会员服务 ·

【人工智能】深度学习、数据库选择和人工智能的革命；人工智能是解锁IoT潜力的钥匙

2018 年 3 月 7 日 产业智能官 海外华文客户端

深度学习(DL)和人工智能(AI)已经不再是科幻小说中遥不可及的目标，目前已成为了互联网和大数据等领域的前沿研究内容。

由于云计算提供强的计算能力、提出的先进算法以及充裕的资金，这创造了五年前难以想象的新技术。此外，层出不穷的丰富数据也使得深度学习成为了现实。

相关内容分成四个部分，主要深入探索深度学习、数据库的选择以及相关实际商业应用问题等。

在今天的第I部分内容中，主要是讲解人工智能的历史以及它现在高速发展的原因；
在第II部分内容中，将讨论一下人工智能、机器学习和深度学习之间的区别；
在第III部分内容中，将深入研究深度学习以及在为新项目选择数据库时需要评估的关键事项；
在第IV部分内容中，将讨论深度学习为何使用MongoDB，并提供相关使用实例；

第I部分

人工智能的历史

我们目前生活在人工智能开始崭露头角的时代，人工智能不仅创造了扰乱工业和变革工作场所的可能性，而且还可以解决一些社会上的挑战。比如自动驾驶可以挽救数万人的生命、增加老年人和残疾人的流动性，精准医学可以开展个体化治疗以延长生命，智能建筑有助于减少碳排放并节约能源等，这些只是人工智能承诺的一些潜在的好处，并且大多已经取得相关突破性的进展。

到2018年，Gartner公司估计机器将占全球所有业务内容的20%，并预计60亿个联网设备将产生大量的数据。人工智能对理解这一切显得至关重要，AI不再局限于科幻电影中，人工智能和机器学习正在被现实世界中的相关业务采用。

自从艾伦·图灵(Alan Turing)于1950年写了篇论文《计算机器与智能》以来，人工智能一直是人们的一个梦想。在这篇论文中，图灵提出了一个根本性的问题——“机器能思考吗?”，并考虑计算机是否能像人类那样进行思考。人工智能领域的研究真正诞生于1956年的夏天，一组聚集在达特茅斯学院(Dartmouth College)的研究人员发起了一系列的研究项目，他们的目标是让计算机做出像人类一样行为。“人工智能”这一词也是第一次在这所学院被创造出来，该会议的概念形成了一个合法的跨学科交流的研究领域。

在接下来的十年中，随着新技术的发展受到当代技术的限制，人工智能的发展经历了繁荣和萧条周期。在1968年，科幻电影《2001：太空漫游》中的智能电脑——HAL9000说了一句著名的话，“对不起，戴夫，恐怕我不能那么做”，这帮助AI在主流意识中留下了不可磨灭的印象。在20世纪70年代末，电影《星球大战》中智能机器人帮助拯救银河的场景进一步巩固了AI在主流文化中的地位。

但直到20世纪90年代末，人工智能才开始从科幻传说转变为现实世界中的实际应用。1997年初，由IBM的深蓝国际象棋程序击败了当时的世界冠军Garry Kasparov，人工智能在上世界90年代迎来了一个新的时代，AI的研究进展也开始加速。研究人员变得开始关注人工智能的相关子问题，并利用它来解决现实世界中的应用任务，比如图像和语音识别等。研究人员没有试图构造由专家知识决定的逻辑规则，而是开始研究如何通过算法学习逻辑规则本身，这一趋势有助于将研究重点转移到人工神经网络(ANNs)中。

在20世纪40年代，人工神经网络被发明成“松散地”模仿人脑的学习方式。当反向传播梯度下降算法得到改进时，人工神经网络的研究于1986年开始变得流行起来，反向传播算法减少了人工神经网络训练时需要大量手工调参问题，因此反向传播算法(BP)也是一种有效的减少人工智能训练时间的方法。

即使在算法方面取得新的进展，但神经网络仍然受到技术上的限制，这些限制也影响了ANNs在过去几十年的应用情况。直到2000年中期，人工智能才重新掀起一次科技浪潮。在2006年，多伦多大学的Geoffrey Hinton提出对人工神经网络进行修改，并将其研究成果称为“深度学习(Deep Neural Network)”。Hinton对人工神经网络添加多个隐藏层并对每层进行数学优化，逐层学习使得模型训练变得更快。在2012年，斯坦福大学的Andrew Ng进一步推动了深度学习的发展，他建造了一个简陋的利用图形处理单元(GPU)实现深度神经网络的模型，Andrew Ng发现集群GPU仿真训练深度学习模型比通用的CPU训练快得多，对于同样的任务而言，GPU可能只需要一天的时间，而CPU需要几周的时间才能产生相同的结果，这是由于GPU是大规模并行架构，而且能同时处理多个任务。

从本质上讲，将软件算法与高性能的硬件相结合已经酝酿了几十年，这也将迎来AI正在经历的快速发展。

人工智能现在为什么高速发展?

目前有四个主要因素推动了人工智能的发展：

1.更丰富的数据。人工智能需要大量的数据来学习，社交的数字化为其进步提供了可利用的原材料。诸如物联网(传感器等)、社交和移动计算、科学和学术界、医疗保健以及许多新的应用程序等来源的大数据可以用来训练人工智能模型。不出意料，目前在人工智能领域投资较多的公司，比如亚马逊、苹果、百度、谷歌、微软等，同时也是数据较多的公司。

2.更便宜的计算成本。在过去，即使人工智能相关算法得到改进，硬件仍然是一个制约因素。由于硬件和新的计算模型取得新的突破，尤其是GPU，加速了人工智能的发展过程。GPU由于其自身的并行处理能力及高效的执行矩阵乘法的方式使得其在人工智能社区得到普及应用，这也缔造了英伟达这一优秀公司的行业地位。最近，英特尔在Xeon和Xeon Phi处理器中增加了新的深度学习指令，这允许其能更好地进行并行和高效的矩阵运算。随着人工智能技术的应用，硬件厂商现在需要专门针对人工智能进行开发、设计和制造相关产品，这些进步将导致更好的硬件设计、性能、功耗以及配置文件。

3.更复杂的算法。更高效的性能和更便宜的计算花费使得科研人员能够开发和训练更高级的算法，这是因为他们不再受限于过去硬件约束的限制。因此，深度学习现在正以惊人的精确度解决特定的问题(例如，语音识别、图像分类、手写识别、欺诈检测等)，更先进的算法继续推动人工智能技术的发展。

4.更广泛的投资。在过去的几十年中，人工智能的研究和发展主要局限于大学和研究院等机构。资金缺乏以及人工智能问题的困难性导致其发展甚微。如今，人工智能投资不再局限于大学实验室，而是在许多领域都在进行发展——政府、风险资本支持的初创公司、互联网巨头和各行业的大型企业等。

第II部分

人工智能、机器学习和深度学习之间的区别

在很多情况下，人工智能、机器学习和深度学习可以互换使用。但实际上，机器学习和深度学习都是人工智能的子集。人工智能作为计算机科学研究领域中的一个分支，其重点是建立能够具有智能行为的机器，而机器学习和深度学习则是利用算法筛选数据，并从数据中学习、预测或采取自主行动的实践。因此，这些算法不需要根据特定的约束进行编程，而是使用大量数据进行训练，使其能够独立学习、推理和执行特定的任务。

那么，机器学习和深度学习之间存在哪些区别呢?在定义深度学习之前，先深入地理解机器学习吧。

机器学习：有监督VS.无监督

机器学习方法主要分成两大类：有监督学习和无监督学习。

有监督学习：目前，有监督学习是机器学习中最为常用的算法。在有监督学习的情况下，相关算法的输入是开发人员和分析人员手动标记的数据，即有标记的数据，这些标记就是数据的期望输出值，使用这些数据来训练模型并生成预测。监督学习任务又可以分为两大类：回归和分类问题。

上图演示了一个简单的回归问题。从图中可以看到，存在两个输入或特征(平方英尺和价格)，被用于生成拟合曲线，并预测未来的房地产价格。这个模型相当简单，只考虑了房子的面积这一个特征对房价的影响，在国内的话，如果只考虑这房子面积这一个特征就去购买或投资房产的话，将会闹出笑话。因此，一般而言，考虑的特征越多，模型会越复杂，预测也会更加准确。

上图演示了一个有监督分类问题。使用的数据集是有标记为良性肿瘤和恶性肿瘤的乳腺癌患者。有监督分类算法试图通过将数据拟合成直线将肿瘤划分为两种不同的类别。当算法学习好后，即划分直线确定，将来的数据可以之间通过这条划分直线来确定患者的肿瘤是良性或恶性。分类问题导致离散输出，但不一定限制固定数据集的输出数量，上图中只有两个离散输出，但可以有更多分类类别(1表示良性，2表示恶性，3表示待定等)。

无监督学习。在有监督学习的示例中，可以看到使用的数据集都具有标记(良性或恶性分类)，数据标记有助于算法确定正确的答案是什么，进而调整模型参数以使得模型输出尽可能与标记相近。而在无监督学习中，数据集是不具有标记的，需要依赖于算法来发现数据中的结构和模型。

从上图中可以看到，每个数据点代表的信息不明确，因此要求算法在不受任何监督的情况下查找数据中存在的结构信息。图中的无监督学习算法可以确定两个不同的集群，并在集群之间进行直线分类。无监督学习广泛应用于新闻、社会网络分析、市场分割及银河系周围的天文分析等许多应用案例中。

第III部分

深度学习是什么?

深度学习是机器学习研究领域中的一个分支，近年来在图像识别、自然语言处理和图像分类等领域应用十分火热，受到世界范围内的广泛关注。深度学习是人工神经网络(ANN)的一种改进，正如人工神经网络一样，是模拟人类大脑学习和解决问题的一种方法。

在深入了解深度学习的工作原理前，首先理解人工神经网络(ANN)是如何工作的。人工神经网络是由一组互相连接的神经元组成，类似于人类大脑中的神经元网络。

上图是一个简化的神经元连接示意图。神经网络中的每个神经元接收与之连接的其它神经元的输入信息(Xi)，然后通过计算后输出到网络中的其它神经元或节点。神经元之间的连接参数用权重(Wj)表示，权重的大小表示二者连接的强度，权重的值可正可负。将所有的输入信息都与对应的连接权重相乘(X1W1，X2W2等)并进行求和作为该节点的输出。最后一步是对神经元执行计算或激活函数处理。激活函数允许人工神经网络模拟简单模式无法正确表示的复杂的非线性问题，常用的激活函数是Sigmoid函数。

上图表示一个三层的神经网络，从左往右第一层为输入层，输入对应的特征(X1，X2，X3)，第二层被称作隐藏层，隐藏层可以有多层，第三层是输出层。对于一个层而言，只要该层不是输入层或输出层，那么该层就可以称作隐藏层。

“深度”学习最初就是这样产生的，因为其含有多个隐藏层，通常包含多于3个的隐藏层。在一些情况下，隐藏层的个数高达1200多个。

多个隐藏层的好处是什么呢?在某些模式下，可能需要更加深入的调查，因此多个隐藏层可以进行额外的特征处理。深度学习在图像分类领域中表现优异，甚至在某些特定任务上超过了人类的表现。现在，通过一个额外隐藏层有助于面部识别的例子来说明这一点。

当一张图片被输入到一个深层次的学习网络中时，它首先被分解成图像像素。然后该算法将在图像中的某些位置寻找特定形状的图案。第一个隐藏层可能试图揭示特定的面部模式：眼睛、嘴巴、鼻子、耳朵等。添加一个额外的隐藏层来解析更加细粒度的属性。例如，“嘴巴”可以进一步分解为“牙齿”、“嘴唇”、“牙龈”等。添加额外的隐藏层可以将这些模式更进一步抽象。最终的结果是一个深层的学习网络可以将一个非常复杂的问题分解成一系列简单的问题。隐藏层的本质是一个层次化的特征学习，它们能够更好地提取特征。目前，大多数深度学习算法都是有监督学习，即对已知的标记数据进行深度学习。

训练是如何工作的?

训练深度学习的最终目的是降低代价函数，即期望输出与实际输出之间的差异尽可能小。节点之间的连接将会有特定的权重，不断修改这些权重参数使得网络的代价函数变小。通过修改权重值，可以将代价函数最小化到全局最小值，这意味着模型的误差降到最小值。深度学习之所以计算如此密集就是因为它需要找到合适的数以十亿的连接权重值，这需要通过不断迭代训练调整得到，以找到使得代价函数全局最小值的权重集。

深度学习中最为常用的训练方法是反向传播梯度下降算法。梯度下降算法是一种有效的数学优化方法，它能有效地处理大量的数据(特征)，而不必强力进行维度分析。梯度下降算法根据权重函数的全局最小值来计算梯度(斜率)。

在训练过程中，首先随机分配权重并计算出一个误差。然后基于这个误差，通过使用梯度下降算法来修改权重，之后反向逐层调整每层的权重参数，当调整完每层参数后又正向进行传播，计算得到一个新的误差，之后基于新的误差调整每层的参数，一直迭代到代价函数达到全局最小值为止。可能会出现一些例子，梯度下降算法是以局部最小值而不是全局最小值来计算的，减轻这个问题的方法是使用凸的代价函数或对参数产生更多的随机性。

深度学习中对数据库的思考

非关系数据库在促进机器学习和深度学习技术的最新进展中起着不可或缺的作用。收集和存储大量结构化和非结构化的数据的能力为提升深度学习预测提供的必要的原材料。在构建深度学习应用程序时，选择用于管理底层数据的数据库时要牢记一些注意事项。

灵活的数据模型。在深度学习中，数据需要经历三个阶段——输入数据、训练数据和结果数据。深度学习是一个动态的过程，通常涉及大量的实验，比如，实验过程中参数调整是很正常的事情，加上非结构化数据的输入、输出结果的修改是自然而然地发生。随着新的信息和见解被发现，重要的是在灵活数据模型上选择一个合适的数据库，避免在数据结构需要改变时需要执行昂贵的模式迁移。
规模。深度学习面临的最大挑战之一是模型训练耗费的时间比较长，有些模型可能需要几个星期的训练时间，这是由于梯度下降等算法需要通过多次迭代来调整模型的数十亿个参数。为了减少训练次数，深度学习框架尝试并行运算，将训练负荷分布到多个高性能的服务器上。

并行化训练主要有两种方式：数据并行性和模型并行性。

数据并行性。通过分布式系统将数据分割成多个节点进行处理并存储，比如Apache Spark、MongoDB和Apache Hadoop。
模型并行性。通过相关软件库和框架在多个节点上分割模型及其相关层，如TensorFlow、Caffe和Theano。分裂提供并行性，但是在协调不同节点之间的输出时会产生性能代价。

除了模型训练阶段耗费时间长外，深度学习的另一个大挑战是输入数据集不断增长，这增加了训练参数的数量。这不仅意味着输入数据集可能超过可用的服务器内存，而且还意味着涉及梯度下降的矩阵也能超过节点的内存。因此，缩放比扩展更加重要，这使得工作负载和相关的数据集在多个节点上分布，允许并行执行计算。

容错。许多深度学习算法使用检验点作为故障发生时恢复训练数据的一种方法。然而，频繁设置的检查点需要大量的系统开销。另一种方法是利用驻留在分割节点上的多个数据副本，这些副本提供冗余和数据可用性，而无需消耗系统主节点上的资源。
一致性。对于大多数深度学习算法而言，建议使用强数据一致性模型，具有强一致性的分布式数据库集群中每个节点都运行在最新的数据副本上。虽然有些算法可以容忍一定程度的不一致性，比如随机梯度下降算法(SGD)，但强一致性能够提供最精确的结果。然而，在某些情况下，算法更加看重训练时间而不是精度，那么最终的一致性是可以接受的。为了优化精度和性能，数据库应该提供可调的一致性。

第IV部分

为什么MongoDB适合深度学习?

如果你没有阅读第III部分的内容，强力推荐阅读一下，以更多地了解在做深度学习项目时选择数据库应该考虑的关键因素有哪些。在以下的讲解部分中，开发者和数据科学家可以利用MongoDB作为一个灵活、可扩展、高性能的分布式数据库来满足人工智能应用开发的严峻考验。

灵活的数据模型

MongoDB的文档数据模型，便于开发者和数据科学家存储和结合其他任何数据库的数据，且没有放弃利用复杂的验证规则来管理数据的质量。该模式可以在不停用应用程序或数据库的情况下动态地修改数据，这是由关系数据库系统的模式修改或重新设计的代价高所引起的。

这种数据模型的灵活性对于深度学习是特别有价值的，这需要不断的实验来发现新的见解和预测：

输入数据集可以包括快速变化的结构化数据和非结构化数据，这些数据集可以从点击流、日志文件、社交网络和物联网传感器流、CSV文件、txt文本、图像、视频等，这些数据集很多都不能映射成关系数据库固定的行和列格式。
深度学习的训练过程中往往会增加新的隐藏层、特征标签、参数以及输入数据，这需要频繁地修改底层数据模型。
因此，一个支持各种输入数据集的数据库能够无缝地修改模型训练的参数，这对于深度学习而言是不可多得的。
丰富的编程和查询模型

MongoDB为开发者和数据科学家提供本地驱动程序和认证连接来建立深度学习模型，PyMongo驱动器是一个用于MongoDB的Python工具，也是一个被推荐的Python操作MongoDB数据库的方式。社区也开发了R语言的MongoDB客户端，这也可用于R语言程序员。

MongoDB的查询语句和丰富的二级索引使得开发人员能够开发应用程序，可以以多种方式查询和数据分析。数据可以在毫秒级的响应时间内通过单键、范围、文本搜索、图表和地理空间查询到复杂的聚合和MapReduce任务。

为了在分布式数据库集群上并行处理数据，MongoDB提供了聚合管道(aggregation pipeline)和MapReduce。MongoDB聚合管道是仿照数据处理管道的基本原理设计，数据经过一个一个的阶段，每阶段将数据处理后的结果传递给下一个阶段，最终得到多重处理后的结果。其中，最基本的管道阶段提供像查询等操作的过滤器及输出文档格式的转换等功能，其它管道操作提供按特定字段对文档进行分组、排序以及聚合数组中的内容等功能。此外，管道阶段可以使用操作符进行相关计算，比如计算跨文档集合的平均值或标准差等。MongoDB同样也提供了原生MapReduce操作，使用JavaScript函数来执行相关的map和reduce阶段。

除了原生的查询框架外，MongoDB同样也提供了针对Apache Spark的一种高性能连接器，该连接器连接了Spark所有的库，包括Python、R、Scala和Java。对于机器学习、图表以及SQL API等分析而言，MongoDB数据可以作为其数据帧和数据集。

针对于Apache Spark的MongoDB连接器可以利用好MongoDB的聚合管道以及提取、筛选和处理其所需数据范围的二级索引。比如，分析特定地理位置的所有客户这一任务，简单的非关系数据存储不支持二级或在数据库中聚合。而在这种情况下，Spark需要基于简单的主键提取所有数据，这意味着数据科学家和工程师们在进行该过程时需要更多的时间上和硬件上的开销。为了最大限度地提高性能，对于分布式数据集而言，MongoDB连接器可以将弹性分布数据集(RDDs)和源MongoDB节点同地协作，进而最小化跨集群之间的数据移动并减少延迟。

可升缩性和冗余性

模型的训练时间可以通过建立一个深度学习平台以及可扩展数据库层来减少，MongoDB提供了以下一些措施来尽可能地增大吞吐量以及尽可能地减少深度学习工作负载的延迟。

WiredTiger是MongoDB的默认存储引擎，也是世界上部署最广泛的嵌入式数据管理软件，它是基于现代多核架构，并使用了多种编程技术，如风险指针、无锁算法、快速锁定和消息传递等。WiredTiger尽可能地增大每个CPU核和时钟周期内的计算工作量，此外，WiredTiger使用紧凑的文件格式和压缩存储尽可能地减少磁盘开销。

对于大多数对延迟敏感的深度学习应用而言，MongoDB可以配置存储引擎。基于WiredTiger这个存储引擎，可以在不牺牲传统数据库提供的丰富灵活查询、实时分析和可升缩能力的情况下，为用户提供内存计算的好处。

为了并行地进行模型训练以及缩放输入数据集，MongoDB使用分片(sharding)技术。MongoDB分片是完全弹性地、自动地调整集群中的数据作为输入数据集的增长，或者是添加和删除节点。

在MongoDB集群中，每个分片数据自动分发到多个驻留在不同节点上的多个副本，其副本集提供冗余性以在训练数据发生故障时恢复数据，并减少检查点的开销。

可调一致性

在一般情况下，MongoDB具有强一致性。启动深度学习应用程序可用立体读取已写入的数据库中的内容，从而避免了最终一致性系统导致的开发人员复杂。强一致性会为机器学习算法提供最准确的结果，然而，在某些情况下，如随机梯度下降算法(SGD)，其结果不是很好但尚可接受。

MongoDB人工智能部署情况

基于MongoDB具备上述讨论的性质，MongoDB已经作为许多人工智能和深度学习平台的数据库，不同应用程序和行业用户的选择如下：

IBM Watson：分析与可视化

沃森分析是IBM的云托管服务，提供智能数据发现来指导数据探索、自动预测分析和可视化输出。沃森分析应用场景十分广泛，比如银行、保险、零售、电信、石油和政府应用等。MongoDB被用来管理数据存储，提供所有源数据集的元数据和分析可视化，并存储在丰富的JSON文档结构中，可以支持数以万计的用户并发访问服务。

x.ai：个人助理

x.ai是智能驱动的个人助理，它能够为用户安排会议。用户将他们的日历连接到x.ai上，然后只要邮件抄送给amy@x.ai，该公司的虚拟私人助理Amy就能接手你的会议日常安排。MongoDB作为x.ai的整个平台记录系统，支持所有的服务，包括自然语言处理、有监督学习、分析和电子邮件通信等。MongoDB灵活的数据模型成为使得x.ai迅速适应于训练集和输入数据集的关键，同时也支持复杂的数据结构。更多内容可以看此案例了解。

汽车贸易商：预测价值

英国最大的汽车市场广泛应用机器学习，使用的关于车的规格及细节数据都存储在MongoDB中。比如，先前车主的个数、颜色、里程数、保险历史等。这些数据由汽车贸易商的数据科学团队编写的机器学习算法提取得到，并建立模型以预测准确的价值，然后再写入数据库中，选择MongoDB由于其灵活的数据模型和分布式设计。更多内容可以看此案例了解。

Mintigo：销售和市场预测

Mintigo是一家以企业为重点的预测市场和销售的平台。在B2B营销领域，Mintigo利用数据进行营销分析和预测，识别最有可能购买其产品的潜在客户，帮助公司客户提升销量。Mintigo运行在AWS上，是用Python编写的机器学习算法。MongoDB被用来存储TB量级的数据集，这是看中了其数据流采集和存储的可扩展性和灵活性、高效的查询框架和二级索引，而无需扫描数据库中的所有记录。更多内容可以看此案例了解。

零售定位分析

一个美国的移动APP开发者在MongoDB上建立的智能引擎，实时处理和存储数以百万计顾客的丰富地理空间数据点。该智能引擎使用可伸缩的机器学习和多维分析技术来展示行为模式，允许零售商通过移动设备预测和定位目标客户。MongoDB支持具有复杂索引和查询的空间数据结构，为机器学习算法提供基础。MongoDB的分片扩展设计使得公司可以容纳10-100百万的客户数据点。

自然语言处理(NLP)

一个北美的人工智能开发者已经构建了由主要消费电子产品嵌入到智能家居和移动设备中的自然语言处理软件。设备和用户之间的所有交互都存储在MongoDB中，然后反馈给学习算法。选择MongoDB的原因是其架构的灵活性，且支持快速变化的数据结构。

将数据科学引入人才招聘

该公司与财富500强的人力资源部门合作，利用数据科学和员工情况处理成堆的简历和候选者。该公司通过将人工智能应用于简历以外的数据数千个信息源，包括公共的和企业数据，为申请者提供实时分析和优先次序。通过人工智能算法产生的预测分析，招聘人员可以立即确定主动申请以及潜在的应聘者中最佳的候选人，加快整个招聘过程、降低雇佣成本。选择MongoDB作为底层数据库是由于其数据模型的灵活性和可伸缩性，此外，大范围的安全管理权保护了个人可识别信息(PII)。

人工智能是解锁IoT潜力的钥匙

海外华文客户端

德勤报告表示物联网变得更加智能。公司正在将人工智能(特别是机器学习)整合到他们的物联网应用程序中，并观察功能的增长，包括提高运营效率并帮助避免意外停机。关键：洞察数据。

ITH是一波投资，一系列新产品和企业部署的崛起，人工智能正在物联网(IoT)中掀起一阵热潮。制定物联网战略，评估潜在的新物联网项目或试图从现有物联网部署中获得更多价值的公司可能需要探索人工智能的作用。

信号

以人工智能为重点的物联网创业公司的风险投资正在快速增长：2017年前8个月，这个类别的初创公司筹集了7.05亿美元

以人工智能为重点的物联网创业公司并购数量增加：2017年前8个月为21个，2016年为24个，高于2015年的11个

包括亚马逊，通用电气，IBM，微软，甲骨文，PTC和Salesforce在内的IoT平台供应商正在整合AI功能

跨行业的大型组织已经在利用物联网来借助或探索人工智能的力量，提供新产品并更高效地运营

Gartner预测，到2022年，超过80%的企业物联网项目将包含一个AI组件，今天只有10%

AI是解锁物联网潜力的钥匙

人工智能在物联网应用和部署中扮演着越来越重要的角色，这一领域的公司行为显然发生了变化。使用AI的物联网初创企业的风险投资大幅增加。在过去的两年里，公司已经收购了数十家在人工智能和物联网交叉点工作的公司。物联网平台软件的主要供应商现在提供集成的AI功能，如基于机器学习的分析。

人工智能在物联网中扮演着主要角色，因为它能够快速从数据中获取洞察力。机器学习是一项人工智能技术，它可以自动识别模式并检测智能传感器和设备生成的数据中的异常情况，诸如温度，压力，湿度，空气质量，振动和声音等信息。各公司发现机器学习可以比传统的商业智能工具在分析物联网数据方面具有显著优势，包括能够比基于阈值的监控系统提前20倍和更高的准确度进行运营预测。而其他人工智能技术，如语音识别和计算机视觉可以帮助从过去需要人工评估的数据中获得见解。

AI和物联网技术的强大组合帮助公司避免意外停机，提高运营效率，启用新产品和服务，并加强风险管理。

避免昂贵的非计划停机时间

在一些行业中，设备故障导致的意外停机可能造成严重损失。例如，根据一项研究，海上石油和天然气经营者每年平均损失3800万美元。另一个消息估计，对于工业制造业来说，意外停机时间每年花费500亿美元，设备故障导致42%的停机。

使用预测性维护分析功能提前预测设备故障，以便安排有序的维护程序，可以减少非计划停机的破坏性经济性。例如，在制造业中，德勤发现预测性维护可以将维护计划缩短20-50%，将设备正常运行时间和可用性增加10-20%，并将整体维护成本降低5-10%。

由于人工智能技术，特别是机器学习，可以帮助识别模式和异常情况，并基于大量数据进行预测，因此它们在实施预测性维护方面尤其有用。例如，领先的韩国炼油商SK Innovation通过使用机器学习预测连接的压缩机预计故障可节省“数十亿韩元”。同样，意大利列车运营商Trenitalia希望避免意外停机，并节省8-10%的年度维护成本13亿欧元。与此同时，法国电力公司EDF集团已经通过机器学习驱动的设备故障预警节省了超过100万美元。

提高运营效率

人工智能驱动的物联网可以做的不仅仅是帮助避免意外停机。它还可以帮助提高运营效率。这部分得益于机器学习的力量，以产生快速、准确的预测和深刻见解，以及AI技术能够使越来越多的任务自动化完成。

例如，对于Hershey来说，在生产过程中管理其产品的重量至关重要：重量精度每提高1%，就意味着可以为14,000加仑的Twizzlers等一批产品节省超过500,000美元的成本。该公司使用物联网和机器学习来显著是减少生产过程中的重量变化。第二个数据被捕获和分析，重量变化可以通过机器学习模型进行预测，每天可以进行240个工艺调整，而安装ML驱动的IoT解决方案前每天仅有12个。

基于人工智能的预测也有助于谷歌削减40%的数据中心冷却成本。该解决方案通过对设施内传感器数据进行培训，预测下一小时的温度和压力，以指导限制功耗的操作。

机器学习产生了深刻的见解，说服一家船队运营商采取反直觉行动，为他们节省了大笔资金。从船载传感器收集的数据被用来识别清洗船体的成本和燃油效率之间的相关性。分析表明，通过每年清洗船体两次而不是每两年清洁船体(从而将清洁费用翻两番)，由于燃油效率更高，最终可节省40万美元。

实现新的和改进的产品和服务

物联网技术与人工智能相结合，可以为改进并最终实现全新的产品和服务奠定基础。例如，对于通用电气的无人机和基于机器人的工业检测服务，公司希望AI能够实现检测设备的导航自动化，并从他们捕获的数据中识别缺陷。这可能会导致更安全，更精确，并且为客户提供便宜高达25%的检查。在医疗保健方面，费城托马斯杰佛逊大学医院试图通过自然语言处理改善患者体验，使患者能够控制房间环境并通过语音命令请求各种信息。

与此同时，劳斯莱斯计划尽快推出具有物联网功能的飞机发动机维护服务新产品。该公司计划使用机器学习来帮助其发现模式并确定将出售给航空公司的运营见解。汽车制造商Navistar正在研究实时连接车辆数据的机器学习分析，以实现车辆健康诊断和预测性维护服务的新收入流。根据Navistar技术合作伙伴Cloudera的说法，这些服务帮助近30万辆汽车减少了高达40%的停机时间。

加强风险管理

将物联网与AI结合在一起的许多应用程序，正在帮助企业更好地理解和预测各种风险，以及自动执行快速响应，使他们能够更好地管理工作人员安全，财务损失和网络威胁。

例如，富士通已经在使用机器学习技术来分析连接可穿戴设备的数据，以评估其工厂工人可能会在一段时间内积累的潜在热应力。印度和北美的银行已经开始对ATM机中联网监控摄像头的可疑活动进行实时识别。汽车保险公司进步正利用机器学习对联网汽车的数据进行分析，从而准确地为其基于美国的保费定价，从而更好地管理承保风险。拉斯维加斯已经转向了一种机器学习解决方案，以确保其智能城市计划的安全，旨在实时检测和应对威胁。

对企业的影响

对于不同行业的企业，人工智能有望提升物联网部署所创造的价值，从而实现更好的产品和运营，从而在业务绩效中发挥竞争优势。

考虑新的基于物联网项目的高管们应该意识到，预测功能的机器学习现在已经与大多数横向和工业物联网平台集成在一起，如微软 Azure 物联网，IBM 沃森物联网T，亚马逊AWS物联网，通用电气Predix和PTC ThingWorx。

越来越多的交钥匙，捆绑或垂直物联网解决方案利用机器学习等AI技术。例如，对于连接汽车的使用案例，宝马的CarData平台可以访问车主分享的数据以及IBM 沃森物联网的AI功能。在消费品和零售业中，一些补货自动化和优化解决方案使用机器学习来预测需求并优化库存水平。汽车保险行业的远程信息处理解决方案提供商正在整合机器学习，以创建更准确的风险模型并预测索赔行为。

使用人工智能技术可能会从物联网部署中获得更多价值，而这些部署并非是在设计时考虑到使用人工智能而设计的。例如，一家匈牙利石油和天然气公司将机器学习应用于柴油生产过程中已经收集到的传感器数据。该分析使公司能够更准确地预测燃料的硫含量，并帮助识别过程改进，现在每年为该公司节省超过600,000美元。主要的横向和工业物联网平台 —— 企业可能已经在使用 —— 正在提供新的基于人工智能的功能，可能有助于提升现有部署的价值。

物联网的未来就是AI

很快就很难找到一个不能使用AI的物联网实现。国际数据公司IDC预测，到2019年，AI将支持“所有有效的”物联网工作，如果没有人工智能，部署的数据将具有“有限的价值”。越来越多的物联网供应商提供至少基本的AI支持。各行业的先锋公司已经在其物联网部署中获得了AI的好处。如果你的公司有实施基于物联网的解决方案的计划，那么这些计划也应该包括人工智能。

人工智能赛博物理操作系统

AI-CPS OS

“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化+智能化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生。

AI-CPS OS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合，没有颠覆现状的意愿，这些将不可能实现。

领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位：

重新行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？
重新构建企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？
重新打造自己：你需要成为怎样的人？要重塑自己并在数字化+智能化时代保有领先地位，你必须如何去做？

AI-CPS OS是数字化智能化创新平台，设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端，可以帮助企业将创新成果融入自身业务体系，实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置：

精细：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。
智能：模型随着时间（数据）的变化而变化，整个系统就具备了智能（自学习）的能力。
高效：企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力，这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。
不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。
边界模糊：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。

AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长：

创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；
对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；
人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。

给决策制定者和商业领袖的建议：

超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机器智能，为企业创造新商机；
迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新
评估未来的知识和技能类型；
制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开
发过程中确定更加明晰的标准和最佳实践；
重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临
较高失业风险的人群；
开发数字化+智能化企业所需新能力：员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多样性的文化也非常重要。

子曰：“君子和而不同，小人同而不和。” 《论语·子路》云计算、大数据、物联网、区块链和人工智能，像君子一般融合，一起体现科技就是生产力。

如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！

新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。

产业智能官 AI-CPS

用“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能），在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。