從工業(yè)4.0 看物聯(lián)網(wǎng)與人工智能發(fā)展

　　前言

　　近年來隨著網(wǎng)絡的快速發(fā)展，無所不在的終端設備與傳感器進入我們的生活，加上云端運算虛擬化技術與服務型商業(yè)模式的興起，讓計算機運算資源改以服務形式，經(jīng)由互聯(lián)網(wǎng)直接取得，重新塑造信息產(chǎn)業(yè)供應鏈，在這個潮流下，物聯(lián)網(wǎng)(Internet of Things,IoT)無疑是眼下最熱門的話題之一，隨著傳感器的迅速普及，通過傳感器收集的巨量資料(Big Data)經(jīng)過云端服務存儲及巨量數(shù)據(jù)的分析，以數(shù)據(jù)驅(qū)動服務價值，將是未來采用的技術創(chuàng)新，更是將引領下一個產(chǎn)業(yè)革命的典范轉移，成為未來企業(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，讓所有能夠被獨立尋址的普通物理對象實現(xiàn)互聯(lián)互通的網(wǎng)絡。物聯(lián)網(wǎng)一般為無線網(wǎng)，而由于每個人周圍的設備可以達到一千至五千個，所以物聯(lián)網(wǎng)可能要包含500兆至一千兆個物體。在物聯(lián)網(wǎng)上，每個人都可以應用電子卷標將真實的物體上網(wǎng)聯(lián)結，所以從物聯(lián)網(wǎng)的定義來看，智能電話、可穿戴設備、汽車、住房、消費類電子產(chǎn)品、醫(yī)療設備、工廠設備等城市基礎設施，都可成為一個端點 (Thing)，因此物聯(lián)網(wǎng)會產(chǎn)生巨量的數(shù)據(jù)。

　　另一方面自從IBM 的超級計算機 Watson 在 2011 年于在美國著名的知識答題節(jié)目“危險邊緣”，力挫兩位頂尖人類選手，成為當時冠軍，人工智能再度受到各方的關注。Watson 具備自然語言理解能力，還具有語義分析的能力，能分清反諷，雙關等特定語言現(xiàn)象。而這是構筑人工智能的重要技術“機器學習”的進化應用。“機器學習”是從巨量的數(shù)據(jù)庫數(shù)據(jù)中探勘構造一個模型，定義不同的參數(shù)，而學習這件事就是讓這個模型以程序的方式執(zhí)行，利用測試數(shù)據(jù)(Training Data)來調(diào)整優(yōu)化這些參數(shù)，等到訓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測。而隨著取得的數(shù)據(jù)愈來愈龐大，傳統(tǒng)的機器學習算法行不通，必需要能夠自行學習知識而無須人工干預，這就是后來大家所熟知的深度學習領域。

　　對于物聯(lián)網(wǎng)領域來說，首先要做的事情就是讓設備可以連接，但是在設備連接上之后，人工智能就變得很重要，因此單純使用網(wǎng)絡將人和裝置鏈接是不夠的，關鍵是要擁有足夠的人工智能，解析鏈接后帶來的巨量數(shù)據(jù)，才能不需要太多人力介入，就能產(chǎn)生具高附加價值的應用。

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

　　物聯(lián)網(wǎng)與人工智能應用

　　先舉兩個生活化的例子來看目前物聯(lián)網(wǎng)和人工智能的應用。

　　首先來看Google的無人車，它控制駕駛原理是通過車子四周安裝的諸多傳感器，持續(xù)不斷地收集車輛本身以及四周的各種精確數(shù)據(jù)，由車內(nèi)的處理器進行分析和運算，再根據(jù)計算結果來控制車子行駛，并將所收集到的數(shù)據(jù)傳送到中央數(shù)據(jù)庫，提供給所有的無人車，因此每臺無人車能不斷的從云端更新數(shù)據(jù)庫，學習各種突發(fā)狀況，進而做出最佳的反應動作。

《圖二》Google 無人車(圖片來源 Google)

　　另一個例子是日本SoftBank 的智能機器人Pepper，它除了機器本身的傳感器、語音識別之外，還搭載了Emotion Engine的情緒辨別系統(tǒng)，和SoftBank 為了此 Engine 所建立的云端運算服務Cocoro SB，因此可以感知使用者的情緒并作出適合的舉動，并借助此云端運算自行學習情緒能力，未來計劃能夠作為醫(yī)療照護人員、兒童保姆、老人照護或是商家店員等方面的運用。

《圖三》SoftBank Pepper (圖片來源 SoftBank)

　　除了實驗性質(zhì)的測試外，在目前產(chǎn)業(yè)方面的運用，有在工廠設備的預測性維護和快速遠程診斷、商店、營運場所資料收集運用、農(nóng)業(yè)結合氣候和地理等數(shù)據(jù)的運用等。

　　例如ThyssenKrupp Elevator 負責維護全球110萬部以上的電梯，他們使用物聯(lián)網(wǎng)服務，將 ThyssenKrupp 的電梯內(nèi)數(shù)以千計的傳感器和系統(tǒng) (這些傳感器和系統(tǒng)會監(jiān)控從馬達溫度到樞軸對準、車廂速度和電梯門運作的一切事項) 連接到云端。透過Microsoft Azure 機器學習服務，電梯所提供的數(shù)據(jù)會送到動態(tài)預測性模型中，并將這些信息繪制到計算機和行動裝置上的可用儀表板上，以便實時檢視關鍵效能指標，透過預測性維護和快速遠程診斷功能提高可靠性，現(xiàn)在，電梯本身可以教導技術人員如何進行修理作業(yè)，因此可以大幅提高現(xiàn)場的效率，電梯的運行時間也會大幅增加。

　　或在醫(yī)療方面Kaiser Permanente使用行動技術為居家的病患提供遠程監(jiān)控選擇，藉此提高病患的參與和便利性，同時為臨床醫(yī)生啟用更有效率的工具。他們正在測試將醫(yī)療設備 (例如血壓計、血糖儀和可穿戴的“手環(huán)”監(jiān)控器) 連接到智能手機。智能手機會當做網(wǎng)關裝置來運作，負責傳送數(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)生可以透過中央儀表板存取這些數(shù)據(jù)，以獲得有關病患健康和活動狀況的全盤且?guī)捉鼘崟r的了解，透過幾乎實時遠程監(jiān)控重大生命跡象和自動警示，增強對病患的照護及提高他們的安全。

　　未來的趨勢

　　早期的人工智能研究人員直接模仿人類進行逐步的推理，就像是玩棋盤游戲或進行邏輯推理時人類的思考模式。到了1980和1990年代，利用機率和經(jīng)濟學上的概念，人工智能研究還發(fā)展了處理不確定或不完整的信息，對于困難的問題，有可能需要大量的運算資源，也就是發(fā)生了“可能組合爆增”：當問題超過一定的規(guī)模時，計算機會需要天文數(shù)量級的內(nèi)存或是運算時間，這些硬設備的投資，不僅成本昂貴且對于使用者有著較高的技術門坎。

　　不過云端、巨量資料、物聯(lián)網(wǎng)的發(fā)展，讓人工智能研究得以進一步商品化，近年來我們不僅看到了用于精密檢測的機器視覺系統(tǒng)、用于裝配作業(yè)的初級智能機器人系統(tǒng)和用于微型計算機的自然語言接口以及各種專家系統(tǒng)，還在智能家居、智能大樓、車用系統(tǒng)等設備中得到了廣泛的應用。在一定程度上這些項目利用到了物聯(lián)網(wǎng)、巨量數(shù)據(jù)分析、人工智能上的機器學習和自然語言理解等技術，但它又不像那些傳統(tǒng)人工智能一樣，看了就讓人敬而遠之，似乎只是在實驗室中的產(chǎn)品，現(xiàn)在這些技術將普遍應用于生活家居、醫(yī)療照護、會計，預測疫情和犯罪等，都能透過IOT x 人工智能幫忙。

　　企業(yè)的機會

　　很多人認為個人或中小型的企業(yè)要運用人工智能技術發(fā)展業(yè)務是困難且昂貴的，但愈來愈多的業(yè)者像Microsoft Azure、Amazon AWS、IBM Watson Analytics等，都己經(jīng)提供云端機器學習的相關服務，讓開發(fā)團隊可以專注在資料的搜集、要解決的問題、判斷要“學習”什么問題，其它運算的工作就讓機器學習這個平臺來完成，因此機器學習技術變的更易于使用、更便宜，因此經(jīng)濟部工業(yè)局也提出了工業(yè)4.0，一來透過物聯(lián)網(wǎng)與人工智能，避免因為缺工問題而造成的產(chǎn)業(yè)危機，二來則是改善所有產(chǎn)業(yè)的生產(chǎn)力，如此，最困難昂貴的部份如網(wǎng)絡、存儲器、機器學習等資源由云端業(yè)者提供，我們不需投入昂貴的硬設備，只要專注于IoT x人工智能的應用，發(fā)展核心新事業(yè)，發(fā)現(xiàn)新的商業(yè)機會。