åœ¨äººå·¥æ™ºèƒ½ã€é‚Šç·£è¨ˆç®—、物聯網、移動嵌入式硬件等技術發展 背景下，本文系統性地介紹智能物聯網這一新興方向. 它對物聯網感知、通信、計算和應用通過人工智能技術賦 能，呈現泛在智能感知、云邊端協同計算、分布式機器學習、人機物融合等新特征，具有更高靈活性、自組織性、 自適應性. 本文首先介紹了智能物聯網的基本概念特質；其次闡述了智能物聯網的體系架構；進一步詳細介紹了 智能物聯網中的研究挑戰與關鍵技術，包括泛在智能感知、群智感知計算、智能物聯網通信、終端適配深度計算、 物聯網分布式學習、云邊端協同計算、安全與隱私保護；最后，基于最新研究動態展望了極具潛力的未來研究方 向，包括軟硬協同終端智能、面向 AIoT 的智能演進、新一代智能物聯網絡、動態場景模型持續演化、人機物融 合群智計算和通用 AIoT 系統平臺.

物聯網（Internet of Things，IoT），即“萬物 相連的互聯網”，被認為是繼計算機、互聯網之后的 又一次信息產業浪潮，是新一代信息技術的重要組 成部分. 它是在互聯網基礎上進一步延伸和擴展的 網絡，將各種信息傳感設備與網絡結合起來而形成 的一個巨大網絡，實現任何時間、任何地點，人、 機、物的互聯互通、信息交換與智能服務. 萬物互 聯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. 自誕生以來，物聯網技術的飛速發展不斷引領 產業升級，同時對其技術的演進提出了更高的要求. 具體來講，有五個重要的發展趨勢. 

一是物聯網終端設備大規模普及，導致終端數 據和連接出現井噴式增長. 根據華為 GIV（全球產 業展望）①和思科②預測，到 2025 年全球連接的設備 數將達到 1000 億臺，而到 2030 年將有超過 5000 億 物聯網設備接入互聯網，屆時全球每年產生的數據 總量達 1YB，相比 2020 年，增長 23 倍. 海量數據 連接需要計算能力更高的物聯網體系架構以實現數 據的及時分析和處理.

二是數據處理的實時性、隱私性要求更為迫切. 新的物聯網業務不斷衍生，萬物感知、萬物互聯帶 來的數據洪流將與各產業深度融合，催生產業物聯 網的興起. 許多特殊的領域應用場景，如安防監測、自動駕駛、在線醫療等，一方面對數據的實時性要 求較高，需要較低的數據傳輸時延，另一方面因為 逐步與人們的日常生活深度融合，對隱私性保護的 要求也極為迫切. 

三是深度學習等人工智能技術的興起. è¿‘å¹´ 來，以深度學習為代表的新一代人工智能技術快速 發展. 相比傳統機器學習模型，深度學習在很多領 域任務上都取得了更好的性能結果. 但同時，隨著 網絡層數的增加，其模型參數規模不斷變大，計算 成本不斷提高，為其在物聯網環境的部署和執行帶 來了很大挑戰. 

四是物聯網終端計算能力不斷提升. 傳統物聯 網終端主要負責數據的采集與傳輸，而隨著智能芯 片、嵌入式處理器、感知設備等的不斷發展和小型化，終端設備被不斷賦予了智能數據處理能力，能 在成本約束下完成部分數據處理和智能推理任務， 可以為提升計算的實時性和保護數據隱私性提供 支撐. 

五是邊緣計算和邊緣智能的興起. é‚Šç·£è¨ˆç®—是 指在用戶或數據源的物理位置或附近進行的計算， 能就近提供邊緣智能數據處理服務，這樣可以降低 延遲，節省帶寬. 邊緣計算的興起進一步提升了 本地數據處理能力. Gartner 將邊緣計算列為 2020 å¹´ 十大戰略技術趨勢之一③，其誕生解決了智能物聯網 發展的瓶頸問題.

綜上，傳統物聯網架構的處理和計算能力已不足以支撐物聯網絡的深度覆蓋、海量連接、實時處理和智能計算等需求，在終端智能及邊緣計算等發 展背景下，智能物聯網（Artificial Intelligence of Things, AIoT，一般也表示為 AI+IoT 或人工智能物 聯網）作為未來物聯網發展的新趨勢近年來得到 廣泛關注. 智能物聯網是 2017 年興起的概念①，是人工智 能與物聯網技術相融合的產物，正成長為一個具有 廣泛發展前景的新興前沿領域，實現從“萬物互聯” 到“萬物智聯”的演進. æ“š Gartner 預測，未來超過 75%的數據需要在網絡邊緣側分析、處理與存儲. AIoT 首先通過各種傳感器聯網實時采集各類數據 （環境數據、運行數據、業務數據、監測數據等）， 進而在終端設備、邊緣設備或云端通過數據挖掘和 機器學習方法進行智能化處理和理解. 近年來，智 能物聯網應用已逐步融入國家重大需求和民生的各 個領域，例如智慧城市、智能制造、社會治理等.

智能物聯網帶來了泛在智能感知、情境自適應 通信、分布式群體智能、云邊端協同計算等新的挑戰問題.來自麻省理工學院、斯坦福大學、耶魯大 學、加州大學伯克利分校、劍橋大學，以及國內的 研究人員都對智能物聯網這一前沿領域開展了系統 性研究. 例如，麻省理工學院研究人員對資源受限 物聯網終端上的深度模型壓縮等技術進行了系統性 研究. 耶魯大學研究人員提出了邊端協同高效深 度推理模型. 斯坦福大學研究團隊基于多智能體 深度強化學習對智能體間的分布式協作學習能力進 行了研究. 劍橋大學研究人員就資源受限環境下 深度學習模型的輕量級自動搜索提出了新的方法. 香港理工大學研究人員則對車聯網背景下邊緣智能 計算的應用進行了深入分析和探索. 

在 AIoT 快速發展趨勢下，國內外著名 IT 企業 都加緊布局，在邊緣智能、智能芯片、智能物聯網 軟件平臺等方面取得了很多基礎性成果. å¾®è»Ÿåœ¨ 2015 年正式發布了 Azure 物聯網套件——Azure IoT Suiteâ‘¡. 2021 年，又進一步發布全新的邊緣計算平臺 Azure Edge Zone 以支持實時數據處理. äºžé¦¬éœä¹ŸäºŽ 2015 率先發布 AWS IoT③平臺，并于 2017 年推出 FreeRTOS操作系統，適用于小型低功耗的邊緣設備 進行編程、部署、連接與管理. 2018 年，阿里巴巴 推出 AliOSThings④物聯網操作系統，提供 IoT 連接、智能處理、云邊端協同計算等服務. 同年，京東發 布“城市計算平臺”，結合深度學習等構建時空關聯 模型及學習算法解決交通規劃、火力發電、環境保 護等城市不同場景下的智能應用問題. 2019 年，華 為推出了面向物聯網的華為鴻蒙操作系統 HarmonyOS⑤，這是一種基于微內核、面向 5Gçš„å…¨ 場景分布式操作系統，在傳統的單設備系統能力基 礎上，提出了基于同一套系統能力、適配多種終端 形態的分布式理念. 綜上，無論在學術界和產業界，智能物聯網均 成為新的發展趨勢. 鑒于此，本文將面向泛在計算、 人工智能與物聯網交叉學術前沿，闡述其基本概念、 體系架構、關鍵技術及典型應用，并在此基礎上探 索其未來科學挑戰及機遇.

智能物聯網體系架構

物聯網的核心是物與物以及人與物之間的信息 交互. 傳統的物聯網體系架構分為 3 層：感知層如 同人的各種感覺器官，由各種各樣的傳感器設備組 成，用來感知外界環境的溫/濕度、壓強、光照、氣 壓、受力情況等信息；網絡層相當于人的神經系統， 由各種異構網絡組成，將來自感知層的各類信息通 過網絡傳輸到應用層；應用層是用戶和物聯網間的 橋梁，通過云計算、大數據、中間件等技術，為不 同行業提供應用方案. 智能物聯網以數據處理為中心，面臨新的機遇 與挑戰，將形成新的體系架構與系統軟件平臺，下 面分別進行闡述.

智能物聯網以高效的智能信息、實時處理為中 心，隨著邊緣計算和邊緣智能的引入，將形成云邊 端協同的 AIoT 體系架構. 如圖 1 所示，系統分為三 層，包括智能終端層、邊緣智能層、云計算層。

智能物聯網是“軟硬協同”的智能系統，在云 邊端協同的智能物聯網體系結構之上，軟件平臺也 是智能物聯網的核心組成要素. 軟件平臺在設備和 應用之間提供互操作能力，能夠集成異構的計算和 通信設備，簡化應用的開發，并為運行在異構設備 上的多種應用和服務之間提供互操作能力. 一般來 說，體現為中間件形式，如微服務框架.

智能物聯網的人機物融合、泛在計算、分布式 智能、云邊端協同等新特質，以及區別于傳統物聯 網的體系及軟件結構帶來了很多新的挑戰問題，下 面將簡要闡述所面臨的挑戰及相關技術. 本節從智 能感知-網絡通訊-協同計算-隱私保護四個層面分別 介紹 AIoT 關鍵技術，如圖 3 所示

總 結 

智能物聯網在物聯網感知、網絡、應用三層架 構的基礎上進行擴充，利用人工智能技術和物聯網 泛在設備平臺的感知、存儲、計算和學習能力，以 智能信息的高效、實時、智能處理為目標，基于云 邊端協同的 AIoT 體系架構實現感知、通信、計算 和應用的智能化提升. 本文闡述了云邊端協同 AIoT 體系架構和 AIoT 系統軟件平臺基本構想，介紹了 泛在智能感知、群智感知計算、群智物聯網通信、 終端適配深度計算、物聯網分布式學習、云邊端協 同計算、安全與隱私保護幾個層面的關鍵技術及其 前沿探索. 未來，智能物聯網研究需要更多的研究者共同 參與，深入物聯網系統應用問題研究、關鍵技術瓶 頸突破以及通用性平臺的凝練與研發. 一方面需要 在軟硬協同終端智能、面向 AIoT 的智能演進、新 一代智能物聯網網絡、動態場景模型持續演化、人 機物融合群智計算等關鍵技術方面實現不斷突破. 另一方面，面對多模態感知、泛在互聯、場景動態、 資源受限、實時處理、普適服務等技術挑戰，亟需 要研發具有“自組織、可配置、抽象化”等特征的 通用 AIoT 操作系統、中間件等系統平臺，推動生 態發展.