，網(wǎng)絡(luò)提速后的“寬”和“快”，將極大提升人機之間響應(yīng)速度。結(jié)合“類人腦”的智能云服務(wù)，極大地提升了用戶體驗。

2 區(qū)塊鏈技術(shù)

區(qū)塊鏈是一種分布式賬本[8-9]，賬本以區(qū)塊形式存在，每個區(qū)塊以哈希值連接成一根鏈條，因此得名區(qū)塊鏈，它是基于密碼學(xué)、分布式系統(tǒng)和對等網(wǎng)絡(luò)的綜合技術(shù)。其去中心化、數(shù)據(jù)不易篡改、數(shù)據(jù)可追溯等新特性，將會為ICT應(yīng)用的架構(gòu)帶來新的變化。

盡管區(qū)塊鏈技術(shù)的還存在一些重要的問題還需要繼續(xù)突破，但是這并不妨礙區(qū)塊鏈技術(shù)在各行各業(yè)的應(yīng)用，其應(yīng)用前景非常廣闊，典型的應(yīng)用場景如下所述。

·數(shù)字貨幣：提供更多的匯兌手段，流轉(zhuǎn)通暢；

·支付交易：優(yōu)化交易過程，降低交易成本；

·大數(shù)據(jù)交易：數(shù)據(jù)資產(chǎn)流通和隱私保護，通過應(yīng)用程序編程接口（API）保護“裸”數(shù)據(jù)；

·物聯(lián)網(wǎng)：自我服務(wù)、自我維持，設(shè)備間自主交易和共享；

·身份認證：杜絕網(wǎng)絡(luò)和電信詐騙、反洗錢，提供可信憑證；

·權(quán)益登記和轉(zhuǎn)移：明確所有權(quán)，提供溯源依據(jù)，保護合法權(quán)益；

·信用交易：減少交易糾紛，推動互聯(lián)網(wǎng)金融行業(yè)進一步發(fā)展；

·公共領(lǐng)域：車位共享、學(xué)歷證明、環(huán)保眾籌、供應(yīng)鏈等，智能合約提供信任保障；

·醫(yī)療領(lǐng)域：醫(yī)療記錄、死亡證明，杜絕篡改和作假。

區(qū)塊鏈技術(shù)的演進，目前已經(jīng)從1.0進入2.0階段，區(qū)塊鏈2.0的架構(gòu)如圖3所示。

以上各層中，共識層、網(wǎng)絡(luò)層和數(shù)據(jù)層是需要重點關(guān)注的技術(shù)方向。

（1）共識層。

共識機制最初源于比特幣的工作量證明機制（POW），該機制耗時耗能。后期發(fā)展出了基于權(quán)益的共識機制（POS）?；谌鸩ㄋ惴ǎ≧IPPLE）和拜占庭算法（PBFT）的共識機制也是當前使用非常廣泛的技術(shù)。從性能、可靠性和安全性等多個方面考慮，基于PBFT的共識算法應(yīng)該是以后的主流算法。

（2）網(wǎng)絡(luò)層。

根據(jù)現(xiàn)有的測試數(shù)據(jù)分析，節(jié)點數(shù)量的增加帶來了指數(shù)級增長的網(wǎng)絡(luò)流量，從而嚴重影響到了共識算法的性能。此外，區(qū)塊鏈節(jié)點的驗證機制也嚴重依賴于網(wǎng)絡(luò)層的性能和安全。當然效率和可靠性是一對矛盾，業(yè)界很多企業(yè)宣稱的性能指標，脫離了業(yè)務(wù)應(yīng)用、復(fù)雜網(wǎng)絡(luò)、系統(tǒng)異常等場景的指標，是沒有意義的，除了關(guān)注峰時性能還要關(guān)注平均性能數(shù)據(jù)，這是目前的難點，也是重點研究方向，性能提升可以從打包、異步、并行、分離等幾個方面考慮。

（3）數(shù)據(jù)層。

為了提升區(qū)塊鏈的性能和效率，區(qū)塊上需要存儲的是價值數(shù)據(jù)、可信數(shù)據(jù)，而對于其他數(shù)據(jù)需要結(jié)合傳統(tǒng)數(shù)據(jù)庫和文件存儲技術(shù)，需要在兩者間做好橋梁和同步機制，同時對于投票節(jié)點和普通節(jié)點可采用輕節(jié)點和完全節(jié)點保存數(shù)據(jù)的方法，減少數(shù)據(jù)量的大規(guī)模同步。數(shù)據(jù)安全是另一大核心技術(shù)，也是區(qū)塊鏈技術(shù)賴以生存的根本，是數(shù)據(jù)層需要重點解決的問題。隨著量子計算機的研制成功，密碼學(xué)技術(shù)需要繼續(xù)研究出新的抗量加密技術(shù)。

3 萬物互聯(lián)下的ICT服務(wù)泛在化

當前全球物聯(lián)網(wǎng)技術(shù)體系、商業(yè)模式、產(chǎn)業(yè)生態(tài)仍在不斷演變和探索中。低功率廣域網(wǎng)（LPWAN）技術(shù)在全球范圍內(nèi)快速興起并逐步商用，面向物聯(lián)網(wǎng)廣覆蓋、低時延場景的5G技術(shù)標準化進程加速，各種物聯(lián)網(wǎng)垂直應(yīng)用逐漸成熟，推動物聯(lián)網(wǎng)的發(fā)展進入萬物互聯(lián)的新時代[10-11]。平臺化服務(wù)、泛在化連接、智慧化終端成為物聯(lián)網(wǎng)應(yīng)用發(fā)展的主要特征。產(chǎn)業(yè)生態(tài)進入以水平化環(huán)節(jié)為核心，垂直一體化布局為模式的構(gòu)建階段，如圖4所示。

在物聯(lián)網(wǎng)的發(fā)展過程中，標準的地位舉足輕重。全球物聯(lián)網(wǎng)相關(guān)標準化組織眾多，標準化體系框架已基本建立，如圖5[12]所示。

·平臺層。作為業(yè)界最大的標準組織，oneM2M已發(fā)布兩個版本標準，并在繼續(xù)研制新的版本；W3C也已完成了相關(guān)工作，并在物聯(lián)網(wǎng)語義方面繼續(xù)研究。

·網(wǎng)絡(luò)層。主要由第3代合作伙伴（3GPP）等主要標準化組織推動，已凍結(jié)的標準有：面向中低速率機器通信的eMTC，面向窄帶移動場景的窄帶物聯(lián)網(wǎng)（NB-IoT）和面向車聯(lián)網(wǎng)應(yīng)用的V2V。此外，低功耗、長距離通信技術(shù)也是標準化熱點，如LoRa、sigfox等。

·行業(yè)應(yīng)用。國際電信聯(lián)盟（ITU）成立了SG20推動物聯(lián)網(wǎng)和智慧城市相關(guān)標準的制定，工業(yè)互聯(lián)網(wǎng)聯(lián)盟（IIC）完成工業(yè)領(lǐng)域的標準化，KNX定義了智能家居標準。

各標準組織間也加大了協(xié)調(diào)合作，協(xié)同推進標準的落地。此外，物聯(lián)網(wǎng)開源興起，如短距離通信領(lǐng)域的OCF和AllSeen，平臺標準oneM2M、W3C的開源等。開源軟件成為標準落地、構(gòu)建和擴大生態(tài)、增加企業(yè)影響力的重要手段。

在萬物互聯(lián)的進程中，仍然面臨一些技術(shù)挑戰(zhàn)。比如：工業(yè)制造、安全生產(chǎn)中的高可用性和可靠性，車聯(lián)網(wǎng)和智能家居中的安全與隱私問題等。具體來說，有以下關(guān)鍵技術(shù)需要重點研究：

·邊緣計算。在靠近物或數(shù)據(jù)源頭的網(wǎng)絡(luò)邊緣側(cè)，就近提供智能互聯(lián)服務(wù)，聚焦實時、短周期數(shù)據(jù)的分析和處理，滿足行業(yè)在處理的敏捷性、業(yè)務(wù)智能化、數(shù)據(jù)聚合與互操作、安全與隱私保護等方面的關(guān)鍵需求。

·運動智能技術(shù)。通過融合各種外部傳感器數(shù)據(jù)評估機器人位姿和環(huán)境地圖的概率分布，實現(xiàn)地圖構(gòu)建和機器人定位，在未知環(huán)境的自主移動和避障導(dǎo)航?；谶\動智能，結(jié)合感知智能與認知智能，服務(wù)機器人將在金融、零售、養(yǎng)老、政務(wù)等領(lǐng)域大展身手。

·物聯(lián)網(wǎng)認知計算。物聯(lián)網(wǎng)商業(yè)模式將以各種方式利用“設(shè)備”所收集的信息，以便了解顧客行為，提供服務(wù)或改善產(chǎn)品，或用來辨識及把握商機。隨著數(shù)據(jù)量的持續(xù)增加，需要全新的分析方法、工具與運算法則，如數(shù)據(jù)挖掘、機器學(xué)習(xí)等。

·物聯(lián)網(wǎng)安全。物聯(lián)網(wǎng)應(yīng)用環(huán)境復(fù)雜，終端計算和存儲能力有限，無法應(yīng)用常規(guī)的安全防護手段。如何保護物聯(lián)網(wǎng)設(shè)備免于遭受攻擊破壞，通信過程加密，“冒名設(shè)備”、會耗盡電池的拒絕休眠攻擊等新型挑戰(zhàn)將成為重點考慮的安全技術(shù)。

4 結(jié)束語

網(wǎng)絡(luò)通信和智能終端技術(shù)的發(fā)展使得通信技術(shù)（CT）應(yīng)用和信息技術(shù)（IT）應(yīng)用深度融合，這可以看作是ICT應(yīng)用服務(wù)出現(xiàn)的第1次巨大變革；寬帶高性能移動通信網(wǎng)絡(luò)的發(fā)展，以及云計算基礎(chǔ)設(shè)施服務(wù)的成熟使得人工智能應(yīng)用于ICT應(yīng)用，勢必將促進ICT應(yīng)用服務(wù)發(fā)生第2次重大的變革。區(qū)塊鏈技術(shù)作為分布式去中心化的數(shù)據(jù)支撐技術(shù)，將會在金融、能源、電力等公共行業(yè)領(lǐng)域催生出一批全新架構(gòu)的ICT應(yīng)用服務(wù)。盡管目前還存在一些關(guān)鍵技術(shù)需要深入研究和突破，但是萬物互聯(lián)，隨時隨地享受各種安全、方便、快捷的ICT服務(wù)將使人類走向智慧生活的新時代。

致謝

感謝賈霞、吉鋒、陳虹、王曄、韋薇和王永銀等在文章撰寫過程中給予的大力支持。

參考文獻

[1] 郭平， 王可， 羅阿理， 等. 大數(shù)據(jù)分析中的計算智能研究現(xiàn)狀與展望[J]. 軟件學(xué)報， 2015， 26（11）：3010-3025. DOI： 10.13328/j.cnki.jos.004900

[2] 丁科， 譚營. GPU通用計算及其在計算智能領(lǐng)域的應(yīng)用[J]. 智能系統(tǒng)學(xué)報， 2015， 10（1）：1-11.DOI： 10.3969/j.issn.1673-4785.201403072

[3] 孫志遠， 魯成祥， 史忠植， 等. 深度學(xué)習(xí)研究與進展[J]. 計算機科學(xué)， 2016， 43（2）：1-8. DOI：

10.11896/j.issn.1002-137X.2016.2.001

[4] SUN Y， WANG X， TANG X. Deep Learning Face Representation from Predicting 10000 Classes[C]// 2014 IEEE Conference on Computer Vision and Pattern Recognition. USA：IEEE， 2014：1891-1898. DOI： 10.1109/CVPR.2014.244

[5] GIRSHICK R， DONAHUE J， DARRELL T， et al. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation[C]// 2014 IEEE Conference on Computer Vision and Pattern Recognition. USA：IEEE， 2014：580-587. DOI： 10.1109/CVPR.2014.81

[6] 陳熙霖，胡事民等，面向真實世界的智能感知與交互[J]. 中國科學(xué)：信息科學(xué)，2016，46（8）：969-981

[7] 奚雪峰， 周國棟. 面向自然語言處理的深度學(xué)習(xí)研究[J]. 自動化學(xué)報， 2016， 42（10）：1445-1465. DOI： 10.16383/j.aas.2016.c150682

[8] 共識-價值互聯(lián)的不變協(xié)議[R]. 畢馬威， 2016

[9] 袁勇， 王飛躍. 區(qū)塊鏈技術(shù)發(fā)展現(xiàn)狀與展望[J]. 自動化學(xué)報， 2016， 42（4）：481-494. DOI： 10.16383/j.aas.2016.c160158

[10] 物聯(lián)網(wǎng)白皮書[R]. 北京：中國信息通信研究院， 2016

[11] ZOL智能家居. CES2017： 物聯(lián)網(wǎng)+人工智能 智能家居迎來新高度[EB/OL]. （2017-01-06）[2017-02-09]. http：//sh.zol.com.cn/622/6228932.html

[12] 物聯(lián)網(wǎng)白皮書[R]. 北京：中國信息通信研究院， 2016