近年來隨著網絡的快速發展，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模式的興起，讓計算機運算資源改以服務形式，經由互聯網直接取得，重新塑造信息產業供應鏈，在這個潮流下，物聯網(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)經過云端服務存儲及巨量數據的分析，以數據驅動服務價值，將是未來采用的技術創新，更是將引領下一個產業革命的典范轉移，成為未來企業新的商業模式。
物聯網與人工智能
物聯網是一個基于互聯網、傳統電信網等信息承載體，讓所有能夠被獨立尋址的普通物理對象實現互聯互通的網絡。物聯網一般為無線網，而由于每個人周圍的設備可以達到一千至五千個，所以物聯網可能要包含500兆至一千兆個物體。在物聯網上，每個人都可以應用電子卷標將真實的物體上網聯結，所以從物聯網的定義來看，智能電話、可穿戴設備、汽車、住房、消費類電子產品、醫療設備、工廠設備等城市基礎設施，都可成為一個端點 (Thing)，因此物聯網會產生巨量的數據。
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”是從巨量的數據庫數據中探勘構造一個模型，定義不同的參數，而學習這件事就是讓這個模型以程序的方式執行，利用測試數據(Training Data)來調整優化這些參數，等到訓練樣本到一定的程度后，參數的定義也成熟了，這支程序就可以做預測。而隨著取得的數據愈來愈龐大，傳統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。
對于物聯網領域來說，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據，才能不需要太多人力介入，就能產生具高附加價值的應用。
《圖一》IOT x Machine Learn (圖片來源 Microsoft)
物聯網與人工智能應用
先舉兩個生活化的例子來看目前物聯網和人工智能的應用。
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，持續不斷地收集車輛本身以及四周的各種精確數據，由車內的處理器進行分析和運算，再根據計算結果來控制車子行駛，并將所收集到的數據傳送到中央數據庫，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據庫，學習各種突發狀況，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，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)
除了實驗性質的測試外，在目前產業方面的運用，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、農業結合氣候和地理等數據的運用等。
例如ThyssenKrupp Elevator 負責維護全球110萬部以上的電梯，他們使用物聯網服務，將 ThyssenKrupp 的電梯內數以千計的傳感器和系統 (這些傳感器和系統會監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，電梯所提供的數據會送到動態預測性模型中，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，現在，電梯本身可以教導技術人員如何進行修理作業，因此可以大幅提高現場的效率，電梯的運行時間也會大幅增加。
或在醫療方面Kaiser Permanente使用行動技術為居家的病患提供遠程監控選擇，藉此提高病患的參與和便利性，同時為臨床醫生啟用更有效率的工具。他們正在測試將醫療設備 (例如血壓計、血糖儀和可穿戴的“手環”監控器) 連接到智能手機。智能手機會當做網關裝置來運作，負責傳送數據給安全的云端，以便與現有的分析以及可在 Kaiser Permanente 數據中心執行的數據可視化程序整合在一起。臨床醫生可以透過中央儀表板存取這些數據，以獲得有關病患健康和活動狀況的全盤且幾近實時的了解，透過幾乎實時遠程監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，利用機率和經濟學上的概念，人工智能研究還發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，也就是發生了“可能組合爆增”：當問題超過一定的規模時，計算機會需要天文數量級的內存或是運算時間，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、物聯網的發展，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、用于裝配作業的初級智能機器人系統和用于微型計算機的自然語言接口以及各種專家系統，還在智能家居、智能大樓、車用系統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網、巨量數據分析、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品，現在這些技術將普遍應用于生活家居、醫療照護、會計，預測疫情和犯罪等，都能透過IOT x 人工智能幫忙。
企業的機會
很多人認為個人或中小型的企業要運用人工智能技術發展業務是困難且昂貴的，但愈來愈多的業者像Microsoft Azure、Amazon AWS、IBM Watson Analytics等，都己經提供云端機器學習的相關服務，讓開發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，因此經濟部工業局也提出了工業4.0，一來透過物聯網與人工智能，避免因為缺工問題而造成的產業危機，二來則是改善所有產業的生產力，如此，最困難昂貴的部份如網絡、存儲器、機器學習等資源由云端業者提供，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，發展核心新事業，發現新的商業機會。
京公網安備 11010502049343號