不能否認，我們正在歷經一個萬物智能互聯的時代，數據量的產生速度已超出了一般人的想象。當智能攝像頭的分辨率從1080P向4K方向轉化，一個攝像頭一天所采集到的數據量已從100GB向200GB發展;2020年一個互聯網用戶平均每天將產生的數據量可能將達到1.5GB;而一個智能醫院，將所有設備聯網后，比如CT、核磁共振掃描儀等等，其一天所產生數據的總量將超過3TB。

上述數據，無時無刻都在提醒我們，未來將是一個數據的世界!物聯網的數據更是可觀。

在物聯網的發展過程中，兩個關鍵因素將起著重要作用：一是人工智能;二是邊緣計算。

關鍵因素一：人工智能

隨著AlphaGo利用增強學習的技術打敗了人類的卓越棋手，近期我們看到，人工智能應用在一些邊緣智能的應用場景已經開始實現。但整個人工智能的發展是離不開數據的，因為它需要大量的數據進行訓練。

隨著越來越多的非結構化數據需要我們進行處理，并要從非結構化數據中發現內在的關聯，人工智能技術是其中的提煉。

關鍵因素二：邊緣計算

數據量的增加也在推動整個計算模式的演變：

在互聯網時代，互聯網通過云計算平臺來實現用戶隨時隨地按需訪問自己所需要的資源。云計算的技術能夠幫助實現資源的共享，給用戶提供一個最佳的用戶體驗。剛剛過去的雙11，天貓商城上銷售峰值已經超過25億/秒，要支撐這樣大量的計算，云計算平臺功不可沒。

而在物聯網時代，隨著數字化轉型，它需要更敏捷地連接、更有效地數據處理，同時還要有更好地數據保護，邊緣計算由于它能夠有效的降低對帶寬的要求，能夠提供及時的響應，并且對數據的隱私提供保護。可見邊緣計算發揮的作用越來越大，筆者認為，邊緣計算正成為物聯網的發展支柱。

邊緣計算并不能取代云計算

我們強調邊緣計算，并不是邊緣計算將代替云計算，而是認為邊緣計算和云計算二者之間是很好的互補。邊緣計算所處理的數據是局部的數據，并不能形成對于全局的認知，這些認知的形成還需要云計算平臺進行處理，并在后端對各種不同的邊緣采集到的數據進行融會貫通。

以智能交通為例，智能交通領域智能攝像頭通過各種智能方法能夠識別出攝像頭前經過的各種人，以及車輛的車型、車的顏色、車款以及車牌的識別。但是所有這些信息只能得到當前在攝像頭前面所經過的人和車信息，并不能知道這個車前一時刻在哪里?下一時刻又將駛向何處?無法判別車的軌跡，如果需要形成車輛的完整軌跡，還需要云計算平臺的支持。由此可見，邊緣計算和云計算二者之間將會有一個很好的協同。

物聯網的摩爾定律

在昨日于北京舉辦的2017邊緣計算產業峰會上，英特爾中國區物聯網事業部首席技術官張宇博士便將物聯網的發展分成了三個階段，并認為：“物聯網將會從互聯走向智能，從智能走向自治。”張宇將這三個階段稱為物聯網領域的摩爾定律。

張宇說：“在一個端到端的系統里，不同網源由于它所提供的功耗、對計算要的求以及所能夠承擔的成本是各不相同的，因此不同的網源在選取硬件架構的時候往往都會有它特定要求。以人工智能為例，前端一般會選取一些專用的SoC或者利用FPGA來實現深度學習加速，后端一般使用通用處理器，再加上加速器的異構架構來實現人工智能應用。但這樣的方式也存在較大的問題，人工智能在進行處理的時候，需要消耗非常大量的資源，包括計算資源，存儲資源等等。以百度搜索為例，百度的任意一次搜索需要大量的計算，對圖片的計算量更是超過10億次。”

如此大量的計算，需要一個強大的計算芯片支撐，因此，人工智能的發展便對芯片提出了更高的要求。

顯然，摩爾定律在目前這個階段仍然是有效的，而且摩爾定律在不斷推動著半導體工藝的進步，也為人工智能等新的計算模式提供了源源不斷的計算力。

上圖為：英特爾中國區物聯網事業部首席技術官張宇博士

物聯網的演進趨勢：負載整合

另外，張宇認為：物聯網系統一定是一個邊緣協同的端到端系統，人工智能會在物聯網系統里廣泛應用，不僅是在前端，也在后端。邊緣側趨向負載整合則是物聯網演進的一個必然趨勢。

其原理是：原來在不同設備上分立的負載會越來越多地通過虛擬化等技術，整合到一個單一的高性能的計算平臺上，來實現一個綜合的復雜的功能，各個功能子系統既能分享設備提供的計算，存儲，網絡等資源，同時還能具有一定的獨立性，避免彼此的相互影響，從而可以簡化系統架構，降低系統總體。同時，負載整合實際上也為邊緣計算的實現以及為實施人工智能的應用提供了條件。整合后的設備既是邊緣數據的匯聚節點，同時也是邊緣控制的中心，這為邊緣智能提供了處理所需的數據，同時也提供了控制的入口。因此英特爾認為人工智能和負載整合的結合，會在今后的邊緣計算的系統里發生。

當然，由于物聯網中不同的網源所需要的計算力需求不同，再加上人工智能部署，需要不同特性硬件平臺以及軟硬件協同優化。