智能物聯(lián)網AIoT研究綜述

吳吉義，李文娟，曹健，錢詩友，張啟飛，BUYYA Rajkumar

（1.浙江省人工智能學會，浙江 杭州310027；2.杭州師范大學錢江學院，浙江 杭州 310036；3.上海交通大學計算機科學與工程系，上海200240；4.浙江大學軟件學院，浙江 寧波 315048；5.墨爾本大學云計算與分布式系統(tǒng)CLOUDS實驗室，澳大利亞 墨爾本 VIC3010）

1 引言

物聯(lián)網（internet of things, IoT）指通過各種類型的傳感器件，并借助特定的信息傳播媒介，實現物物相連、信息交換和共享的新型智慧化網絡模式[1]。移動通信技術的發(fā)展將物聯(lián)網的邊界從傳感器網絡，延伸到包括人、車、家用電器和公共基礎設施等在內的泛在物體，物聯(lián)網已從最初的物物互聯(lián)網絡擴展到萬物互聯(lián)（internet of everything）時代。萬物互聯(lián)是人類科技史上的又一次重大革命，對社會生產及生活產生了巨大而深遠的影響。它在給人們帶來更便捷、更智慧生活的同時，也引發(fā)了大量新的技術和社會問題：智能設備聯(lián)網和數字化率提升、頻繁的互操作，將造成解決方案復雜性的不斷提升，如何在低時延的前提下，確保操控、決策和協(xié)同的正確和有效性；萬物互聯(lián)持續(xù)制造比以往任何時代更為巨量的數據，對這些體量巨大而價值密度低的數據進行合理篩選、存儲、加工和處理將成為難題，數據累積、分析和應用將成為未來企業(yè)競爭的主戰(zhàn)場，數據價值挖掘得越好，企業(yè)所獲經濟效益越大；萬物互聯(lián)將互聯(lián)網連接與共享的本質體現得淋漓盡致，然而無處不在的連接將導致嚴峻的安全隱患、引發(fā)數據隱私保護危機，安全策略、模型、平臺和交互規(guī)則設計必須提上日程。

通信技術的升級僅解決了物聯(lián)網在聯(lián)網層面上的問題，其普及和深度應用仍面臨巨大挑戰(zhàn)。從目前來看，物聯(lián)網需要重點突破的環(huán)節(jié)包括設備智能控制、數據智慧分析處理、語義理解和基于內容的融合應用開發(fā)等。而人工智能恰恰是實現信息技術高層次智慧化應用（如數據挖掘、語義理解、智能推理、智慧化決策）的能手。因此，人工智能成為解決 IoT技術瓶頸的有效工具，人工智能與物聯(lián)網的深度融合將成為物聯(lián)網技術進一步發(fā)展的驅動力。

2017年11月28日，“萬物智能.新紀元AIoT未來峰會”上，研究者首次公開提出了人工智能物聯(lián)網（artificial intelligence of things，AIoT）的概念[2]。AIoT是人工智能和物聯(lián)網的融合應用，兩種技術通過融合獲益。一方面，人工智能幫助物聯(lián)網智慧化處理海量數據，提升其決策流程的智慧化程度，改善人機交互體驗，幫助開發(fā)出高層次應用，提升物聯(lián)網應用價值。另一方面，物聯(lián)網通過萬物互聯(lián)，其無所不在的傳感器和終端設備為人工智能提供了大量可分析的數據對象，使得人工智能研究落地。簡言之，AI讓IoT擁有了“大腦”，使“物聯(lián)”提升為“智聯(lián)”，而IoT則給予AI更廣闊的研究“沃土”，促使“人工智能”推向“應用智能”。

短短幾年時間，人工智能物聯(lián)網已在多個應用領域實現了落地，如智能家居、智慧化城市、智慧醫(yī)療、無人駕駛、智慧工業(yè)控制等。華為GIV（全球產業(yè)愿景）報告預測[3]，到 2025年全球連接的設備數將達到1 000億臺，萬物感知、萬物互聯(lián)帶來的數據洪流將與各產業(yè)深度融合，催生產業(yè)物聯(lián)網的興起，提升行業(yè)效率，推動產業(yè)升級。IDC則預測：到2022年，將有超過500億的終端與設備聯(lián)網，未來超過 75%的數據需要在網絡邊緣側分析、處理與存儲[4]。

2 AIoT的基本概念

2.1 AIoT定義

智能物聯(lián)網（AIoT）屬于比較新的名詞，業(yè)界對其定義并未達成一致。百度百科認為：AIoT=AI+IoT，是AI和IoT兩種技術相互融合的產物，IoT是異構、海量數據的來源，而AI用于實施大數據分析，其最終目標是實現萬物數據化、萬物智聯(lián)化[5]。《2020年中國智能物聯(lián)網（AIoT）白皮書》中指出：AIoT是人工智能與物聯(lián)網的協(xié)同應用，它通過IoT系統(tǒng)的傳感器實現實時信息采集，而在終端、邊緣或云進行數據智能分析，最終形成一個智能化生態(tài)體系[6]。白皮書同時對AIoT在技術和商業(yè)層面的內涵做出了解釋。

本文認為，AIoT是一種人工智能與物聯(lián)網融合研究模型，屬于一種新型的深度 IoT研究和應用形態(tài)。其中，IoT是AIoT的基礎設施，其無所不在的傳感器和智能終端將實現人－機－物互聯(lián)，實時獲取大量應用數據，是數據來源和運行基石；AI是AIoT的智慧化手段和工具，AI幫助IoT實現智慧互聯(lián)，提升連接的廣度、深度和有效性，實現大數據智能分析，增強IoT系統(tǒng)的感知、鑒別和決策能力，提升融合應用解決復雜問題的能力和智慧化水平。

圖1對AIoT模型進行了詮釋。由于融合AI的 IoT應用通常要求物聯(lián)網設備具備一定的算力，因此也常常與云計算、邊緣計算等IT基礎設施平臺進行融合。AIoT平臺通過語音、視頻等更加友好的人機交互界面，實現對物聯(lián)網設備的智能操控、物聯(lián)網信息的深度語義理解、價值提取、智能操控和其他高層衍生應用。目前AIoT已經在生物特征識別、智能家居、智慧農業(yè)、智慧工業(yè)及智慧城市下屬的智慧物聯(lián)網平臺（智能交通系統(tǒng)、智能社區(qū)、智慧醫(yī)療）等領域展開了廣泛研究。

圖1 AIoT是IoT與AI的融合

AIoT通過應用AI提高IoT應用的智慧化程度，提升應用層次，因此通常按照智慧化級別對AIoT進行分級，如圖2所示。其中，智慧級別分成從低到高5個層次，包括傳播智慧化、聚合智慧化、處理智慧化、識別智慧化和決策智慧化。嵌入人工智能的物體包括智慧個體、智慧物件和智慧容器3個級別。而AIoT構建的智慧化系統(tǒng)按照復雜程度分為3個級別，包括嵌入式智慧平臺、一般智慧服務平臺和分布式智慧服務平臺。而網絡基礎設施層則按照覆蓋面分成智慧局域網、智慧同構互聯(lián)網和智慧跨域互聯(lián)網。

圖2 以智慧級別對IoT進行分類

2.2 AIoT技術架構

2.2.1 云邊端融合AIoT架構

AIoT技術架構不僅需要考慮傳統(tǒng)物聯(lián)網的技術模型，還需要解決注入AI后如何及時處理海量數據，進行語義理解、人機交互和智能控制等問題[7]，是一種非常復雜的生態(tài)系統(tǒng)，將催生新的從邊緣到云的混合計算服務。

基于云的海量處理能力，人工智能適合放在云端處理，但可能造成時延。不同應用的時延容忍性不同：比如語音助手回答天氣問題出現時延是可容忍的，而智能自動駕駛/工業(yè)制造時出現時延則不可容忍。因此，為了適配不同應用對實時性和精確性的需求，同時平衡AI在各級網絡層次的部署，本文提出一種云邊端融合AIoT架構。在云邊端融合AIoT架構中，當實時響應和低時延是關鍵因素時，主要依靠更靠近用戶的邊緣計算架構；當計算決策的精確性是關鍵因素時，主要依靠云服務器。通過AI在混合計算架構中的逐級布局，以平衡云計算所帶來的規(guī)模經濟與在邊緣引入人工智能處理能力的性能需求之間的矛盾，該架構如圖3所示。

圖3 云邊端融合AIoT架構

云邊端融合AIoT架構包含3層：IoT層、邊緣計算層和云計算層。IoT層包含大量泛在感知的智能IoT設備，能夠實現面向用戶的數據采集、智能服務響應、本地計算、簡單數據處理和決策。邊緣計算層是IoT和云計算中心的中間件，用以擴展終端的計算和存儲能力，其主要功能包括數據/服務緩存、分布式數據處理和協(xié)同、分布式AI算法部署和計算、智能決策支持、負載均衡、安全和隱私保護等。云計算層即傳統(tǒng)的云計算中心，包括海量的計算、存儲和帶寬能力，能夠輔助IoT和邊緣進行海量數據存儲、深度學習、復雜計算、集中控制和決策等，是挖掘AIoT數據價值、創(chuàng)造增值服務的核心模塊。

2.2.2 業(yè)務邏輯模型

對應于AIoT技術架構，圖4給出了AIoT的業(yè)務邏輯模型。其主要包含4層：應用層（涵蓋AIoT的主要應用領域）、操作系統(tǒng)服務層（包含各種服務資源調度、信息、位置及安全管理等服務）、基礎設施層（包含對整個實現過程中涉及的宏觀資源管理和抽象）以及接入層（包含接入媒介、信號感知識別等功能）。

圖4 AIoT業(yè)務邏輯模型

2.3 AIoT的應用場景

目前AIoT已在多個應用領域實現了落地。

（1）智慧安防

截至2017年9月，全國安裝于公共服務的視頻監(jiān)控攝像機已經達到3 000萬臺，這些公共基礎設施中捕獲的視頻圖像的內容可以通過 AIoT進行深入挖掘，從而構建智慧社會治安防線，實現對違法案件的提前預防和精準打擊。

（2）智慧交通

AIoT通過視頻圖像分析交通的擁堵狀態(tài)以及車流量、人流量等，在數據分析的基礎上疊加紅綠燈等實際手段，優(yōu)化城市交通路徑，改善擁堵狀況。此外，通過車－路－邊的配合，AIoT有望打造無人駕駛系統(tǒng)。

（3）智慧銷售

AIoT技術能夠借助物聯(lián)網獲取的人臉數據、結合用戶軌跡和購買數據，了解用戶行為，充實用戶畫像，實現主動服務、智能服務推薦和增值服務，構建人－貨－場生態(tài)，幫助企業(yè)實現精準化營銷。

（4）智慧園區(qū)

AIoT能夠實現社區(qū)檔案、安全防控、軌跡定位、智慧物業(yè)和出入控制等智能化管理。

（5）智慧制造物聯(lián)

通過融合物聯(lián)網、電子信息、人工智能與制造技術等實現對產品制造與服務過程全生命周期制造資源與信息資源的動態(tài)感知、智能處理與優(yōu)化控制。

國內主要IT企業(yè)在AIoT方面的主要應用領域見表1。

表1 國內主要IT企業(yè)AIoT應用領域

此外，傳統(tǒng)的家電廠商（如美的、海爾等）也將戰(zhàn)略重點放在AI和物聯(lián)網的融合上。

3 AIoT研究體系及研究現狀

3.1 研究體系

AIoT屬于跨學科交叉、涵蓋研究領域較廣，涉及信息處理、互聯(lián)網、移動通信、計算機等多種技術。通過對當前AIoT相關研究工作進行歸類和梳理，同時按照AI輔助IoT實現各層智慧化為研究對象，結合AIoT的主流應用場景，形成如圖5所示的AIoT的研究體系。

圖5 AIoT的研究體系

該體系包含四大AI與IoT融合研究主題，分別是AI與IoT感知層融合、AI與IoT操控層融合、AI與IoT應用場景融合，以及AI與IoT安全及隱私保護融合。其中，感知層和操控層是應用的基礎設施。感知層融合研究主要包括數據采集、分析、處理及存儲智慧化、異構感知設備智慧協(xié)同，操控層融合主要包括資源智慧調度、異構資源智慧協(xié)同、智慧負載均衡、智慧能耗管理、復雜事件智慧控制以及與云霧邊等計算范式的融合研究等內容。應用場景融合主要包括智慧制造物聯(lián)網、智慧農業(yè)、智慧家居、智慧交通控制系統(tǒng)、智慧醫(yī)療、智慧社區(qū)等。安全及隱私保護融合主要涉及位置隱私保護、移動終端安全、傳輸媒介安全、可信管理、應用服務安全和數據與內容安全等主要內容。

3.2 研究現狀

3.2.1 AI融合IoT數據采集

傳統(tǒng)物聯(lián)網中，感知層的數據采集器僅能從點上獲取物理世界信息，而構建二維乃至三維空間信息，需要透析數據語義，分析數據之間的深層次聯(lián)系。因此，進行智慧化數據采集、實現大規(guī)模異構網元的高效互聯(lián)、數據語義理解是突破數據感知的關鍵。

徐華偉[8]針對傳統(tǒng)物聯(lián)網信息采集自動化程度較低的問題，提出了一種大數據環(huán)境下物聯(lián)網信息智能采集方法。駱淑云[9]提出了一種針對低占空比無線傳感器網絡的最小時延數據收集機制和面向群智感知網絡的多任務博弈激勵機制，鼓勵用戶共享數據資源。祝幸輝[10]則聚焦海量異構云物聯(lián)數據的匯聚與存儲方法，針對協(xié)議不一致而導致的多源數據匯聚問題，提出一種異構網絡協(xié)議適配及數據匯聚方法；針對數據類型不一致而導致的異構數據存儲問題，提出一種海量物聯(lián)網數據混合存儲體系結構和異構數據分類存儲方法。

上述AIoT數據采集研究方案的比較見表2。

表2 AIoT數據采集研究方案比較

3.2.2 AI融合物聯(lián)網復雜事件處理及協(xié)同

金彥齡[11]結合生物機體模型和調節(jié)機制，提出了一系列實現物聯(lián)網大規(guī)模異構網元交互、分布式動態(tài)自組織和服務協(xié)同監(jiān)測策略。高恩池[12]針對未來5G網絡中M2M通信問題，提出了基于負載估計的自適應隨機接入策略和基于遺傳算法的小區(qū)負載均衡策略，以最大化系統(tǒng)吞吐量，降低設備接入時延，滿足未來移動通信場景需求。王國智[13]提出了以Storm流式框架和Esper為基礎的分布式復雜事件處理引擎，從而幫助企業(yè)從海量多源數據中準確獲取與業(yè)務規(guī)則相匹配的內容，同時提出了一種基于規(guī)則模板和規(guī)則關聯(lián)設備集的流分組策略，提高了引擎的事件處理性能。周柳慧[14]以農業(yè)物聯(lián)網環(huán)境為背景，設計了一套基于USB技術實現識別視頻監(jiān)控、遠程采集和控制的智能網關架構。該設計框架主要包含三大模塊：感知協(xié)調處理、智能管理系統(tǒng)和識別視頻監(jiān)控。

Tang等[15-16]討論了如何使用深度學習模型預測 SDN-IoT中流量負載和進行信道分配。Milis等[17]利用語義Web技術，設計了一種新穎的語義增強型物聯(lián)網智能控制系統(tǒng)（SEMIoTICS）架構。

上述復雜事件處理領域研究方案的比較見表3。

表3 AIoT復雜事件處理領域研究方案比較

3.2.3 云霧邊融合研究

（1）5G+AIoT

目前AIoT的實現尤其商業(yè)實現大多基于4G技術。相對于 4G，5G將帶來通信和數據交換層面的巨大變革，其高速率、低時延有望進一步擴大和延伸AIoT的應用場景，比如可應用于對帶寬和時限要求更高的實時應用場景（遠程操控、遠程智慧醫(yī)療、實時監(jiān)控等）。然而，5G在 AIoT應用還需解決能耗、多場景/跨域服務協(xié)同、互操作及面向用戶的UI等問題。

Javaid等[18]探討了基于 5G網絡架構的物聯(lián)網中引入人工智能技術的必然性，并分析引入AI之后對 5G物聯(lián)網動態(tài)頻譜管理、大數據的結構化、異構設備的集成、互操作性和節(jié)能方面的影響。Wang等[19]提出一種稱為5G智能物聯(lián)網的下一代互聯(lián)網連接框架。該架構充分利用最新的通信技術以及大數據挖掘、深度學習、強化學習等AI技術，幫助智能地處理物聯(lián)大數據，并試圖優(yōu)化通信信道。Kravari等[20]提出應結合與AI及IoT相關的科學理論知識，并從工程應用角度出發(fā)構建符合現實需求的AIoT模型。

（2）云霧邊+IoT

傳統(tǒng)IoT雖然能通過泛在的傳感器獲知數據，但無法存儲和處理復雜業(yè)務，因此不少研究者提出結合共享基礎設施平臺（包括云計算、霧計算或邊緣計算）的IoT模型。

針對邊緣端算力受限無法很好部署AI模型，Zou等[21]研究了以霧計算為中間件架構的云－邊混合計算框架，深入分析了機器學習算法在混合框架部署應用的最新研究進展，主要從智能算法、應用場景、能耗角度進行了比較。Liu等[22]針對以物聯(lián)網構建的智慧城市中能源有效性問題，提出設計IoT+邊緣架構的能源基礎設施，并應用深層強化學習來進行有效能源調度。Patel等[23]提出了一種云+霧+IoT的混合框架，并提出根據動態(tài)條件和應用要求，實現邊緣和云之間的自動轉換智能分析方法。Lin等[24]研究以霧計算+IoT構建的車載網中基于內容的智能個性化推薦算法。Tao等[25]提出整合云和 IoT的制造資源智慧分類和接入模型。該模型包括5層（資源層、感知層、網絡層、服務層和應用層），并提出了基于物聯(lián)網的資源智能感知和接入方法。Sun等[26]針對工業(yè)物聯(lián)網的智能大數據處理需求，提出了云－邊協(xié)同智能計算架構，通過一個AI增強的任務卸載模型，提高服務準確度，通過案例分析驗證新策略的性能。

云霧邊融合研究方案比較見表4。

表4 云霧邊融合研究方案比較

3.2.4 AI融合IoT應用

目前，AI融合IoT應用的主要場景包括工業(yè)物聯(lián)網、智慧農業(yè)物聯(lián)網、智能家居和智慧城市相關應用。其應用形態(tài)大多表現為單點式應用，業(yè)務融合性、深度和廣度仍比較局限。

（1）智慧工業(yè)物聯(lián)網

El-Gendy[27]對 AIoT在工業(yè)領域的應用進行了綜述，包括智慧工業(yè)物聯(lián)網和智慧機器人，指出存在問題和研究方向。馬靖[28]以提高機械產品裝配透明化與智能化為目標，研究了制造物聯(lián)網環(huán)境下智能產品裝配系統(tǒng)的建模、多源異構數據感知、集成與交互、多層動態(tài)優(yōu)化等問題，并設計了系統(tǒng)原型。趙江[29]提出智能制造物聯(lián)網的物性要素和協(xié)議要素概念，提出以數據交換服務器為核心的數據交換網關和基于數據庫的數據交換模型。

工業(yè)物聯(lián)網是 AIoT在工業(yè)領域的主戰(zhàn)場，AIoT為工業(yè)生產注入了聯(lián)通、共享和智能元素。目前，AIoT與工業(yè)物聯(lián)網的結合主要表現在以智能工業(yè)數據采集為代表的感知層面和以提供智慧化決策和執(zhí)行控制為代表的操作系統(tǒng)和軟件層面。工業(yè)智能化的終極目標是構建高度協(xié)同的數字化產能生態(tài)，幫助工業(yè)企業(yè)建立連接供需兩端、集采產供銷存為一體的現代化系統(tǒng)。然而，迄今為止，工業(yè)領域AIoT植入率仍比較低，已有解決方案偏單點和輕量級，需要研究者進一步探索AIoT對工業(yè)集成化全場景的支持，提升智能化決策的執(zhí)行時效。

（2）智慧農業(yè)物聯(lián)網

智慧農業(yè)物聯(lián)網將農業(yè)發(fā)展成為一個集信息管理、農田監(jiān)控、智能作業(yè)的智慧化過程，是現代農業(yè)產業(yè)升級的新模式。Krishnan等[30]對結合AI、IoT和機器人技術的現代農業(yè)應用進行了綜述，包括智慧精準農業(yè)生產、現代溫室管理，智能機器人勞動力等新技術。劉軍濤[31]提出基于循環(huán)神經網絡和物聯(lián)網技術的智能農業(yè)水肥一體化云系統(tǒng)架構，設計了農田監(jiān)測、數據匯聚與存儲、水肥一體控制及農業(yè)數據分析等功能模塊。鄭婷婷[32]應用物聯(lián)網技術實現對農作物的生長狀況的實時檢測、數據分析、智能管理和設備遠程控制。Yan-e[33]針對提高農業(yè)產出和充分利用農業(yè)資源，提高農業(yè)信息化水平，提出基于IoT的智慧農業(yè)信息管理系統(tǒng)。

與工業(yè)物聯(lián)網相似，目前AIoT在農業(yè)物聯(lián)網的應用主要集中在泛在感知和集中控制兩個層面，AIoT的應用場景比較局限，研究的深度和廣度仍有待提高。

（3）智能家居

智能家居屬于普適計算的子領域，利用通信網絡將家居中的各類電子產品接入互聯(lián)網，通過環(huán)境智能、遠程控制等方式，為用戶提供一個舒適、健康及安全的生活環(huán)境。胡書山[34]針對家庭傳感以及控制的需求，設計了一套家庭網絡通信協(xié)議，并以此為基礎設計了一個共享式家庭網絡構建框架。Wang等[35]開發(fā)了一款可以用智能手機遠程操控的家居機器人，該機器人提供家政服務，通過智能手機可實現遠程視頻搜索、家電控制和室內安全。Bhide 和Vagh[36]提出了智能家居環(huán)境監(jiān)測和控制的智能 IoT系統(tǒng)，通過基于貝葉斯分類器的數據挖掘方法預測智能設備可能出現的故障以及尋找最優(yōu)解決方法。Adiono等[37]提出了一個基于物聯(lián)網的智能家居軟件應用程序，能夠根據操作指令或行為對家用電器進行自動智能控制，并通過加密保護通信安全和隱私。Jian等[38]提出了家庭即服務（HaaS）的概念，并設計了一款基于云智能交換機的智能家居設備。

AIoT提升人居體驗，關鍵在于學習人的偏好，依據喜好適時自適應調整居住環(huán)境。因此，偏好學習和家居設備自適應調控是 AIoT在智能家居中應用的關鍵技術。此外，人與家居產品、產品與平臺、人與平臺之間的交互也是需要重點關注的領域，AIoT融合的智能家居應逐漸從目前的環(huán)境感知、用戶行為分析、單場景適應到多場景自主聯(lián)動決策的升級，從而真正提高居住智能化和舒適度。

（4）智慧城市應用

AIoT是提升城市智慧化程度的重要方式，目前 AIoT融合城市應用主要集中在智慧社區(qū)/小鎮(zhèn)、智慧交通、安防和智慧醫(yī)療等領域。AIoT城市級應用的關鍵技術主要包括智能識別、行為預測、決策控制、服務/資源調度和大數據挖掘等。

1）智慧社區(qū)

智慧社區(qū)以物聯(lián)網技術為核心，綜合運用現代計算機、衛(wèi)星定位與導航、數據挖掘技術等，對社區(qū)中的人、事、物、資源和公共服務進行統(tǒng)籌管理，實現社區(qū)信息的有效獲取和高效處理。參考文獻[39]設計了基于RFID、ZigBee和視頻監(jiān)控技術實現的智慧社區(qū)管理系統(tǒng)，實現了 RFID卡片管理、人員信息管理、物業(yè)收費管理和安防監(jiān)控管理等功能。針對智慧城市中 IoT應用的安全防護，Charkrabarty等[40]基于Black Network協(xié)議和 AI技術設計了一個新型的抵御網絡攻擊的框架，該框架采用層次化模型，能夠有效應對IoT通信中的單點故障和沙盒攻擊。

2）智能交通

魏赟[41]針對以智慧物聯(lián)網構建的智能交通系統(tǒng)，提出了車載自組網分層協(xié)議模型、車輛移動模型、車輛路由算法與路由協(xié)議以及安全解決方案。Ni等[42]將車內環(huán)境監(jiān)控與應急管理機制相結合，提出了一種基于物聯(lián)網的車輛智能生命監(jiān)控系統(tǒng)，Rane等[43]提出針對有限泊車位、面向雇員的智能泊車系統(tǒng)，具體方案是通過人臉識別系統(tǒng)判別合法用戶，自動提供可停泊號碼，并通過手機App與用戶交互。Bhate等[44]提出基于物聯(lián)網的交通智能管理系統(tǒng)，幫助正確疏導車流、清理道路擁堵，并縮短應急車輛的行駛時間。Ren等[45]引入區(qū)塊鏈技術，借助于合理設計的智能合約，在沒有中心認證節(jié)點的情況下，幫助車輛進行通信和協(xié)作，從而實現路網車智能化。Pendor 和Tasgaonkar[46]基于 IoT開發(fā)了一款低開銷高可靠性的高速公路車輛行駛軌跡追蹤框架。

3）智慧醫(yī)療

智慧醫(yī)療是AIoT技術在醫(yī)療領域的應用。參考文獻[47]以基于物聯(lián)網技術的智慧醫(yī)院為研究對象，提出了體系架構模型和具體設計方案。參考文獻[48]設計了一套結合物聯(lián)網與云計算的智能藥盒系統(tǒng)，針對任務調度時效性，提出了一種基于改進粒子群算法的云任務調度模型。Srinivas等[49]也設計了一款基于IoT平臺的智慧藥盒，幫助患者在家進行健康監(jiān)測和診斷，同時通過安卓手機應用讓醫(yī)生和患者保持密切聯(lián)系。馬玉軍[50]提出云端融合、包含感知層、傳輸層和云服務層的健康物聯(lián)網架構。Yang等[51]針對全球老齡化和慢性病問題，設計了一個包含智能藥箱（iMedBox）、智能藥品包裝（iMedPack）和可穿戴生物醫(yī)學傳感設備（Bio-Patch）的智能家庭健康平臺，幫助孤寡老人實時監(jiān)測和分析生命體征，檢查他們使用醫(yī)囑和用藥情況，從而架構起完整的云－端、端－云看護體系。Affreen和Aftab[52]提出如何對IoT采集到的數據進行集成、流分析和機器學習，提高糖尿病管理系統(tǒng)的智能化。

對于大多數城市而言，由于智慧化基礎設施部署不足，AIoT融合城市應用尚處在初級階段。隨著智能終端的增加、數字化設備聯(lián)網率的提升，以及城市相關政策、標準的逐漸出臺，AIoT融合的智慧城市將不斷升級。

3.2.5 AI融合IoT安全及隱私保護

Zhang等[53]針對IoT數據采集時的計算開銷和可信問題，提出了一個基于區(qū)塊鏈的大規(guī)模數據采集智能框架，稱為MIDS，其中包含一個協(xié)作驗證協(xié)議、智能信任管理模型、分層數據聚合策略和基于區(qū)塊鏈的 IoT數據管理方案，通過理論論證和仿真實驗證明了新模型在大規(guī)模異構WSN環(huán)境下的性能。Guo等[54]針對AI支持的IoT數據采集中存在的安全問題，提出了通過移動車輛和無人機協(xié)作收集數據的智能信任合作網絡系統(tǒng)ITCN，其中包含了截止時間感知的數據協(xié)作收集框架，主動可驗證的信任評估算法和基于信任的無人機航跡路線智能優(yōu)化算法以提升數據采集量、降低數據采集成本，通過仿真實驗證明新策略比傳統(tǒng)方法在采集成本和時間上有大幅提升。Xiong等[55]針對 IoT大數據分析和挖掘中的隱私問題，提出了一種基于k-means算法和差分隱私的隱私和可用性數據聚類（PADC）方案，它增強了初始中心點的選擇和從其他點到中心點距離的計算方法。

Cha和 Yeh[56]以區(qū)塊鏈為底層架構設計了一個符合ISO/IEC 15408-2標準的安全審計系統(tǒng)，該系統(tǒng)能夠滿足AIoT應用的安全需求。Bagaa等[57]提出了一款基于機器學習的 IoT安全框架，通過SDN和NFV的結合實現對安全威脅的轉移，通過自主研發(fā)的入侵檢測系統(tǒng)檢驗了新模型的性能。Xiao等[58]構建了 IoT系統(tǒng)的攻擊模型，并對 AI增強的 IoT安全策略進行了綜述，重點分析了機器學習在 IoT身份驗證、訪問控制、任務卸載、惡意軟件檢測及數據隱私保護方面的研究現狀。參考文獻[59]對應用邊緣智能進行 IoT數據使用、存儲和處理過程中的安全和隱私問題進行了綜述，并對可行的解決路線進行推薦。

AIoT安全和隱私保護策略比較見表5。目前，AI融合IoT安全和隱私保護相關研究仍處于初級階段，以模型和策略的構想為主，為數不多的解決方案也處于模擬和仿真階段，并且局限于具體的應用場景。

表5 AIoT安全與隱私保護研究方案比較

3.3 存在問題

（1）研究碎片化、單點式，業(yè)務融合性差，缺少面向一般應用的統(tǒng)一解決方案

目前 AIoT策略大多針對某個具體應用場景，缺少統(tǒng)一標準，缺少可大面積推廣的統(tǒng)一解決方案。隨著AIoT技術的發(fā)展，需要政府、企業(yè)和學術機構共同制定統(tǒng)一的技術規(guī)范和標準，探索面向復雜融合應用的解決方案。

（2）研究成果多局限于模型和框架，缺少落地應用

大多數AIoT模型采用理論論證、案例分析和仿真實驗驗證策略的有效性，缺少原型系統(tǒng)和真實運行環(huán)境的檢測，普遍缺少融入新策略的落地應用。

（3）終端算力無法支持AI算法部署

IoT系統(tǒng)中終端設備的算力和資源受限，而AI算法尤其是數據挖掘和深度學習算法通常需要強大的算力支持，因此面臨著部署AI模型的困難以及基于 AI的數據挖掘和智能決策的時延問題，導致在即時交互場景中應用效果不佳。面向終端有限算力的 AI模型拆解和并行化實現是可行的解決路徑之一，同時，可以探索結合云邊端融合智能的協(xié)同AI策略，增加AIoT應用的可伸縮性。

（4）無法保證復雜事務處理的效率

加入邊緣和霧服務器的云－邊－端混合計算框架可以緩解AI在邊緣部署的資源問題，但是當邊緣催生復雜應用或產生復雜服務需求時，任務的多邊和分層卸載仍未有特別理想的策略，能夠確保協(xié)同的效率和安全性，以及實現負載均衡。未來可結合調度歷史數據，通過AI中的機器學習算法構建任務和需求模型，通過資源預分配降低服務時延，也可以通過構建邊－邊、云－邊服務聯(lián)盟形成相對穩(wěn)定的服務供應鏈，提升服務協(xié)同效率。

（5）無法平衡AIoT參與各方利益

AIoT在多個領域的探索性實踐，提升了城市、工農業(yè)生產和現代交通的智慧化。然而其實施過程中產生的能耗開銷，如何在參與者之間進行成本分攤；其所帶來的附加價值，包括數據的附加價值、催生的增值業(yè)務、獲取的行業(yè)趨勢報告等，如何在參與者之間進行利益分配。這些問題尚未有合理有效的解決方案。未來，可探索基于博弈論、供需理論等經濟社會學理論的AIoT模型，實現AIoT在跨領域、跨場景下實現的多方利益均衡。

（6）面臨安全和隱私保護瓶頸

AI驅動的IoT應用，需要對采集到的數據進行分析挖掘或集成，這需要將原本分布式和自主IoT設備中的數據進行集成，即使在本地或加入邊緣服務器的云－邊混合處理，也可能侵犯數據所有者的隱私，存在數據竊取、誤用和濫用的風險。未來，可結合區(qū)塊鏈技術探索構建去中心信任管理，提升AIoT系統(tǒng)的安全等級，通過數據和行為溯源，確保數據一致性和可靠性，保護數據隱私。此外，由于不同用戶或數據對安全和隱私保護需求的強度不同，可探索分級多粒度隱私保護策略。

4 研究方向

人工智能物聯(lián)網相關研究目前尚處于起步階段，存在大量的開放性問題有待進一步研究和探索，研究機會、意義和價值非常明顯。本文梳理了AIoT未來值得重點關注的研究領域，如圖6所示。

圖6 AIoT未來研究方向

4.1 AIoT體系架構及標準化

（1）云邊端融合AIoT架構

云邊端融合物聯(lián)網架構能夠兼顧傳統(tǒng) IoT泛在感知和處理特性，也能解決加入AI之后對存儲與算力的要求。然而，如何實現基于內容的動態(tài)部署；如何改進現有的計算框架使之更好地處理異構和關系稀疏型AIoT任務，實現彈性可伸縮管理；如何確保數據一致性、降低新架構帶來的額外管理能耗，如何實現成本分攤和利益均衡等是需要重點關注的問題。

（2）標準化建設

統(tǒng)一的行業(yè)標準、 統(tǒng)一的規(guī)范和協(xié)議是推動技術發(fā)展和應用落地的關鍵環(huán)節(jié)。然而AIoT兩大核心技術AI和IoT本身的標準化工作仍不十分完善，因此作為融合物，AIoT的標準化工作顯然面臨諸多問題和挑戰(zhàn)。

需要解決的問題包括：如何統(tǒng)一人工智能物聯(lián)網涉及的概念、內涵和應用模式；如何實現數據和應用的跨平臺互操作，如何建立評估AIoT解決方案的分類標準，如何正確評價 IoT的智能化水準等。AIoT的標準化問題, 不單是技術問題,還涉及倫理道德及法律法規(guī)等, 這些都是需要逐步研究解決的方面。

4.2 AIoT部署和實施策略

（1）AI算法的拆解和集成

AI算法需要大量算力支撐，構建基于 AI的智能終端、實施數據處理和深度分析，需要研究 AI模型、尤其是深度學習模型在邊緣側的拆解和簡化。若采用云邊混合架構，還需要研究算法在多邊協(xié)同或并行實現方式的集成問題。

（2）AI技術與應用場景的適配

AIoT可應用于智慧工農業(yè)、城市、人居等不同應用場景，由AI幫助實現智能控制、學習和交互。然而，不同應用場景、不同問題追求的目標不同，應選擇與之相匹配的AI技術。

偏好學習、用戶黏性分析、業(yè)務行為預測等需要對歷史數據進行分析和挖掘的場景，適合使用AI中的機器學習算法；自然語言處理需要大規(guī)模前期訓練，適合強化學習或深度學習，比如卷積神經網絡、遞歸神經網絡或基于神經網絡的深度學習算法等；身份識別和認證適合使用生物認證方式，在終端上搭載生物識別模塊。未來，不僅需要關注AI技術本身的發(fā)展，也依據AIoT應用場景的需求、目標和技術框架特點選擇合適的AI算法。

（3）復雜事件處理與協(xié)同

AIoT所構建的網絡信息系統(tǒng)其泛在性和復雜性已遠遠超過傳統(tǒng)互聯(lián)網，大規(guī)模異質網元接入、異構網絡的動態(tài)不穩(wěn)定性、底層資源受限、海量數據交換、無集中式中心控制結構等極大增加了事件處理的難度，另一方面，多層次異質網元之間又存在連接和交互需求，異源數據也存在聚合和整體分析需求，使得AIoT事件處理還需要關注資源和服務協(xié)同問題。

（4）高效跨域資源調度策略

引入AI方法設計動態(tài)資源管理策略，可提高IoT系統(tǒng)的工作效率，降低資源成本和消耗，但同時也增加了算法設計的復雜性并需要提供智能負載平衡，以及分布式和自組織操作。大多數現有資源調度方案不適用于AIoT系統(tǒng)，因此，提出針對 AIoT特點的高性能跨域跨層統(tǒng)一資源調度策略是AIoT系統(tǒng)高效運作的關鍵。

（5）原型和應用系統(tǒng)開發(fā)

目前 AIoT原型和平臺還比較匱乏。為了更好地檢測 AIoT模型和策略的有效性，從而最終實現大規(guī)模應用，需要研究原型和應用系統(tǒng)開發(fā)。

4.3 安全和隱私保護

（1）AIoT安全模型

隨著物聯(lián)網的普及，少量未經嚴格認證、存在安全隱患的設備加入網絡，這威脅到聯(lián)網其他設備的安全。安全和可靠性認證是限制IoT全部優(yōu)勢的兩大問題，也是 IoT領域需長期關注的重點問題[60]。同時，AIoT在傳統(tǒng)IoT中融入了 AI技術，使得數據聚合和語義理解成為可能，這些經過加工處理后凸顯價值的數據倘若被非法使用，將對安全和隱私帶來巨大威脅。

另一方面，AIoT屬于異構多層次融合的多元復雜體系，不同結構層面的安全性需相互擬合，互相促進，使得AIoT中有效安全防護及可靠性認證工作比傳統(tǒng) IoT更加復雜。因此，需研究如何升級傳統(tǒng)安全模型以適應 AIoT領域應用，研究AIoT從感知層到應用層的各級安全防護機制，構建統(tǒng)一的安全體系架構。

（2）跨域信任認證和管理

AIoT的底層架構在泛在感知的物聯(lián)網環(huán)境下，其高度分散、隨機加入退出的特性和分布式環(huán)境很難實施傳統(tǒng)集中式信任認證。因此，需研究分布式去中心信任管理以提升 AIoT交互的可靠性，同時研究如何進行跨域和跨組織認證以提高云－邊和多邊協(xié)同的安全性。

4.4 高層次應用

（1）異構網絡融合和數據聚合

AIoT系統(tǒng)整合了不同類型的網絡（無線傳感器網絡、邊緣服務器、霧服務器和集中式云服務器等），而不同類型的網絡存在不同的特點和約束（數據傳輸速率、能量消費、服務質量等），需要研究有效的異網融合方案，以保證當任務卸載及跨網、跨層協(xié)作時的質量穩(wěn)定。另一方面，由于AIoT在不同應用場景中落地，不同層面的感知設備必然產生異源異構數據，必須研究如何提取和準確理解這些異構數據語義，進一步實現數據聚合，以挖掘數據價值，實現AIoT高層次應用。

（2）智能數據采集、清洗、處理和挖掘

目前大數據處理技術的研究主要面向應用層數據，而物聯(lián)網中絕大部分數據產生于網絡邊緣，這些來自終端或網絡邊緣的數據往往具有異構粗糙、噪聲多、數據聯(lián)系稀疏等特點，使得數據的加工處理變得異常困難。與此同時，終端應用通常對數據處理的實時性要求又比較高，這使現有技術很難滿足AIoT應用的數據處理要求。因此應將 AIoT數據處理研究的重心放在底層數據處理技術上（如感知層的數據處理技術），從而保障IoT信息感知、采集、分析和處理的及時準確和高效。

（3）智能決策的可解釋性

AI擴大了IoT的領域，提升了IoT的應用層次。然而基于AI的智慧決策，需要向使用者證明其有效性和合理性，這不僅是AI技術本身需要解決的問題。在AI與IoT融合之后，在面向具體應用落地時，更需要結合實際應用場景，有針對性地向目標用戶解釋決策的合法性。

（4）數據和服務增值

通過基于AI的數據處理和挖掘，AIoT將賦能實際應用，并產生附加價值，比如獲得服務偏好、個性化行為特點、領域的發(fā)展趨勢等，幫助服務提供者開發(fā)出新的增值業(yè)務。

（5）AIoT新應用領域

AIoT目前已在多個領域實現落地，包括工業(yè)、農業(yè)、交通和智慧城市等，未來將進一步滲透到社會生活的其他領域。研究者可關注AIoT的新應用領域，并解決落地時的技術問題。

5 結束語

人工智能物聯(lián)網涉及信息處理、人工智能、物聯(lián)網、霧計算、邊緣計算、云計算等諸多技術，是多學科交叉融合的產物，目前已廣泛應用在智慧城市、智能家居、智慧醫(yī)療、智能交通、智慧制造等多個場景, 是IT領域極富應用前景的新興領域。然而，智能物聯(lián)網的發(fā)展仍處于初級階段，面臨諸多問題和挑戰(zhàn)急需解決，比如體系架構、安全和信任管理、異構數據融合處理、異構網絡融合、復雜事件處理協(xié)同等。

然而, 來自工業(yè)界和學術界的廣泛關注、參與和支持，使得我們對智能物聯(lián)網未來的發(fā)展充滿信心。相信在不遠的將來, 智能物聯(lián)網領域必將誕生具有較強創(chuàng)新性和影響力的標志性成果，創(chuàng)新型的應用模式和嶄新的相關技術解決方案等, 推動人工智能物聯(lián)網不斷走向成熟。