吴吉义，李文娟，曹健，钱诗友，张启飞，BUYYA Rajkumar

（1.浙江省人工智能学会，浙江 杭州310027；2.杭州师范大学钱江学院，浙江 杭州 310036；3.上海交通大学计算机科学与工程系，上海200240；4.浙江大学软件学院，浙江 宁波 315048；5.墨尔本大学云计算与分布式系统CLOUDS实验室，澳大利亚 墨尔本 VIC3010）

1 引言

物联网（internet of things, IoT）指通过各种类型的传感器件，并借助特定的信息传播媒介，实现物物相连、信息交换和共享的新型智慧化网络模式[1]。移动通信技术的发展将物联网的边界从传感器网络，延伸到包括人、车、家用电器和公共基础设施等在内的泛在物体，物联网已从最初的物物互联网络扩展到万物互联（internet of everything）时代。万物互联是人类科技史上的又一次重大革命，对社会生产及生活产生了巨大而深远的影响。它在给人们带来更便捷、更智慧生活的同时，也引发了大量新的技术和社会问题：智能设备联网和数字化率提升、频繁的互操作，将造成解决方案复杂性的不断提升，如何在低时延的前提下，确保操控、决策和协同的正确和有效性；万物互联持续制造比以往任何时代更为巨量的数据，对这些体量巨大而价值密度低的数据进行合理筛选、存储、加工和处理将成为难题，数据累积、分析和应用将成为未来企业竞争的主战场，数据价值挖掘得越好，企业所获经济效益越大；万物互联将互联网连接与共享的本质体现得淋漓尽致，然而无处不在的连接将导致严峻的安全隐患、引发数据隐私保护危机，安全策略、模型、平台和交互规则设计必须提上日程。

通信技术的升级仅解决了物联网在联网层面上的问题，其普及和深度应用仍面临巨大挑战。从目前来看，物联网需要重点突破的环节包括设备智能控制、数据智慧分析处理、语义理解和基于内容的融合应用开发等。而人工智能恰恰是实现信息技术高层次智慧化应用（如数据挖掘、语义理解、智能推理、智慧化决策）的能手。因此，人工智能成为解决 IoT技术瓶颈的有效工具，人工智能与物联网的深度融合将成为物联网技术进一步发展的驱动力。

2017年11月28日，“万物智能.新纪元AIoT未来峰会”上，研究者首次公开提出了人工智能物联网（artificial intelligence of things，AIoT）的概念[2]。AIoT是人工智能和物联网的融合应用，两种技术通过融合获益。一方面，人工智能帮助物联网智慧化处理海量数据，提升其决策流程的智慧化程度，改善人机交互体验，帮助开发出高层次应用，提升物联网应用价值。另一方面，物联网通过万物互联，其无所不在的传感器和终端设备为人工智能提供了大量可分析的数据对象，使得人工智能研究落地。简言之，AI让IoT拥有了“大脑”，使“物联”提升为“智联”，而IoT则给予AI更广阔的研究“沃土”，促使“人工智能”推向“应用智能”。

短短几年时间，人工智能物联网已在多个应用领域实现了落地，如智能家居、智慧化城市、智慧医疗、无人驾驶、智慧工业控制等。华为GIV（全球产业愿景）报告预测[3]，到 2025年全球连接的设备数将达到1 000亿台，万物感知、万物互联带来的数据洪流将与各产业深度融合，催生产业物联网的兴起，提升行业效率，推动产业升级。IDC则预测：到2022年，将有超过500亿的终端与设备联网，未来超过 75%的数据需要在网络边缘侧分析、处理与存储[4]。

2 AIoT的基本概念

2.1 AIoT定义

智能物联网（AIoT）属于比较新的名词，业界对其定义并未达成一致。百度百科认为：AIoT=AI+IoT，是AI和IoT两种技术相互融合的产物，IoT是异构、海量数据的来源，而AI用于实施大数据分析，其最终目标是实现万物数据化、万物智联化[5]。《2020年中国智能物联网（AIoT）白皮书》中指出：AIoT是人工智能与物联网的协同应用，它通过IoT系统的传感器实现实时信息采集，而在终端、边缘或云进行数据智能分析，最终形成一个智能化生态体系[6]。白皮书同时对AIoT在技术和商业层面的内涵做出了解释。

本文认为，AIoT是一种人工智能与物联网融合研究模型，属于一种新型的深度 IoT研究和应用形态。其中，IoT是AIoT的基础设施，其无所不在的传感器和智能终端将实现人－机－物互联，实时获取大量应用数据，是数据来源和运行基石；AI是AIoT的智慧化手段和工具，AI帮助IoT实现智慧互联，提升连接的广度、深度和有效性，实现大数据智能分析，增强IoT系统的感知、鉴别和决策能力，提升融合应用解决复杂问题的能力和智慧化水平。

图1对AIoT模型进行了诠释。由于融合AI的 IoT应用通常要求物联网设备具备一定的算力，因此也常常与云计算、边缘计算等IT基础设施平台进行融合。AIoT平台通过语音、视频等更加友好的人机交互界面，实现对物联网设备的智能操控、物联网信息的深度语义理解、价值提取、智能操控和其他高层衍生应用。目前AIoT已经在生物特征识别、智能家居、智慧农业、智慧工业及智慧城市下属的智慧物联网平台（智能交通系统、智能社区、智慧医疗）等领域展开了广泛研究。

图1 AIoT是IoT与AI的融合

AIoT通过应用AI提高IoT应用的智慧化程度，提升应用层次，因此通常按照智慧化级别对AIoT进行分级，如图2所示。其中，智慧级别分成从低到高5个层次，包括传播智慧化、聚合智慧化、处理智慧化、识别智慧化和决策智慧化。嵌入人工智能的物体包括智慧个体、智慧物件和智慧容器3个级别。而AIoT构建的智慧化系统按照复杂程度分为3个级别，包括嵌入式智慧平台、一般智慧服务平台和分布式智慧服务平台。而网络基础设施层则按照覆盖面分成智慧局域网、智慧同构互联网和智慧跨域互联网。

图2 以智慧级别对IoT进行分类

2.2 AIoT技术架构

2.2.1 云边端融合AIoT架构

AIoT技术架构不仅需要考虑传统物联网的技术模型，还需要解决注入AI后如何及时处理海量数据，进行语义理解、人机交互和智能控制等问题[7]，是一种非常复杂的生态系统，将催生新的从边缘到云的混合计算服务。

基于云的海量处理能力，人工智能适合放在云端处理，但可能造成时延。不同应用的时延容忍性不同：比如语音助手回答天气问题出现时延是可容忍的，而智能自动驾驶/工业制造时出现时延则不可容忍。因此，为了适配不同应用对实时性和精确性的需求，同时平衡AI在各级网络层次的部署，本文提出一种云边端融合AIoT架构。在云边端融合AIoT架构中，当实时响应和低时延是关键因素时，主要依靠更靠近用户的边缘计算架构；当计算决策的精确性是关键因素时，主要依靠云服务器。通过AI在混合计算架构中的逐级布局，以平衡云计算所带来的规模经济与在边缘引入人工智能处理能力的性能需求之间的矛盾，该架构如图3所示。

图3 云边端融合AIoT架构

云边端融合AIoT架构包含3层：IoT层、边缘计算层和云计算层。IoT层包含大量泛在感知的智能IoT设备，能够实现面向用户的数据采集、智能服务响应、本地计算、简单数据处理和决策。边缘计算层是IoT和云计算中心的中间件，用以扩展终端的计算和存储能力，其主要功能包括数据/服务缓存、分布式数据处理和协同、分布式AI算法部署和计算、智能决策支持、负载均衡、安全和隐私保护等。云计算层即传统的云计算中心，包括海量的计算、存储和带宽能力，能够辅助IoT和边缘进行海量数据存储、深度学习、复杂计算、集中控制和决策等，是挖掘AIoT数据价值、创造增值服务的核心模块。

2.2.2 业务逻辑模型

对应于AIoT技术架构，图4给出了AIoT的业务逻辑模型。其主要包含4层：应用层（涵盖AIoT的主要应用领域）、操作系统服务层（包含各种服务资源调度、信息、位置及安全管理等服务）、基础设施层（包含对整个实现过程中涉及的宏观资源管理和抽象）以及接入层（包含接入媒介、信号感知识别等功能）。

图4 AIoT业务逻辑模型

2.3 AIoT的应用场景

目前AIoT已在多个应用领域实现了落地。

（1）智慧安防

截至2017年9月，全国安装于公共服务的视频监控摄像机已经达到3 000万台，这些公共基础设施中捕获的视频图像的内容可以通过 AIoT进行深入挖掘，从而构建智慧社会治安防线，实现对违法案件的提前预防和精准打击。

（2）智慧交通

AIoT通过视频图像分析交通的拥堵状态以及车流量、人流量等，在数据分析的基础上叠加红绿灯等实际手段，优化城市交通路径，改善拥堵状况。此外，通过车－路－边的配合，AIoT有望打造无人驾驶系统。

（3）智慧销售

AIoT技术能够借助物联网获取的人脸数据、结合用户轨迹和购买数据，了解用户行为，充实用户画像，实现主动服务、智能服务推荐和增值服务，构建人－货－场生态，帮助企业实现精准化营销。

（4）智慧园区

AIoT能够实现社区档案、安全防控、轨迹定位、智慧物业和出入控制等智能化管理。

（5）智慧制造物联

通过融合物联网、电子信息、人工智能与制造技术等实现对产品制造与服务过程全生命周期制造资源与信息资源的动态感知、智能处理与优化控制。

国内主要IT企业在AIoT方面的主要应用领域见表1。

表1 国内主要IT企业AIoT应用领域

此外，传统的家电厂商（如美的、海尔等）也将战略重点放在AI和物联网的融合上。

3 AIoT研究体系及研究现状

3.1 研究体系

AIoT属于跨学科交叉、涵盖研究领域较广，涉及信息处理、互联网、移动通信、计算机等多种技术。通过对当前AIoT相关研究工作进行归类和梳理，同时按照AI辅助IoT实现各层智慧化为研究对象，结合AIoT的主流应用场景，形成如图5所示的AIoT的研究体系。

图5 AIoT的研究体系

该体系包含四大AI与IoT融合研究主题，分别是AI与IoT感知层融合、AI与IoT操控层融合、AI与IoT应用场景融合，以及AI与IoT安全及隐私保护融合。其中，感知层和操控层是应用的基础设施。感知层融合研究主要包括数据采集、分析、处理及存储智慧化、异构感知设备智慧协同，操控层融合主要包括资源智慧调度、异构资源智慧协同、智慧负载均衡、智慧能耗管理、复杂事件智慧控制以及与云雾边等计算范式的融合研究等内容。应用场景融合主要包括智慧制造物联网、智慧农业、智慧家居、智慧交通控制系统、智慧医疗、智慧社区等。安全及隐私保护融合主要涉及位置隐私保护、移动终端安全、传输媒介安全、可信管理、应用服务安全和数据与内容安全等主要内容。

3.2 研究现状

3.2.1 AI融合IoT数据采集

传统物联网中，感知层的数据采集器仅能从点上获取物理世界信息，而构建二维乃至三维空间信息，需要透析数据语义，分析数据之间的深层次联系。因此，进行智慧化数据采集、实现大规模异构网元的高效互联、数据语义理解是突破数据感知的关键。

徐华伟[8]针对传统物联网信息采集自动化程度较低的问题，提出了一种大数据环境下物联网信息智能采集方法。骆淑云[9]提出了一种针对低占空比无线传感器网络的最小时延数据收集机制和面向群智感知网络的多任务博弈激励机制，鼓励用户共享数据资源。祝幸辉[10]则聚焦海量异构云物联数据的汇聚与存储方法，针对协议不一致而导致的多源数据汇聚问题，提出一种异构网络协议适配及数据汇聚方法；针对数据类型不一致而导致的异构数据存储问题，提出一种海量物联网数据混合存储体系结构和异构数据分类存储方法。

上述AIoT数据采集研究方案的比较见表2。

表2 AIoT数据采集研究方案比较

3.2.2 AI融合物联网复杂事件处理及协同

金彦龄[11]结合生物机体模型和调节机制，提出了一系列实现物联网大规模异构网元交互、分布式动态自组织和服务协同监测策略。高恩池[12]针对未来5G网络中M2M通信问题，提出了基于负载估计的自适应随机接入策略和基于遗传算法的小区负载均衡策略，以最大化系统吞吐量，降低设备接入时延，满足未来移动通信场景需求。王国智[13]提出了以Storm流式框架和Esper为基础的分布式复杂事件处理引擎，从而帮助企业从海量多源数据中准确获取与业务规则相匹配的内容，同时提出了一种基于规则模板和规则关联设备集的流分组策略，提高了引擎的事件处理性能。周柳慧[14]以农业物联网环境为背景，设计了一套基于USB技术实现识别视频监控、远程采集和控制的智能网关架构。该设计框架主要包含三大模块：感知协调处理、智能管理系统和识别视频监控。

Tang等[15-16]讨论了如何使用深度学习模型预测 SDN-IoT中流量负载和进行信道分配。Milis等[17]利用语义Web技术，设计了一种新颖的语义增强型物联网智能控制系统（SEMIoTICS）架构。

上述复杂事件处理领域研究方案的比较见表3。

表3 AIoT复杂事件处理领域研究方案比较

3.2.3 云雾边融合研究

（1）5G+AIoT

目前AIoT的实现尤其商业实现大多基于4G技术。相对于 4G，5G将带来通信和数据交换层面的巨大变革，其高速率、低时延有望进一步扩大和延伸AIoT的应用场景，比如可应用于对带宽和时限要求更高的实时应用场景（远程操控、远程智慧医疗、实时监控等）。然而，5G在 AIoT应用还需解决能耗、多场景/跨域服务协同、互操作及面向用户的UI等问题。

Javaid等[18]探讨了基于 5G网络架构的物联网中引入人工智能技术的必然性，并分析引入AI之后对 5G物联网动态频谱管理、大数据的结构化、异构设备的集成、互操作性和节能方面的影响。Wang等[19]提出一种称为5G智能物联网的下一代互联网连接框架。该架构充分利用最新的通信技术以及大数据挖掘、深度学习、强化学习等AI技术，帮助智能地处理物联大数据，并试图优化通信信道。Kravari等[20]提出应结合与AI及IoT相关的科学理论知识，并从工程应用角度出发构建符合现实需求的AIoT模型。

（2）云雾边+IoT

传统IoT虽然能通过泛在的传感器获知数据，但无法存储和处理复杂业务，因此不少研究者提出结合共享基础设施平台（包括云计算、雾计算或边缘计算）的IoT模型。

针对边缘端算力受限无法很好部署AI模型，Zou等[21]研究了以雾计算为中间件架构的云－边混合计算框架，深入分析了机器学习算法在混合框架部署应用的最新研究进展，主要从智能算法、应用场景、能耗角度进行了比较。Liu等[22]针对以物联网构建的智慧城市中能源有效性问题，提出设计IoT+边缘架构的能源基础设施，并应用深层强化学习来进行有效能源调度。Patel等[23]提出了一种云+雾+IoT的混合框架，并提出根据动态条件和应用要求，实现边缘和云之间的自动转换智能分析方法。Lin等[24]研究以雾计算+IoT构建的车载网中基于内容的智能个性化推荐算法。Tao等[25]提出整合云和 IoT的制造资源智慧分类和接入模型。该模型包括5层（资源层、感知层、网络层、服务层和应用层），并提出了基于物联网的资源智能感知和接入方法。Sun等[26]针对工业物联网的智能大数据处理需求，提出了云－边协同智能计算架构，通过一个AI增强的任务卸载模型，提高服务准确度，通过案例分析验证新策略的性能。

云雾边融合研究方案比较见表4。

表4 云雾边融合研究方案比较

3.2.4 AI融合IoT应用

目前，AI融合IoT应用的主要场景包括工业物联网、智慧农业物联网、智能家居和智慧城市相关应用。其应用形态大多表现为单点式应用，业务融合性、深度和广度仍比较局限。

（1）智慧工业物联网

El-Gendy[27]对 AIoT在工业领域的应用进行了综述，包括智慧工业物联网和智慧机器人，指出存在问题和研究方向。马靖[28]以提高机械产品装配透明化与智能化为目标，研究了制造物联网环境下智能产品装配系统的建模、多源异构数据感知、集成与交互、多层动态优化等问题，并设计了系统原型。赵江[29]提出智能制造物联网的物性要素和协议要素概念，提出以数据交换服务器为核心的数据交换网关和基于数据库的数据交换模型。

工业物联网是 AIoT在工业领域的主战场，AIoT为工业生产注入了联通、共享和智能元素。目前，AIoT与工业物联网的结合主要表现在以智能工业数据采集为代表的感知层面和以提供智慧化决策和执行控制为代表的操作系统和软件层面。工业智能化的终极目标是构建高度协同的数字化产能生态，帮助工业企业建立连接供需两端、集采产供销存为一体的现代化系统。然而，迄今为止，工业领域AIoT植入率仍比较低，已有解决方案偏单点和轻量级，需要研究者进一步探索AIoT对工业集成化全场景的支持，提升智能化决策的执行时效。

（2）智慧农业物联网

智慧农业物联网将农业发展成为一个集信息管理、农田监控、智能作业的智慧化过程，是现代农业产业升级的新模式。Krishnan等[30]对结合AI、IoT和机器人技术的现代农业应用进行了综述，包括智慧精准农业生产、现代温室管理，智能机器人劳动力等新技术。刘军涛[31]提出基于循环神经网络和物联网技术的智能农业水肥一体化云系统架构，设计了农田监测、数据汇聚与存储、水肥一体控制及农业数据分析等功能模块。郑婷婷[32]应用物联网技术实现对农作物的生长状况的实时检测、数据分析、智能管理和设备远程控制。Yan-e[33]针对提高农业产出和充分利用农业资源，提高农业信息化水平，提出基于IoT的智慧农业信息管理系统。

与工业物联网相似，目前AIoT在农业物联网的应用主要集中在泛在感知和集中控制两个层面，AIoT的应用场景比较局限，研究的深度和广度仍有待提高。

（3）智能家居

智能家居属于普适计算的子领域，利用通信网络将家居中的各类电子产品接入互联网，通过环境智能、远程控制等方式，为用户提供一个舒适、健康及安全的生活环境。胡书山[34]针对家庭传感以及控制的需求，设计了一套家庭网络通信协议，并以此为基础设计了一个共享式家庭网络构建框架。Wang等[35]开发了一款可以用智能手机远程操控的家居机器人，该机器人提供家政服务，通过智能手机可实现远程视频搜索、家电控制和室内安全。Bhide 和Vagh[36]提出了智能家居环境监测和控制的智能 IoT系统，通过基于贝叶斯分类器的数据挖掘方法预测智能设备可能出现的故障以及寻找最优解决方法。Adiono等[37]提出了一个基于物联网的智能家居软件应用程序，能够根据操作指令或行为对家用电器进行自动智能控制，并通过加密保护通信安全和隐私。Jian等[38]提出了家庭即服务（HaaS）的概念，并设计了一款基于云智能交换机的智能家居设备。

AIoT提升人居体验，关键在于学习人的偏好，依据喜好适时自适应调整居住环境。因此，偏好学习和家居设备自适应调控是 AIoT在智能家居中应用的关键技术。此外，人与家居产品、产品与平台、人与平台之间的交互也是需要重点关注的领域，AIoT融合的智能家居应逐渐从目前的环境感知、用户行为分析、单场景适应到多场景自主联动决策的升级，从而真正提高居住智能化和舒适度。

（4）智慧城市应用

AIoT是提升城市智慧化程度的重要方式，目前 AIoT融合城市应用主要集中在智慧社区/小镇、智慧交通、安防和智慧医疗等领域。AIoT城市级应用的关键技术主要包括智能识别、行为预测、决策控制、服务/资源调度和大数据挖掘等。

1）智慧社区

智慧社区以物联网技术为核心，综合运用现代计算机、卫星定位与导航、数据挖掘技术等，对社区中的人、事、物、资源和公共服务进行统筹管理，实现社区信息的有效获取和高效处理。参考文献[39]设计了基于RFID、ZigBee和视频监控技术实现的智慧社区管理系统，实现了 RFID卡片管理、人员信息管理、物业收费管理和安防监控管理等功能。针对智慧城市中 IoT应用的安全防护，Charkrabarty等[40]基于Black Network协议和 AI技术设计了一个新型的抵御网络攻击的框架，该框架采用层次化模型，能够有效应对IoT通信中的单点故障和沙盒攻击。

2）智能交通

魏赟[41]针对以智慧物联网构建的智能交通系统，提出了车载自组网分层协议模型、车辆移动模型、车辆路由算法与路由协议以及安全解决方案。Ni等[42]将车内环境监控与应急管理机制相结合，提出了一种基于物联网的车辆智能生命监控系统，Rane等[43]提出针对有限泊车位、面向雇员的智能泊车系统，具体方案是通过人脸识别系统判别合法用户，自动提供可停泊号码，并通过手机App与用户交互。Bhate等[44]提出基于物联网的交通智能管理系统，帮助正确疏导车流、清理道路拥堵，并缩短应急车辆的行驶时间。Ren等[45]引入区块链技术，借助于合理设计的智能合约，在没有中心认证节点的情况下，帮助车辆进行通信和协作，从而实现路网车智能化。Pendor 和Tasgaonkar[46]基于 IoT开发了一款低开销高可靠性的高速公路车辆行驶轨迹追踪框架。

3）智慧医疗

智慧医疗是AIoT技术在医疗领域的应用。参考文献[47]以基于物联网技术的智慧医院为研究对象，提出了体系架构模型和具体设计方案。参考文献[48]设计了一套结合物联网与云计算的智能药盒系统，针对任务调度时效性，提出了一种基于改进粒子群算法的云任务调度模型。Srinivas等[49]也设计了一款基于IoT平台的智慧药盒，帮助患者在家进行健康监测和诊断，同时通过安卓手机应用让医生和患者保持密切联系。马玉军[50]提出云端融合、包含感知层、传输层和云服务层的健康物联网架构。Yang等[51]针对全球老龄化和慢性病问题，设计了一个包含智能药箱（iMedBox）、智能药品包装（iMedPack）和可穿戴生物医学传感设备（Bio-Patch）的智能家庭健康平台，帮助孤寡老人实时监测和分析生命体征，检查他们使用医嘱和用药情况，从而架构起完整的云－端、端－云看护体系。Affreen和Aftab[52]提出如何对IoT采集到的数据进行集成、流分析和机器学习，提高糖尿病管理系统的智能化。

对于大多数城市而言，由于智慧化基础设施部署不足，AIoT融合城市应用尚处在初级阶段。随着智能终端的增加、数字化设备联网率的提升，以及城市相关政策、标准的逐渐出台，AIoT融合的智慧城市将不断升级。

3.2.5 AI融合IoT安全及隐私保护

Zhang等[53]针对IoT数据采集时的计算开销和可信问题，提出了一个基于区块链的大规模数据采集智能框架，称为MIDS，其中包含一个协作验证协议、智能信任管理模型、分层数据聚合策略和基于区块链的 IoT数据管理方案，通过理论论证和仿真实验证明了新模型在大规模异构WSN环境下的性能。Guo等[54]针对AI支持的IoT数据采集中存在的安全问题，提出了通过移动车辆和无人机协作收集数据的智能信任合作网络系统ITCN，其中包含了截止时间感知的数据协作收集框架，主动可验证的信任评估算法和基于信任的无人机航迹路线智能优化算法以提升数据采集量、降低数据采集成本，通过仿真实验证明新策略比传统方法在采集成本和时间上有大幅提升。Xiong等[55]针对 IoT大数据分析和挖掘中的隐私问题，提出了一种基于k-means算法和差分隐私的隐私和可用性数据聚类（PADC）方案，它增强了初始中心点的选择和从其他点到中心点距离的计算方法。

Cha和 Yeh[56]以区块链为底层架构设计了一个符合ISO/IEC 15408-2标准的安全审计系统，该系统能够满足AIoT应用的安全需求。Bagaa等[57]提出了一款基于机器学习的 IoT安全框架，通过SDN和NFV的结合实现对安全威胁的转移，通过自主研发的入侵检测系统检验了新模型的性能。Xiao等[58]构建了 IoT系统的攻击模型，并对 AI增强的 IoT安全策略进行了综述，重点分析了机器学习在 IoT身份验证、访问控制、任务卸载、恶意软件检测及数据隐私保护方面的研究现状。参考文献[59]对应用边缘智能进行 IoT数据使用、存储和处理过程中的安全和隐私问题进行了综述，并对可行的解决路线进行推荐。

AIoT安全和隐私保护策略比较见表5。目前，AI融合IoT安全和隐私保护相关研究仍处于初级阶段，以模型和策略的构想为主，为数不多的解决方案也处于模拟和仿真阶段，并且局限于具体的应用场景。

表5 AIoT安全与隐私保护研究方案比较

3.3 存在问题

（1）研究碎片化、单点式，业务融合性差，缺少面向一般应用的统一解决方案

目前 AIoT策略大多针对某个具体应用场景，缺少统一标准，缺少可大面积推广的统一解决方案。随着AIoT技术的发展，需要政府、企业和学术机构共同制定统一的技术规范和标准，探索面向复杂融合应用的解决方案。

（2）研究成果多局限于模型和框架，缺少落地应用

大多数AIoT模型采用理论论证、案例分析和仿真实验验证策略的有效性，缺少原型系统和真实运行环境的检测，普遍缺少融入新策略的落地应用。

（3）终端算力无法支持AI算法部署

IoT系统中终端设备的算力和资源受限，而AI算法尤其是数据挖掘和深度学习算法通常需要强大的算力支持，因此面临着部署AI模型的困难以及基于 AI的数据挖掘和智能决策的时延问题，导致在即时交互场景中应用效果不佳。面向终端有限算力的 AI模型拆解和并行化实现是可行的解决路径之一，同时，可以探索结合云边端融合智能的协同AI策略，增加AIoT应用的可伸缩性。

（4）无法保证复杂事务处理的效率

加入边缘和雾服务器的云－边－端混合计算框架可以缓解AI在边缘部署的资源问题，但是当边缘催生复杂应用或产生复杂服务需求时，任务的多边和分层卸载仍未有特别理想的策略，能够确保协同的效率和安全性，以及实现负载均衡。未来可结合调度历史数据，通过AI中的机器学习算法构建任务和需求模型，通过资源预分配降低服务时延，也可以通过构建边－边、云－边服务联盟形成相对稳定的服务供应链，提升服务协同效率。

（5）无法平衡AIoT参与各方利益

AIoT在多个领域的探索性实践，提升了城市、工农业生产和现代交通的智慧化。然而其实施过程中产生的能耗开销，如何在参与者之间进行成本分摊；其所带来的附加价值，包括数据的附加价值、催生的增值业务、获取的行业趋势报告等，如何在参与者之间进行利益分配。这些问题尚未有合理有效的解决方案。未来，可探索基于博弈论、供需理论等经济社会学理论的AIoT模型，实现AIoT在跨领域、跨场景下实现的多方利益均衡。

（6）面临安全和隐私保护瓶颈

AI驱动的IoT应用，需要对采集到的数据进行分析挖掘或集成，这需要将原本分布式和自主IoT设备中的数据进行集成，即使在本地或加入边缘服务器的云－边混合处理，也可能侵犯数据所有者的隐私，存在数据窃取、误用和滥用的风险。未来，可结合区块链技术探索构建去中心信任管理，提升AIoT系统的安全等级，通过数据和行为溯源，确保数据一致性和可靠性，保护数据隐私。此外，由于不同用户或数据对安全和隐私保护需求的强度不同，可探索分级多粒度隐私保护策略。

4 研究方向

人工智能物联网相关研究目前尚处于起步阶段，存在大量的开放性问题有待进一步研究和探索，研究机会、意义和价值非常明显。本文梳理了AIoT未来值得重点关注的研究领域，如图6所示。

图6 AIoT未来研究方向

4.1 AIoT体系架构及标准化

（1）云边端融合AIoT架构

云边端融合物联网架构能够兼顾传统 IoT泛在感知和处理特性，也能解决加入AI之后对存储与算力的要求。然而，如何实现基于内容的动态部署；如何改进现有的计算框架使之更好地处理异构和关系稀疏型AIoT任务，实现弹性可伸缩管理；如何确保数据一致性、降低新架构带来的额外管理能耗，如何实现成本分摊和利益均衡等是需要重点关注的问题。

（2）标准化建设

统一的行业标准、 统一的规范和协议是推动技术发展和应用落地的关键环节。然而AIoT两大核心技术AI和IoT本身的标准化工作仍不十分完善，因此作为融合物，AIoT的标准化工作显然面临诸多问题和挑战。

需要解决的问题包括：如何统一人工智能物联网涉及的概念、内涵和应用模式；如何实现数据和应用的跨平台互操作，如何建立评估AIoT解决方案的分类标准，如何正确评价 IoT的智能化水准等。AIoT的标准化问题, 不单是技术问题,还涉及伦理道德及法律法规等, 这些都是需要逐步研究解决的方面。

4.2 AIoT部署和实施策略

（1）AI算法的拆解和集成

AI算法需要大量算力支撑，构建基于 AI的智能终端、实施数据处理和深度分析，需要研究 AI模型、尤其是深度学习模型在边缘侧的拆解和简化。若采用云边混合架构，还需要研究算法在多边协同或并行实现方式的集成问题。

（2）AI技术与应用场景的适配

AIoT可应用于智慧工农业、城市、人居等不同应用场景，由AI帮助实现智能控制、学习和交互。然而，不同应用场景、不同问题追求的目标不同，应选择与之相匹配的AI技术。

偏好学习、用户黏性分析、业务行为预测等需要对历史数据进行分析和挖掘的场景，适合使用AI中的机器学习算法；自然语言处理需要大规模前期训练，适合强化学习或深度学习，比如卷积神经网络、递归神经网络或基于神经网络的深度学习算法等；身份识别和认证适合使用生物认证方式，在终端上搭载生物识别模块。未来，不仅需要关注AI技术本身的发展，也依据AIoT应用场景的需求、目标和技术框架特点选择合适的AI算法。

（3）复杂事件处理与协同

AIoT所构建的网络信息系统其泛在性和复杂性已远远超过传统互联网，大规模异质网元接入、异构网络的动态不稳定性、底层资源受限、海量数据交换、无集中式中心控制结构等极大增加了事件处理的难度，另一方面，多层次异质网元之间又存在连接和交互需求，异源数据也存在聚合和整体分析需求，使得AIoT事件处理还需要关注资源和服务协同问题。

（4）高效跨域资源调度策略

引入AI方法设计动态资源管理策略，可提高IoT系统的工作效率，降低资源成本和消耗，但同时也增加了算法设计的复杂性并需要提供智能负载平衡，以及分布式和自组织操作。大多数现有资源调度方案不适用于AIoT系统，因此，提出针对 AIoT特点的高性能跨域跨层统一资源调度策略是AIoT系统高效运作的关键。

（5）原型和应用系统开发

目前 AIoT原型和平台还比较匮乏。为了更好地检测 AIoT模型和策略的有效性，从而最终实现大规模应用，需要研究原型和应用系统开发。

4.3 安全和隐私保护

（1）AIoT安全模型

随着物联网的普及，少量未经严格认证、存在安全隐患的设备加入网络，这威胁到联网其他设备的安全。安全和可靠性认证是限制IoT全部优势的两大问题，也是 IoT领域需长期关注的重点问题[60]。同时，AIoT在传统IoT中融入了 AI技术，使得数据聚合和语义理解成为可能，这些经过加工处理后凸显价值的数据倘若被非法使用，将对安全和隐私带来巨大威胁。

另一方面，AIoT属于异构多层次融合的多元复杂体系，不同结构层面的安全性需相互拟合，互相促进，使得AIoT中有效安全防护及可靠性认证工作比传统 IoT更加复杂。因此，需研究如何升级传统安全模型以适应 AIoT领域应用，研究AIoT从感知层到应用层的各级安全防护机制，构建统一的安全体系架构。

（2）跨域信任认证和管理

AIoT的底层架构在泛在感知的物联网环境下，其高度分散、随机加入退出的特性和分布式环境很难实施传统集中式信任认证。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，同时研究如何进行跨域和跨组织认证以提高云－边和多边协同的安全性。

4.4 高层次应用

（1）异构网络融合和数据聚合

AIoT系统整合了不同类型的网络（无线传感器网络、边缘服务器、雾服务器和集中式云服务器等），而不同类型的网络存在不同的特点和约束（数据传输速率、能量消费、服务质量等），需要研究有效的异网融合方案，以保证当任务卸载及跨网、跨层协作时的质量稳定。另一方面，由于AIoT在不同应用场景中落地，不同层面的感知设备必然产生异源异构数据，必须研究如何提取和准确理解这些异构数据语义，进一步实现数据聚合，以挖掘数据价值，实现AIoT高层次应用。

（2）智能数据采集、清洗、处理和挖掘

目前大数据处理技术的研究主要面向应用层数据，而物联网中绝大部分数据产生于网络边缘，这些来自终端或网络边缘的数据往往具有异构粗糙、噪声多、数据联系稀疏等特点，使得数据的加工处理变得异常困难。与此同时，终端应用通常对数据处理的实时性要求又比较高，这使现有技术很难满足AIoT应用的数据处理要求。因此应将 AIoT数据处理研究的重心放在底层数据处理技术上（如感知层的数据处理技术），从而保障IoT信息感知、采集、分析和处理的及时准确和高效。

（3）智能决策的可解释性

AI扩大了IoT的领域，提升了IoT的应用层次。然而基于AI的智慧决策，需要向使用者证明其有效性和合理性，这不仅是AI技术本身需要解决的问题。在AI与IoT融合之后，在面向具体应用落地时，更需要结合实际应用场景，有针对性地向目标用户解释决策的合法性。

（4）数据和服务增值

通过基于AI的数据处理和挖掘，AIoT将赋能实际应用，并产生附加价值，比如获得服务偏好、个性化行为特点、领域的发展趋势等，帮助服务提供者开发出新的增值业务。

（5）AIoT新应用领域

AIoT目前已在多个领域实现落地，包括工业、农业、交通和智慧城市等，未来将进一步渗透到社会生活的其他领域。研究者可关注AIoT的新应用领域，并解决落地时的技术问题。

5 结束语

人工智能物联网涉及信息处理、人工智能、物联网、雾计算、边缘计算、云计算等诸多技术，是多学科交叉融合的产物，目前已广泛应用在智慧城市、智能家居、智慧医疗、智能交通、智慧制造等多个场景, 是IT领域极富应用前景的新兴领域。然而，智能物联网的发展仍处于初级阶段，面临诸多问题和挑战急需解决，比如体系架构、安全和信任管理、异构数据融合处理、异构网络融合、复杂事件处理协同等。

然而, 来自工业界和学术界的广泛关注、参与和支持，使得我们对智能物联网未来的发展充满信心。相信在不远的将来, 智能物联网领域必将诞生具有较强创新性和影响力的标志性成果，创新型的应用模式和崭新的相关技术解决方案等, 推动人工智能物联网不断走向成熟。