再不關注“實時物聯網（RT-IoT）”，你就老了！

前面的兩周，我用連續兩篇文章拆解了思科扔下的數顆物聯網重磅炸彈。其中第一篇文章揭示的趨勢是“實時物聯網”，第二篇文章談到的概念是“基于意圖的網絡（IBNS）”。

從回報來看，基于意圖的網絡（IBNS），這個話題比較超前，尚需時間的淬煉和驗證，現在過多的預測和評價也難免蒼白。但是實時物聯網RT-IoT與之不同，看似遠在天邊，實則近在眼前。講真，再不關注，你就老了！

物聯網普遍通過雲平台提供各種分析決策，而這種慣常的做法往往限制了IoT的應用範圍，尤其是在某些對回報的實時性要求較高的領域，可以說普通的物聯網并不具備實時性。

所謂實時物聯網，是實時處理技術與物聯網相結合的領域。顧名思義，實時物聯網的一個重要特性就是實時性，包括資料的實時性和回報的實時性，它不僅要滿足物聯網的各種限制和條件，還對物聯網産生決策的時間有嚴格限制。如果實時物聯網未滿足時間限制，則認為該物聯網方案失效。

是以，本文解讀的重點隻有一個：實時物聯網RT-IoT。

談了兩周思科，我也不想狗尾續貂了，這次咱們不妨把它晾晾，看看其他公司的所作所為。

人工智能正在走下雲端，把自己逼向邊緣“絕境”

話音剛落，本周四，7月20日，英特爾就“應聲”釋出了第二代Movidius神經計算棒，世界上首個AI人工智能加速器産品系列，為邊緣裝置提供深度神經網絡處理功能。Movidius是一家位于愛爾蘭都柏林的深度學習技術公司，去年曾經釋出U盤型第一代深度學習計算棒Movidius Fathom，随後被Intel收購。

第二代Movidius神經計算棒内置的Myriad 2 VPU，可以在1瓦的功率下提供超過每秒1000億次浮點運算的性能，以便在邊緣裝置上低功耗的運作實時深度神經網絡，這使得各種人工智能應用都能離線部署。

英特爾認為将人工智能計算能力融合到邊緣裝置之中可以帶來很多好處，是以除了神經計算棒之外，Intel® HD Graphics、Intel® Iris™ Graphics和Intel® Iris™ Pro Graphics等圖形處理器，也能滿足智能攝像頭、機器人、無人駕駛車輛等邊緣裝置的深度學習需求，并且Intel還提供了可被調用的深度學習工具包Intel® Computer Vision SDK Beta。

摩托羅拉也注意到越來越多的物聯網裝置需要在本地使用AI處理資料，例如與自動駕駛或者安全監控相關的應用都有嚴格的實時性要求，必須在資料的“保鮮期”迅速做出反應。本周一，7月17日，摩托羅拉宣布與Neurala合作，提供具有實時人工智能功能的智能攝像頭。

Neurala的AI系統不依賴雲平台，可在邊緣裝置上實時檢測行人和車輛的狀态。也就是說，Neurala通過結合不同的神經網絡結構，實作了動态學習，無論有沒有雲伺服器，都可以直接在裝置上完成學習任務。這種學習方法不依賴網絡傳輸，與網隔絕的獨立性保證了較高的可靠性和隐私安全。更進一步，它還解決了神經網絡學了新的、忘了舊的這一問題。

通過摩托羅拉與Neurala的合作，許多行業的智商都會發生不可思議的突增。如果一個孩子失蹤了，他的父母可以給警察一張孩子的照片，警察的随身智能相機就會立即“知道”孩子的長相，并将資料發送到附近其他警官的智能相機中，迅速形成一個AI實時“搜救團隊”。

獲得軟銀投資的ARM公司，認為鑒于雲端的延遲和功耗，邊緣節點的機器學習擁有更大的潛力。是以ARM正在積極投入資金用于提升邊緣裝置端的AI性能。它不僅在下一代的晶片架構中引入了人工智能技術，預計到2020年搭載DynamIQ技術的ARM下一代晶片将在人工智能表現上有50倍的性能提升。6月27日，ARM還與20多家生态系統合作夥伴發起成立了ARM人工智能生态聯盟（AIEC），圍繞具體應用場景，加速人工智能産業化。

再往前看，6月6日，蘋果也釋出了新型平台Core ML，将AI帶到了邊緣“絕境”，它堅持不在雲端實作機器學習，加速在邊緣裝置上的人工智能任務。這類平台對裝置性能進行了優化，在不降低AI性能的情況下，減少記憶體占用和功耗。僅在邊緣裝置上運作的做法，確定了使用者資料的隐私，并且能保證各種應用在沒有網絡連接配接時也能夠工作和響應。

曾經有觀點認為，一步上“雲”，才能使物聯網裝置享受人工智能的紅利。然而，随着人工智能内部的激烈分化，如果僅以立足“雲端”還是走向“邊緣”來分析人工智能的發展格局似乎太過表面，不要忘記物聯網才是人工智能真正的下半場。随着人工智能把自己逼向邊緣“絕境”，超低延遲、穩定可靠的“實時物聯網”主角正要粉墨登場。

新的東西不是真的，真的東西不是新的。鑒于在上篇文章的評論中，很多人認為實時物聯網也是在炒多年前的冷飯，多年前不少企業都在持續研究，一直沒有取得多大進展，是以這裡再多說兩句。

的确，實時物聯網不是新鮮玩意兒，也并非全新技術，提出多年也未見真正落地。但是，随着以思科Kinetic和SAP公司的Leonardo IoT Bridge為代表的IoT傳輸營運平台對邊緣裝置連接配接和實時資料擷取能力的改進，以Intel Movidius和ARM DynamIQ為代表的硬體技術将人工智能運算能力下沉到邊緣節點，實時物聯網的外延和内涵都發生了本質變化，可以量變的積累已将其發展成了一個全新的“事物”。

對待一個新的趨勢，大多數人的第一反應都是認知慣性和惰性延遲。面對新事物時缺乏辨識能力，習慣性的用舊的思維和格局去了解，陷入死循環的怪圈。尤其在當下這個技術日新月異的時代。很容易一葉障目、不見泰山，進而被抛于人後，淹沒于時代洪流。

舉個由認知延遲造成滅頂之災的極端例子，2011年，很多人在研究數位相機，但是沒有取得突破性進展，柯達公司在該年度的膠卷相機銷售額更是達到了曆史峰值。于是柯達盲目樂觀地認為膠卷行業還有較好的前景，沒有采取任何轉型措施。但是事實正好相反，短時間内情況急轉直下，銷售額虛高隻是因為競争對手紛紛退出膠卷市場，使得不多的市場佔有率全部集中在柯達公司身上而已。在當時當事，走出慣性和惰性的舒适區，有魄力看清局勢，才能使柯達破局而出。

反觀人工智能和物聯網，前者走下雲端，後者邁向邊緣，實時物聯網是殊途同歸的必由之路。說到此處，我們有必要重新認識一下實時物聯網，以及它将率先落地的場景。

工業物聯網的競争焦點，即将更新到“實時物聯網”

物聯網提供了對物體全面的感覺和分析能力，以往這種能力往往通過雲端提供服務，如果直接擷取邊緣裝置的實時資訊，通過實時物聯網建立對資料進行可靠傳輸和實時智能的處理能力，将大大提升終端業态的智商。

縱觀消費物聯網、工業物聯網、農業物聯網等多個領域，我認為工業領域擁有适合實時物聯網生根發芽的“肥沃”土壤。由于工業現場的資料普遍“保鮮期”很短，快速響應關鍵資料産生的實時決策的需求也最為迫切，好鋼用在刀刃上，隻有用好實時資料，才能充分發揮工業物聯網的潛力，創造真正的價值。

不得不說，與消費物聯網相比，工業物聯網對魯棒性、可靠性、可擴充性、安全性…等等非人性的要求更高。盡管工業領域難度超高，實時物聯網這一量身定做的神助攻卻不離不棄、不畏艱險，陪它走過了最艱難的“初戀”。在這些潛藏多年的實時物聯網企業中，創新型項目為數衆多，大多數企業均将人工智能融入工業實時資料分析。這裡隻擺事實，不講道理，直接給出10家典型代表，獻給物女心經的長情讀者（這些公司中亦不乏工業人工智能IAI的典型代表，關注IAI的同學也可一并研究）。

1. Foghorn https://www.foghorn.io/

工業物聯網公司Foghorn本周剛剛釋出了最新的機器學習平台。FogHorn Lightning ML軟體平台将機器學習能力嵌入到邊緣裝置，為石油天然氣、公共設施、智能建築、工業制造等領域的終端使用者提供流程優化、成本優化、品質改進等服務。FogHorn Lightning ML僅有256MB大小，使得機器學習模型能夠運作在計算能力高度受限的邊緣裝置上，例如PLC、工業PC、Raspberry Pi系統和多種IoT網關。

2. Sight Machine http://sightmachine.com/

隻要看過Sight Machine的網站，就能讓你愛上它。這家公司定位于制造業客戶，通過提供軟體分析系統，幫助客戶充分挖掘記錄産品品質的圖像、壓力溫度、運動控制傳感器、可程式設計邏輯控制器、流水線機器等方面的已經封裝好的各項資料。挖掘資料并過濾出有價值的資訊回報給制造商，讓工廠們依據資訊監測并改善生産過程。這套流程所處理的資料都是實時的，由實時資料産生的資訊，比如品質報告、跟蹤性報告、OEE趨勢、SPC趨勢等，将通過Web頁面直接送到工廠管理層手中。

3. OSIsoft http://www.osisoft.cn/

這是一家曆經滄桑的公司，好在不久之前，軟銀完成了對OSIsoft數十億美元的投資。OSIsoft是世界領先的實時性能管理軟體PI System的提供商。該平台跨越企業界線，整合并直覺地顯示定制的實時事件資料，為商務決策過程提供了很好的幫助，有利于決策和理性的行動。

OSIsoft的PI System是一個可擴充的軟體平台，它通過結合實時事件和推動整個企業各級機構的智能活動實作企業性能管理，與一般圖形界面的傳統資料庫不同，PI System專門針對那些要求高的任務關鍵性應用，包括發電與輸送、化學處理、進階制造以及其他産業，滿足其收集、處理、分析和分發高速與實時資訊的需求。全球10,000多家使用者采用PI System，将其作為改進組織架構性能和通過實時傳輸資訊來釋放潛在價值的基礎。

4. Bright Wolf http://brightwolf.com/

名字和LOGO都非同一般的Bright Wolf公司，為工業企業的物聯網項目提供完整的設計咨詢、項目開發、系統內建服務和生産營運支援。Bright Wolf公司的IoT資料管理平台Bright Wolf Strandz提供完整的資料模組化和管理功能，進階決策和通路權限控制，實作裝置生命周期管理和系統內建。

在亞馬遜推出Greengrass之後，Bright Wolf随即與之進行了內建，為大型工業企業部署AWS IoT提供增強功能。具體包括：實作PLC之間邊緣協定接口的轉化，保持資料采集的标準統一；利用亞馬遜Lambda在邊緣節點動态調整裝置行為；在遠端采礦和石油/天然氣生産場景中，提高資料的完整性和傳輸的可靠性等。

5. AGT International  https://www.agtinternational.com/

AGT International是一家總部位于瑞士蘇黎世的私營跨國公司，專門從事物聯網事業，包括物聯網分析、應用和專業服務。AGT開發了一種基于大資料的方法，從邊緣裝置中提取原始資料，建立一個分布式的智能網絡，最大限度的減少檢測與分析的時間延遲。AGT的邊緣分析實驗室可以提供異常檢測、行為分析、模式學習等能力。

6. Bit Stew Systems  http://www.beta.bitstew.com/

Bit Stew Sytems是GE最近收購的一家AI初創公司。Bit Stew從2009年開始營運，專門利用傳感器，從複雜工業系統中的“連接配接裝置”收集資料，幫助公司開展預測性的維護，将服務中斷時間最小化。它在2011年取得了最初的成效和認可，BC Hydro選擇了Bit Stew為公司客戶部署180萬部“智能電表”。通用電氣在2015年5月領投了Bit Stew 1720萬美元的B輪融資，并成為它最大的客戶之一。據行業專家估計，Bit Stew的規模以平均每年翻兩番的速度快速成長。

7. ClearBlade https://www.clearblade.com/

按照ClearBlade霸氣外露的表述，它提供的是全球唯一一個與雲計算無關的IoT平台，采用邊緣計算連接配接所有裝置。ClearBlade讓企業能夠快速建構IoT解決方案，通過将業務規則和機器學習相結合，提供可視化和系統內建能力，充分發揮實時資料的效用。全球最大工具和五金企業史丹利百得在18個月前評估了大約8種邊緣網絡IoT平台，最後選擇了初創公司ClearBlade的方案，足見其競争力。

8. Falkonry http://falkonry.com/

Falkonry發現、識别并預測邊緣裝置的營運狀态。Falkonry對傳感器資料執行信号處理和機器學習，以确定條件并進行分類。就像Facebook在複雜圖像中識别人臉，并在學習後對人臉正确加上标簽一樣，Falkonry能夠識别複雜信号中的狀态，并在這些狀态發生後正确報告。Falkonry通過預測性維護、故障預防、威脅檢測和性能優化來提高系統可用性，并減少營運費用。

9. Flowthings.io https://flowthings.io/

Flowthings.io提供了一個服務接口，使得其它應用或裝置可以調用并嵌入這個服務，來實作對物聯網資料的實時收集、事件處理和資料分發等。早在去年5月，Flowthings.io就推出了第一個在邊緣和雲端同時提供實時資料分析的IoT平台，并與IBM、Dell等企業開展了深度合作。

10. Infinite Uptime http://www.infinite-uptime.com/

Infinite Uptime公司創立短短1年，首款基于大資料和智能分析的裝置震動監測産品就已經被應用于富士康、西門子、印度TATA等大型企業。該公司生産的傳感器主要用在機器裝置監控和預防性維護，實作震動、噪音、溫度的實時監控，當檢測到裝置異常，通過Wi-Fi或藍牙傳輸給工程師和控制器，即時做出回報和調整，防止事故發生。

工業中随處可見的“鐵疙瘩”，正在成為實時物聯網的改造對象

新的機會來臨時，大處着眼，小處着手。那麼工業實時物聯網的着手點何在？

我的好友麥總，上個月在日本東京機械要素展上觀察到了一個有趣的趨勢：工業中随處可見的、與智能化最不搭嘎的“鐵疙瘩”正在迅速接入物聯網，而且一上來就是實時物聯網。

比如這款聯軸器産品，它和普通的聯軸器外觀并沒有什麼不同，但它其實是一款自帶感覺能力的智能型機械傳動産品，内置了扭矩檢測功能。

它借助傳動鍊中的機械傳動元件自身具備的運動感覺能力，将檢測到的運作狀态資訊實時回報給裝置系統，幫助裝置在運作時獲得實時的有關傳動軸的預防性維護資料；在不增加太多應用成本的情況下，為企業提供更豐富的裝置診斷監測資料。

由于麥總是IIoT業内專家，我挑了兩個核心的問題請教了這名老司機。第一，怎麼看待“鐵疙瘩”的智能化？第二，“鐵疙瘩”的智能化有哪些實際價值？他的回答如下：

1. 怎麼看待“鐵疙瘩”的智能化？

經過這兩年工業 4.0、智能制造發展趨勢的各種洗腦，大部分人應該都很了解物聯網和資訊化的價值了。是以我們看到在工業制造領域，各類産品都在呈現物聯網化的趨勢，以提升企業營運的決策效率。

在我們的生産裝置中，包含大量的機械零部件，尤其是那些幫助實作裝置運轉的各類傳動元件，例如：聯軸器、減速機...等等，它們在裝置運作過程中的各種資料狀況資訊，對裝置的生産營運管理和決策來說，是十分重要的。

2. “鐵疙瘩”的智能化有哪些實際價值？

這就要談到對這些機械部件進行狀态監控的應用場景了。

以聯軸器為例，盡管通過電機獲得的系統負載資料，也能夠幫助我們在一定程度上實作對裝置的預防性維護，但對于較為複雜的生産裝置來說，要能夠在出現系統異常時，快速精準的找到機械傳動的故障點，并有效的采取預防措施，就需要對多級傳動元件中的各個環節的運作狀況進行實時動态的監控和診斷。

如果在機械中有類似智能聯軸器這樣的傳動産品，那麼我們就可以直接從負載獲得一手資訊，不僅能夠實時檢測狀況，還能夠根據回報資料變化趨勢的分析和預判，提前對可能出現狀況的傳動環節采取相應的預防措施，以減少裝置的意外停機，并提升生産效率。

另外，由于聯軸器是連接配接電機軸輸出和機械負載的動力傳動元件，確定其在應用過程中尤其是在高速運轉時輸入、輸出軸之間的同心度和直線度，對于生産裝置的高效穩定運作也是至關重要的。

聯軸器自帶感覺，那麼我們就可以基于其自身回報的狀态資訊實作上述的預防性維護檢測，而無需在傳動部件上增加額外的檢測元器件和相應的線路敷設，這将在一定程度上降低對傳動系統狀态檢測的應用難度和總體成本。

回答完畢。

好了，至此為止，我分别從傳輸通訊的角度、人工智能的角度、工業物聯網應用落地的角度、初創企業典型代表的角度、智能化改造發揮最大效力的角度、從小處着手如何切入的角度，論述了“實時物聯網”這一近在眼前的趨勢。建議你把本文收藏，睡前睡後、餐前餐後随時翻翻，常讀常新。

半年之後咱們再來重新開機“基于意圖的網絡（IBNS）”這個話題，到時不見不散。

原文出處：物聯網智庫

<a href="http://www.iot101.com/kpwl/2017-07-24/13426.html" target="_blank">原文連結</a>

轉載請與作者聯系，同時請務必标明文章原始出處和原文連結及本聲明。