注：本文來自星河互聯-物聯網事業部合伙人呂永昌 。

編者按：

物聯網是全世界公認的未來發展趨勢，目前它正以極快的速度在全社會得到普及。

物聯網技術正在將一些行業提升至新的高度，例如醫療保健行業、金融財務行業等等，幾乎每隔幾個月就會有新的機遇出現。

星河互聯物聯網事業部合伙人呂永昌認為，在融合、碎片化等顯著特點影響下，物聯網領域會產生難以被快速模仿的商業業態。

擁有大量環境、物、人的數據的物聯網領域將釋放生產方式變革的眾多創業機會，而這些機會屬于長期在垂直領域耕耘、可以構建三道壁壘的企業：

顛覆性創新壁壘、彎路壁壘（從概念到規模化交付，有漫長的路和鴻溝在等著企業）和生態壁壘（合作伙伴一旦采用很難更換，供應鏈是正向循環的強化優勢）。

今天的文章干貨滿滿，Enjoy it。

一、融合、碎片化的顯著特點-帶來難以被快速模仿的商業業態

　　融合和碎片化是物聯網行業的2個顯著特點。

物聯網的融合表現在，這個行業的創業者往往需要既懂硬件，又懂軟件，還得懂生物學/物理學/化學/光學等相關學科并擁有實踐經驗；對產品設計有極致追求，對人工智能算法模型/增強數據挖掘也需要掌握；對于2B市場的業務，還需要對B端市場和產品（比如工控領域）有深刻理解和客戶掌控能力。

不過，越是交叉融合的領域，壁壘就越高，這是為什么物聯網領域在過去二十年發展進程中沒有快速涌現出大量企業的原因。

物聯網的碎片化體現在市場區域割據，產品技術高度垂直和分散。

物聯網是一個傳統IT與新興技術結合的產業，玩家中包含很多傳統ISV/SI，這些企業在各行業深耕多年，原來做軟件開發，之后是做移動行業應用和M2M解決方案，現在轉型做LPWAN解決方案，這樣的企業非常多。

這類企業在全國各地每個區域集中度都不一樣，比如山東的SI集中度非常高，在廣東市場非常分散，這樣企業自己可以養活自己，他們是產業鏈最末端、最接近客戶的環節。物聯網領域也包括各類型通用能力企業、傳感器企業、芯片企業、通訊網絡企業、平臺企業。僅傳感器領域，就有10大類、24小類、6000多個品種，平臺企業需要面對上萬種設備通訊標準/協議。

二、看好物聯網的4大邏輯

曾有數據銀行負責人提到,盡管他們現在的數據交易量增長迅猛，但是企業客戶對數據的需求仍然是遠遠大于供給，缺少各種類型的數據。

這個數據來自什么地方？物聯網是很重要的數據來源。這只是催生物聯網發展的一個因素。還有人認為是低功耗廣域網的興起和芯片等硬件成本的大幅下降，推動了最近2年物聯網時代的到來。

實際上，物聯網浪潮的到來，本質是由以下4個邏輯推動的，如下圖所示：

1、人性的發展：智人->人->神人

從原始的智人發展來的人，未來希望變成神人，希望達到自由主義，讓自己所有需求都得到滿足。

人會創造一些簡單的機器和高復雜度的機器人，通過機器代替人做事情，把人解放出來，這是第一個邏輯。

正是這個邏輯，不斷催生出各類型智能硬件、人工智能需求。

2、思維的4層次升級

代替人的機器在不斷升級過程中，背后隱藏著機器思維的4層級升級。

第1層級是簡單控制。最早其實人類創造的機器就是控制，機器沒有思考，全部通過人來進行開關控制、參數設置。

第2個層級是機械思維，即設定好什么條件下發生什么反應，基于因果關系的思維，根據確定的環境因素制定確定的決策，比如路燈的光線傳感器根據天空的陰暗程度來決定燈的開關，這就是典型的機械思維。

第3個層級是相關性思維，最大的不確定性因素是環境，決策非因果關系，而是經過相關性分析后作出判斷。

相關性思維已經發展多年，最早的統計分析、數據挖掘即如此，現在的機器學習、神經網絡也是如此，只不過比統計分析多了根據數據訓練調參或者自動生成模型。

比如擲骰子，要預測骰子的結果，需要根據扔骰子的力度和方向，包括風的影響等等一系列因素做判斷，所有這些因素都是不確定的。

另外一個例子是自動駕駛，其中一個很大的難題是針對緩慢移動的物體可以做一些識別和響應，但如果是快速移動的物體，基于傳感器很難做出判斷到底該如何應對，這也是針對不確定性和快速變化的環境，通過相關性思維做出的分析和判斷。

第4個層級是認知智能和類人思維，這里面的邏輯就是把采集到的數據轉化成信息，信息再加工成知識，知識轉化成行動，不斷做歸納總結，機器模擬人的思考過程。未來物聯網所有運作規律均沿以上4個思維層級去進化。

3、自我管理

上述第3個邏輯是針對人自己本身、物本身要做監控/診斷的特性提出的，對人自己做優化，對機器及機器之間的配合做優化，人會有越來越多的外帶的設備或者植入到身體里的設備去對人身體數據和生活習慣數據做采集，不斷給自己一些建議。

工業領域的設備，或者大家使用的各種電子設備上將來會有越來越多的監測裝置，能夠對機器本身狀況做監測，以此進行預防性維護、能耗管理、運營效率優化。

4、互聯想象

這個邏輯是什么呢？人的競爭、企業競爭最終是認知的競爭，企業和人需要不斷地改善自己，99%的人失敗是由于無法改變自己，堅持自己的固有觀念。

人類發展從最早到不同類別群體中脫穎而出，并不是因為自己有組織能力，而是因為自己有幻想，相信國家/相信神，有這種幻想才導致智人這個族群在所有族群里最終勝出。

現在，人相信自己會主宰很多事情，或者相信金錢的力量，相信權威的思想，這些都是源于幻想，想象會讓人擁有極強的力量，這是人和動物最大的區別。

我這里所說的互聯想象是指什么？就是未來其實人類不會再去相信對于某種事的追求，而是會依賴環境信息的采集做決策。

我們很多決策正確與否取決于是否拿到足夠的流動信息，我們相信物聯網帶給我們足夠的數據量，這樣就可以做出有利于自我個體發展的決策，這是第一層級。

第二層級就是發揮資源協同的價值，實現社會整體效能的提升。比如說現在每個人都有一臺手機，利用效率不高，晚上手機即不再工作了，而社會需要的計算資源會越來越多。

假設有一家公司做一個事情，把所有手機的計算資源調動起來，在人休息的時間把閑置的手機計算資源利用起來，然后用在需要大規模計算能力的領域，比如說用在人類疑難疾病問題的解決/重大難題攻克上，同時手機用戶也可以獲得額外回報，這就是一個典型的資源協同優化效率的例子。

再比如說城市交通調度，把所有汽車/道路的信息綜合起來之后，依據已經找到充分多的信息做出最優的交通調度和調整，幫助每個人節省在路上的時間。

第4個邏輯其實是環境、人、物未來會基于對物聯網的相信，進行智能應對，以及依靠萬物互聯的機制做出最優化的資源配置。

三、物聯網未來5大發展趨勢

　　趨勢一 自診斷

對于物的自診斷，包括縱向的數據采集、管理、診斷、維護、對產品創新和橫向的機器之間做配合優化，以降低能耗，提升利用效率。

以往工廠里大多數工廠利用率非常低，有些設備運轉，有些設備閑置比例非常高，能耗浪費非常嚴重，工業企業內部機器之間、機器與環境之間需要優化。

同時上下游供應鏈協同也是優化方向。對于人的自診斷，包括3個層面——健康、體征監控診斷、干預和治療；人自身成長的技能檢測、輔助訓練；針對生活習慣的數據采集和改進建議。

趨勢二 新的智能主機

新的智能主機應用規模不會快速增長，而是會緩慢的一點點發展出來，因為硬件成本的下降和技術、內容、生態的完善需要時間。

從形態上看包括3類新智能主機——對人的能力延伸，可以去人無法去的危險地方，比如無人機；對人的替代，未來95%工作會由機器人替代；人與人、人和物之間的交互終端，比如AR眼鏡，可以看手機信息、新聞，用新的智能終端做控制。

趨勢三 機器與人的結合

先舉個例子。

俄羅斯有一個新媒體的富豪，召集40個科學家做“俄羅斯2045計劃”，分四個階段走。

第一步，在2020年實現通過人腦控制機器，這個事情看似簡單，實際上難度比較大，因為人的大腦皮層信號非常微弱，且難以與人的行為對應。

第二步，在2025年把人腦放在機器里，適合人腦精確生存的環境，為人腦供應營養，無需依賴人的身體。

第三步，在2035年，通過研究徹底人腦構造，創造出一個類人大腦，這個原理是仿生學原理，是極其難的事情。很多仿生學原理很難走的通，比如飛機，最早研發的時候是模擬鳥類翅膀設計，未能成功。而萊特兄弟是利用空氣動力學的原理設計飛機，最后成功了。

最早的人工智能也是仿造大腦的神經元和突觸的構造進行設計，依然很難，而通過大數據不斷的訓練，反而可以訓練出合適的模型實現人工智能。

但是創造出類人大腦，依然是人工發展的前進目標，可以把人性格和記憶儲存到人造大腦里，這意味著人類可以實現永生。

第四步，在2045年，真實版虛擬人創造出來，可裝載人的意識。

這聽起來像天方夜譚，但是這個未來已經與我們越來越近。機器與人的結合將在以下4個方面得到發展：

機器器官移植 已經實現的包括盲人機器視覺輔助、機器外骨骼、神經芯片等。日本的一家公司提供的機器外骨骼，通過采集運動的控制意念信息來控制外骨骼肢體運動，人的運動意念信號通過神經傳到皮層，再轉成肌電信號，這家公司通過采集肌電信號來判斷控制意念。

美國一家公司開發的應用于軍事的腿部外骨骼，采用液壓驅動，以燃油為能源，裝在外骨骼的傳感器感知腿部力量的運動方向，來強化腿部力量。

另外已經實現的是幫助抑郁癥患者植入神經芯片，抑制他產生抑郁癥的神經信號，促使其感到快樂。

納米機器人 納米進入到血液里或者內臟里，可以做一些觀察/監控，輔助醫療診斷或治療措施。

人腦逆向工程，機器與人合二為一 未來人的身體會存在大量機器，甚至大腦也是類人大腦，只有記憶和意識是自己的，人體器官中有50%以上不是人自己本體長出來的器官，就不是真正意義上的人了。

趨勢四 人與機器的溝通

包括語音互動，基于光場重構的空間三維顯示與互動，眼球追蹤，腦機接口等。

趨勢五 AI+高速增長的行業應用和跨行業協同

根據據Machina Research數據，全球物聯網連接終端數量在2015年-2025年之間將增長3倍， 2025年全球物聯網連接數量達270億個。這意味著非發展中國家人均擁有的智能設備超過5臺。

根據Xlively數據，2020年物聯網連接終端數中工業物聯網和智慧城市占據大多數份額，2B應用領先2C發展。

隨著更多低成本并行指令集芯片的推出，更多物聯網智能終端在邊緣實現快速識別智能響應和結構化數據采集，或者傳統設備的數據采集，兩種路徑結合云端AI模型訓練，最終實現AI的深度行業滲透和跨行業資源協同。

四、未來投資方向

我們看好的企業，是能夠巧妙解決以下7方面問題的企業。

　　1、碎片化

不同設備企業之間，同一設備企業不同產品之間，甚至同一產品不同代之間，通訊協議/標準/地址都是有差別的，常用的協議有上百種，但是總體協議有上萬種之多。

每一種設備的數據采集，都需要拿到設備廠商的說明文檔和許可，或者做逆向破解。

僅同一家制造業企業，由于設備種類的繁多，而沒有一家設備企業可以服務完整鏈條，導致要徹底實現對一家制造業企業的無人化/全設備數據采集，絕不是一家平臺企業能快速做到的。

這也是為什么過去多年一直是解決物料信息化為主的ERP在工業企業得到應用，而設備管理/深度智能化應用遲遲未能快速發展的重要原因。

悶頭實現某一細分領域設備聯網和深度數據挖掘的技術公司有不少，但是我們更看好那些能夠解決碎片化技術和市場問題的企業。

2、對海量數據的處理

大家都知道現在的各類型數據量很大，到底有多大？比如谷歌自己汽車采集街景，一天采集數據量1T，如果按一部電影500M算相當于2000部電影，這個數據非常驚人。

海量數據怎么處理是一個問題，還有非結構化數據變成結構化數據，這是有不同解決路徑的，比如終端做結構化數據采集，或者先做基于機器學習的識別和篩選，只上傳經過清洗的數據。

第二種是設計適用于神經網絡模型訓練的擁有高并行計算能力和低能耗的處理器，或者深度挖掘異構系統芯片內全架構及電路的計算潛力，實現深度學習的嵌入端部署。

3、實時響應

PC手機大多數情況不需要實時響應，而物聯網終端跑的程序需要對所有信息做快速處理和實時響應，能夠實現對不確定因素、快速變化環境的實時響應的企業是我們比較看好的。

4、成本

智能家居最近2年發展比較快，原因是出現了低價高品質智能單品。未來無論機器人/SLAM技術/自動駕駛，還是新的智能主機，還是其他消費電子，如果在具備品質性能基礎上成本做到極致都極具市場潛力，并且隨著銷量增加繼續帶來更強的供應鏈議價權，實現更高的成本壁壘。

5、穩定性

穩定性代表了穩定的良品率/穩定的出貨量/穩定的產品品質。光波導AR眼鏡一直在解決良品率的問題，而工業領域的智能應用，一旦出現災難，損失非常驚人。

6、流暢度

機器人/語音交互產品我們看了很多，其實真正使用起來有高流暢度的非常少,我們看好那些能夠給客戶帶來沉浸式體驗的產品和企業。

7、思維提升

能夠實現思維升級問題，或者基于大量數據構建可以復用模型的企業，甚至更高層級的實現類人智能的企業，也是我們關注的企業。

如果是平臺型企業，需具備5方面的指標：

擁有多項不可替代的剛性需求功能；聚集海量生態伙伴；節省物聯網化時間或成本；客戶高頻使用；掌握數據。

如果是2C企業，需要具備3項基礎能力：

解決阻礙用戶使用的障礙問題；數據運營平臺驅動體驗動態升級；擁有匠人精神。

2B領域，我們看好具備3項特征的企業：

計費模式與交付人員規模無關；單客戶帶來規模化且持續成長的收入；依靠持續迭代的領先技術與客戶業務高度緊密結合。