前言

　　近年來(lái)隨著網(wǎng)絡(luò)的快速發(fā)展，無(wú)所不在的終端設(shè)備與傳感器進(jìn)入我們的生活，加上云端運(yùn)算虛擬化技術(shù)與服務(wù)型商業(yè)模式的興起，讓計(jì)算機(jī)運(yùn)算資源改以服務(wù)形式，經(jīng)由互聯(lián)網(wǎng)直接取得，重新塑造信息產(chǎn)業(yè)供應(yīng)鏈，在這個(gè)潮流下，物聯(lián)網(wǎng)(Internet of Things，IoT)無(wú)疑是眼下最熱門(mén)的話(huà)題之一，隨著傳感器的迅速普及，通過(guò)傳感器收集的巨量資料(Big Data)經(jīng)過(guò)云端服務(wù)存儲(chǔ)及巨量數(shù)據(jù)的分析，以數(shù)據(jù)驅(qū)動(dòng)服務(wù)價(jià)值，將是未來(lái)采用的技術(shù)創(chuàng)新，更是將引領(lǐng)下一個(gè)產(chǎn)業(yè)革命的典范轉(zhuǎn)移，成為未來(lái)企業(yè)新的商業(yè)模式。

　　物聯(lián)網(wǎng)與人工智能

　　物聯(lián)網(wǎng)是一個(gè)基于互聯(lián)網(wǎng)、傳統(tǒng)電信網(wǎng)等信息承載體，讓所有能夠被獨(dú)立尋址的普通物理對(duì)象實(shí)現(xiàn)互聯(lián)互通的網(wǎng)絡(luò)。物聯(lián)網(wǎng)一般為無(wú)線(xiàn)網(wǎng)，而由于每個(gè)人周?chē)脑O(shè)備可以達(dá)到一千至五千個(gè)，所以物聯(lián)網(wǎng)可能要包含500兆至一千兆個(gè)物體。在物聯(lián)網(wǎng)上，每個(gè)人都可以應(yīng)用電子卷標(biāo)將真實(shí)的物體上網(wǎng)聯(lián)結(jié)，所以從物聯(lián)網(wǎng)的定義來(lái)看，智能電話(huà)、可穿戴設(shè)備、汽車(chē)、住房、消費(fèi)類(lèi)電子產(chǎn)品、醫(yī)療設(shè)備、工廠(chǎng)設(shè)備等城市基礎(chǔ)設(shè)施，都可成為一個(gè)端點(diǎn) (Thing)，因此物聯(lián)網(wǎng)會(huì)產(chǎn)生巨量的數(shù)據(jù)。

　　另一方面自從IBM 的超級(jí)計(jì)算機(jī) Watson 在 2011 年于在美國(guó)著名的知識(shí)答題節(jié)目“危險(xiǎn)邊緣”，力挫兩位頂尖人類(lèi)選手，成為當(dāng)時(shí)冠軍，人工智能再度受到各方的關(guān)注。Watson 具備自然語(yǔ)言理解能力，還具有語(yǔ)義分析的能力，能分清反諷，雙關(guān)等特定語(yǔ)言現(xiàn)象。而這是構(gòu)筑人工智能的重要技術(shù)“機(jī)器學(xué)習(xí)”的進(jìn)化應(yīng)用。“機(jī)器學(xué)習(xí)”是從巨量的數(shù)據(jù)庫(kù)數(shù)據(jù)中探勘構(gòu)造一個(gè)模型，定義不同的參數(shù)，而學(xué)習(xí)這件事就是讓這個(gè)模型以程序的方式執(zhí)行，利用測(cè)試數(shù)據(jù)(Training Data)來(lái)調(diào)整優(yōu)化這些參數(shù)，等到訓(xùn)練樣本到一定的程度后，參數(shù)的定義也成熟了，這支程序就可以做預(yù)測(cè)。而隨著取得的數(shù)據(jù)愈來(lái)愈龐大，傳統(tǒng)的機(jī)器學(xué)習(xí)算法行不通，必需要能夠自行學(xué)習(xí)知識(shí)而無(wú)須人工干預(yù)，這就是后來(lái)大家所熟知的深度學(xué)習(xí)領(lǐng)域。

　　對(duì)于物聯(lián)網(wǎng)領(lǐng)域來(lái)說(shuō)，首先要做的事情就是讓設(shè)備可以連接，但是在設(shè)備連接上之后，人工智能就變得很重要，因此單純使用網(wǎng)絡(luò)將人和裝置鏈接是不夠的，關(guān)鍵是要擁有足夠的人工智能，解析鏈接后帶來(lái)的巨量數(shù)據(jù)，才能不需要太多人力介入，就能產(chǎn)生具高附加價(jià)值的應(yīng)用。

　　《圖一》IOT x Machine Learn (圖片來(lái)源 Microsoft)

　　物聯(lián)網(wǎng)與人工智能應(yīng)用

　　先舉兩個(gè)生活化的例子來(lái)看目前物聯(lián)網(wǎng)和人工智能的應(yīng)用。

　　首先來(lái)看Google的無(wú)人車(chē)，它控制駕駛原理是通過(guò)車(chē)子四周安裝的諸多傳感器，持續(xù)不斷地收集車(chē)輛本身以及四周的各種精確數(shù)據(jù)，由車(chē)內(nèi)的處理器進(jìn)行分析和運(yùn)算，再根據(jù)計(jì)算結(jié)果來(lái)控制車(chē)子行駛，并將所收集到的數(shù)據(jù)傳送到中央數(shù)據(jù)庫(kù)，提供給所有的無(wú)人車(chē)，因此每臺(tái)無(wú)人車(chē)能不斷的從云端更新數(shù)據(jù)庫(kù)，學(xué)習(xí)各種突發(fā)狀況，進(jìn)而做出最佳的反應(yīng)動(dòng)作。

　　《圖二》Google 無(wú)人車(chē)(圖片來(lái)源 Google)

　　另一個(gè)例子是日本SoftBank 的智能機(jī)器人Pepper，它除了機(jī)器本身的傳感器、語(yǔ)音識(shí)別之外，還搭載了Emotion Engine的情緒辨別系統(tǒng)，和SoftBank 為了此 Engine 所建立的云端運(yùn)算服務(wù)Cocoro SB，因此可以感知使用者的情緒并作出適合的舉動(dòng)，并借助此云端運(yùn)算自行學(xué)習(xí)情緒能力，未來(lái)計(jì)劃能夠作為醫(yī)療照護(hù)人員、兒童保姆、老人照護(hù)或是商家店員等方面的運(yùn)用。

　　《圖三》SoftBank Pepper (圖片來(lái)源 SoftBank)

　　除了實(shí)驗(yàn)性質(zhì)的測(cè)試外，在目前產(chǎn)業(yè)方面的運(yùn)用，有在工廠(chǎng)設(shè)備的預(yù)測(cè)性維護(hù)和快速遠(yuǎn)程診斷、商店、營(yíng)運(yùn)場(chǎng)所資料收集運(yùn)用、農(nóng)業(yè)結(jié)合氣候和地理等數(shù)據(jù)的運(yùn)用等。

　　例如ThyssenKrupp Elevator 負(fù)責(zé)維護(hù)全球110萬(wàn)部以上的電梯，他們使用物聯(lián)網(wǎng)服務(wù)，將 ThyssenKrupp 的電梯內(nèi)數(shù)以千計(jì)的傳感器和系統(tǒng) (這些傳感器和系統(tǒng)會(huì)監(jiān)控從馬達(dá)溫度到樞軸對(duì)準(zhǔn)、車(chē)廂速度和電梯門(mén)運(yùn)作的一切事項(xiàng)) 連接到云端。透過(guò)Microsoft Azure 機(jī)器學(xué)習(xí)服務(wù)，電梯所提供的數(shù)據(jù)會(huì)送到動(dòng)態(tài)預(yù)測(cè)性模型中，并將這些信息繪制到計(jì)算機(jī)和行動(dòng)裝置上的可用儀表板上，以便實(shí)時(shí)檢視關(guān)鍵效能指標(biāo)，透過(guò)預(yù)測(cè)性維護(hù)和快速遠(yuǎn)程診斷功能提高可靠性，現(xiàn)在，電梯本身可以教導(dǎo)技術(shù)人員如何進(jìn)行修理作業(yè)，因此可以大幅提高現(xiàn)場(chǎng)的效率，電梯的運(yùn)行時(shí)間也會(huì)大幅增加。

　　或在醫(yī)療方面Kaiser Permanente使用行動(dòng)技術(shù)為居家的病患提供遠(yuǎn)程監(jiān)控選擇，藉此提高病患的參與和便利性，同時(shí)為臨床醫(yī)生啟用更有效率的工具。他們正在測(cè)試將醫(yī)療設(shè)備 (例如血壓計(jì)、血糖儀和可穿戴的“手環(huán)”監(jiān)控器) 連接到智能手機(jī)。智能手機(jī)會(huì)當(dāng)做網(wǎng)關(guān)裝置來(lái)運(yùn)作，負(fù)責(zé)傳送數(shù)據(jù)給安全的云端，以便與現(xiàn)有的分析以及可在 Kaiser Permanente 數(shù)據(jù)中心執(zhí)行的數(shù)據(jù)可視化程序整合在一起。臨床醫(yī)生可以透過(guò)中央儀表板存取這些數(shù)據(jù)，以獲得有關(guān)病患健康和活動(dòng)狀況的全盤(pán)且?guī)捉鼘?shí)時(shí)的了解，透過(guò)幾乎實(shí)時(shí)遠(yuǎn)程監(jiān)控重大生命跡象和自動(dòng)警示，增強(qiáng)對(duì)病患的照護(hù)及提高他們的安全。

　　未來(lái)的趨勢(shì)

　　早期的人工智能研究人員直接模仿人類(lèi)進(jìn)行逐步的推理，就像是玩棋盤(pán)游戲或進(jìn)行邏輯推理時(shí)人類(lèi)的思考模式。到了1980和1990年代，利用機(jī)率和經(jīng)濟(jì)學(xué)上的概念，人工智能研究還發(fā)展了處理不確定或不完整的信息，對(duì)于困難的問(wèn)題，有可能需要大量的運(yùn)算資源，也就是發(fā)生了“可能組合爆增”：當(dāng)問(wèn)題超過(guò)一定的規(guī)模時(shí)，計(jì)算機(jī)會(huì)需要天文數(shù)量級(jí)的內(nèi)存或是運(yùn)算時(shí)間，這些硬設(shè)備的投資，不僅成本昂貴且對(duì)于使用者有著較高的技術(shù)門(mén)坎。

　　不過(guò)云端、巨量資料、物聯(lián)網(wǎng)的發(fā)展，讓人工智能研究得以進(jìn)一步商品化，近年來(lái)我們不僅看到了用于精密檢測(cè)的機(jī)器視覺(jué)系統(tǒng)、用于裝配作業(yè)的初級(jí)智能機(jī)器人系統(tǒng)和用于微型計(jì)算機(jī)的自然語(yǔ)言接口以及各種專(zhuān)家系統(tǒng)，還在智能家居、智能大樓、車(chē)用系統(tǒng)等設(shè)備中得到了廣泛的應(yīng)用。在一定程度上這些項(xiàng)目利用到了物聯(lián)網(wǎng)、巨量數(shù)據(jù)分析、人工智能上的機(jī)器學(xué)習(xí)和自然語(yǔ)言理解等技術(shù)，但它又不像那些傳統(tǒng)人工智能一樣，看了就讓人敬而遠(yuǎn)之，似乎只是在實(shí)驗(yàn)室中的產(chǎn)品，現(xiàn)在這些技術(shù)將普遍應(yīng)用于生活家居、醫(yī)療照護(hù)、會(huì)計(jì)，預(yù)測(cè)疫情和犯罪等，都能透過(guò)IOT x 人工智能幫忙。

　　企業(yè)的機(jī)會(huì)

　　很多人認(rèn)為個(gè)人或中小型的企業(yè)要運(yùn)用人工智能技術(shù)發(fā)展業(yè)務(wù)是困難且昂貴的，但愈來(lái)愈多的業(yè)者像Microsoft Azure、Amazon AWS、IBM Watson Analytics等，都己經(jīng)提供云端機(jī)器學(xué)習(xí)的相關(guān)服務(wù)，讓開(kāi)發(fā)團(tuán)隊(duì)可以專(zhuān)注在資料的搜集、要解決的問(wèn)題、判斷要“學(xué)習(xí)”什么問(wèn)題，其它運(yùn)算的工作就讓機(jī)器學(xué)習(xí)這個(gè)平臺(tái)來(lái)完成，因此機(jī)器學(xué)習(xí)技術(shù)變的更易于使用、更便宜，因此經(jīng)濟(jì)部工業(yè)局也提出了工業(yè)4.0，一來(lái)透過(guò)物聯(lián)網(wǎng)與人工智能，避免因?yàn)槿惫?wèn)題而造成的產(chǎn)業(yè)危機(jī)，二來(lái)則是改善所有產(chǎn)業(yè)的生產(chǎn)力，如此，最困難昂貴的部份如網(wǎng)絡(luò)、存儲(chǔ)器、機(jī)器學(xué)習(xí)等資源由云端業(yè)者提供，我們不需投入昂貴的硬設(shè)備，只要專(zhuān)注于IoT x人工智能的應(yīng)用，發(fā)展核心新事業(yè)，發(fā)現(xiàn)新的商業(yè)機(jī)會(huì)。