• 项目
首页>>文章列表 >>行业研究
行业研究

金准产业研究 2019年全球半导体市场研究报告 2019-07-18 19:09:36

前言

当今科技创新迅猛发展,半导体行业有望持续增长。对半导体行业来说,2019年会相对疲软,但金准产业研究团队预计预计其将在2020年实现复苏并保持繁荣。2018年半导体行业销售总额为4,810亿美元。今后四年,即到2022年底,金准产业研究团队预计销售额将保持较慢但稳健的增长,复合年均增长率(CAGR)约为4.6%,达到5,750亿美元。

半导体行业由七类元件组成,即内存、逻辑元件、微型元件、模拟元件、光电元件、传感器和分离元件(OSD)。其中,内存产品销售额仍将是半导体收入的最大份额。然而,三星集团在2017至2018年对其半导体部门的巨额投入将使内存市场产能过剩,从而导致内存产品(尤其是3D NAND闪存产品)在2019年销量下滑,但该市场有望在2020年开始复苏。

此外,人工智能(AI)应用的快速增长带来的芯片需求,将极大促进该行业的整体增长。大部分需求来自汽车和工业市场,这两个领域增长最快。

由于电动汽车和混合动力汽车的普及率不断提高,再加上自动驾驶汽车的市场潜力巨大,汽车市场将是增长最快的市场。到2022年,其复合年均增长率将达到11.9%。与此同时,传统汽车芯片的需求依然强劲。工业市场继续受到安全和医疗领域对人工智能芯片及其实力的需求的推动。在此期间,整个工业市场的复合年均增长率预计将达到10.8%。

由于智能手机的更新换代、5G技术的引入以及新兴市场的增长,通信市场的复合年均增长率将达到2.2%。与此同时,到2022年底,消费类电子产品市场约有50%的收入将来自电视、视频游戏机、手持设备和数字机顶盒。

2022年,消费类电子产品市场的复合年均增长率将达到6.0%。预计可穿戴设备的复合年均增长率高达21.0%,但仅占通信市场份额的10%左右。

数据处理市场的复合年均增长率为2.1%,主要来自服务器和存储设备销售。虽然预计销售额会在2019年同比下降2.8%,但从2020年开始有望回升。尽管金准产业研究团队预计个人电脑市场份额会下降,到2022年的复合年率下降5.2%,但这一降幅将被物联网(IoT)、机器学习以及服务器和数据中心领域其他形式人工智能的增长所抵消。

一、半导体行业市场情况

在半导体行业生产的七类元件中,内存芯片元件的市场份额在2022年前将继续占据首位;不过,如前所述,其增长可能在2019年转为负值,然后在2020年实现回升。在整个预测期内,逻辑和微型元件芯片的销售额将持续占据半导体行业总收入的第二大份额(见图1)。

1 各类元件的市场增长

 

 

内存。这一领域的很大一部分增长将由持续的技术进步推动,如云计算技术和智能手机等终端设备上的虚拟现实技术。动态随机存储器(DRAM)和NAND闪存芯片的平均销售价格大幅提高,也在推动收入增长方面发挥显著作用。一般而言,闪存和DRAM的新产能将会抵消预期内的价格下跌,从而更好地实现这类设备的供需平衡,以支持企业固态驱动器(SSD)、增强和虚拟现实、图形、人工智能和其他复杂的实时工作负载功能等新应用。然而,三星在2017至2018年对半导体部门的巨额资本投入将使内存市场产能过剩,尤其是3D NAND闪存市场。

产能过剩将导致市场供应过剩,进而拉低内存元件的市场价格。因此,这类芯片产生的收入将在2019年下降,并对整个半导体市场产生不利影响。

逻辑元件。通信、数据处理和消费类电子产品行业的需求将在很大程度上推动这一市场发展。在预测期内,特殊用途专用集成电路(ASIC)和专用信号处理器(ASSP)逻辑芯片将占据绝大部分市场。

微型元件。这类芯片是所有电子设备的关键组成部分,市场增长将与这些设备的销量成正比。由于标准台式机、笔记本电脑和平板电脑的出货量疲软,微型元件在2019年的增长将停滞不前。2022年之前,微型元件的市场增长来自于汽车行业。汽车制造商正在将大量微型元件集成到智能汽车的动力传动系统、下一代底盘和安全系统中,用于在安全和防撞系统中处理复杂的实时传感器功能。此外,物联网的日益普及也带来对高性能电子产品的需求,从而催生对高性能处理器的需求。本地处理能力通常由微控制器、混合微控制器或微处理器以及集成微控制器设备提供,这些设备可以提供实时嵌入式处理,这是大多数物联网应用的首要要求。

模拟元件。金准产业研究团队预计模拟元件的强劲增长主要受到通信行业的需求推动,尤其是汽车行业。产生需求增长的用例包括电源管理(延长手机电池寿命)、信号转换(用于数据转换器、混合信号设备等)和汽车专用模拟应用(自动驾驶汽车、电动汽车及电子系统)。

光电元件、传感器和分离元件(OCD)。这三类元件与集成电路相邻。目前大量投产的新兴技术设备将推动这些芯片的需求增长。其中包括固态照明、机器视觉、图像识别、智能电网能源、物联网和智能便携式系统中的“融合”多传感器。

由于光电芯片在嵌入式摄像机的互补金属氧化物半导体(CMOS)图像传感器、汽车安全、固态照明应用的视觉自动化和更高性能的LED中使用越来越广泛,预计其将继续保持强劲的增长势头。总体而言,LED照明解决方案正在迅速改变各种住宅、商业和工业应用的市场。推动其增长的因素包括:采用更节能的照明解决方案、LED价格不断降低、基础设施的现代化改造和新发展。就能效、寿命、多功能性、色彩质量和成本而言,LED照明具备很多超越传统照明技术的优势。

金准产业研究团队预计传感器市场也将实现快速增长。虽然近年来,由于新型自动化控制和物联网应用的单位出货量增加,传感器价格有所下降。随着功率晶体管和其他设备需求的稳定增多,分离元件市场有望得到增长。

二、半导体应用市场的增长

经济增长预期表明,以汽车和数据处理市场为主导的应用市场将持续扩大(见图2)。

2 各类应用市场的增长

 

 

汽车。金准产业研究团队预计在所有市场中,汽车市场增长最快,复合年均增长率将达到11.9%。主要原因是:电动汽车和混合动力汽车的普及率不断提高,其半导体需求量大约为传统汽车的两倍;此外,自动驾驶汽车有着巨大的市场潜力。随着汽车变得更加自动化,每辆汽车对半导体的需求量增加,先进驾驶辅助系统(ADAS)、光探测和测距(LiDAR)、信息娱乐系统以及安全和便利功能由此受到越来越多的关注。据IC Insights统计,每辆全自动驾驶汽车的半导体需求量将是驾驶辅助系统汽车的5倍。然而,传统汽车仍然是半导体销量的重要催化剂。2018年,传统汽车销量占汽车市场总收入近95%。

通信。通信市场对半导体近80%的需求量由手机驱动。虽然目前手机市场高度饱和,但5G的引入、智能手机持续的高更新率以及新兴市场对手机的需求增加,通信市场的复合年均增长率将保持在2.2%。尽管预计高端手机需求会下降,但普通手机的强劲增长将抵消这种影响。

消费类电子产品。得益于智能电视、4K超高清电视、3D编程、视频点播、对大屏显示器的偏爱以及曲面OLED的日益普及,电视设备将促进消费类电子产品应用的半导体收入增长。游戏技术和机顶盒也将成为收入的强力助推器。因此,该市场的复合年均增长率将达到2.2%。尽管可穿戴设备市场仍然相对较小,但其在消费类电子产品应用中增长最快,复合年均增长率将达到6.0%。然而,随着美国Netflix和Amazon Prime等更具吸引力的替代品的流行,数字播放器芯片的收入正在下降,复合年均增长率为2.3%。此外,越来越多的消费者开始转向手机游戏,导致游戏机市场在2018年达到饱和。

数据处理。到2022年,数据处理市场(包括个人电脑、超便携设备、平板电脑、服务器和存储设备)中的半导体销售额将达到2.1%的复合年均增长率。由于终端设备智能功能需要更多的半导体,来自存储设备的市场增长预计非常可观,复合年均增长率为12.3%。这一增长很大程度上来自新兴的固态驱动器技术,该技术克服了传统数据驱动器的长周转期、易过热和高能耗等缺点。智能手机和其他连接设备的强劲销售会加速对存储卡和存储设备的需求。由于该市场也存在优化服务器性能的压力,每台设备的半导体需求量将会增加。

工业。仅次于汽车,工业市场将是所有应用类型中增长最快的市场,预计到2022年其复合年均增长率将达到10.8%。这一增长的最大份额将来自对安全、自动化、固态照明和运输的需求。金准产业研究团队预计安全应用对半导体的需求增长最快,复合年均增长率将达到17.8%。这得益于持续推动更安全和更智能城市的建设,尤其是在亚太地区。对机场和火车站的恐怖袭击事件日益增多,激发了对先进周边安全和门禁控制系统的投资;此外,对舒适性和便利性的日益重视也正在促进指纹门禁系统、PIN和RFID门禁系统的普及。

三、半导体行业在各地区的增长

在预测期内,金准产业研究团队预计在所有全球市场中,半导体市场将持续快速增长(见图3)。

亚太地区。该市场将继续是半导体行业收入的主要贡献者,到2022年,复合年均增长率可达到4.8%。电子系统生产将继续以中国为中心。由于中国的制造能力,尤其是消费类电子产品的制造能力出众,因此对半导体的需求日益增长,并成为全球最大的芯片购买国和进口国。发展和增强该行业实力是中国政府的头等大事,因为许多新兴公司正处于初创阶段。

3 各地区的半导体行业收入

 

 

“在人工智能的背景下,我们需要考虑安全性。一般来说,欧洲企业处于有利地位:一方面包括安全要素,另一方面包括处理环境条件和安全层,就像车辆领域的情况一样。这两个方面都可以有成本合理的认证程序。”

——Maurice Geraets,恩智浦(NXP)半导体董事会成员

欧洲、中东和非洲。在预测期内,该地区的复合年均增长率将达到3.5%。数据处理一直是欧洲最大的终端用途类别,但金准产业研究团队预计未来两年内将被汽车行业超越。半导体对于许多行业和应用至关重要。欧洲企业在汽车、出行(铁路、航空)和工程等多个领域都处在领先地位。为确保在这些行业的领先局面,并促进人工智能等新应用的发展,欧盟应推广并保护其半导体行业。这包括研发设计、制造以及欧盟创业生态系统。

美洲。在预测期内,该地区的复合年均增长率位居第二,达到4.3%,主要由NAND闪存芯片市场的预期收益推动。在该地区,美国是许多领先半导体公司的所在地,拥有强大的创业生态系统。风险投资是该行业的有力支持因素。然而,美国政府最近否决了若干来自非美国公司的收购计划。

3.1学习机器的崛起

半导体行业的需求通常来自颠覆性的新技术推动。在1997年至2007年间,个人电脑的迅速普及推动了对CPU和存储芯片的需求,而互联网的广泛渗透推动了对以太网设备、网络处理器和专用集成电路的需求。智能手机时代始于2007年苹果手机的推出,这增加了对移动处理器的需求,而云计算的采用则推动了服务器CPU和存储的增长。

现在,人工智能很可能成为半导体行业又一个十年增长周期的催化剂。尽管人工智能许多引人注目的新用例将依赖于通过软件而非芯片实现的算法,但对即时计算、连接和传感的需求将会推动未来十年对人工智能定制半导体的巨大需求。

3.2人工智能与半导体带来的机遇

人工智能是计算机基于对数据集和预定义规则集的复杂分析来模拟智慧人类行为并作出决策或建议的能力。半导体有助于开发和加速人工智能的机会,从而成为推动该领域创新和人工智能增长潜力的关键因素。

人工智能的使用通常取决于三种算法:

机器学习(ML):使用算法分析数据,从中学习,然后对特定情况作出决定或预测。

深度学习(DL):一种基于分析和从特定数据集中学习的机器学习,与特定任务的算法不同。

自然语言处理(NLP):一种分析人机交互的方法,侧重于给计算机编订程序处理和分析大量自然语言数据的方式。

人工智能用例也可按照两种主要的实施类型进行分类:

培训系统:利用大量的数据集来学习如何开展特定活动,并不断进化学习算法本身。

推理系统:使用预定义的模型进行实时决策。

人工智能适用于几乎所有行业的垂直领域,对云和边缘计算所需芯片数量具有超强预测能力,并且对加速新算法的专业计算需求在不断增长,因而为半导体厂商创造了前所未有的机遇。

3.3人工智能驱动的行业增长预测

金准产业研究团队预计到2022年,人工智能相关的半导体市场收入将从目前的60亿美元增至300亿美元以上,复合年均增长率接近50.0%。虽然人工智能驱动的用例会随着时间的推移逐步渗透到每个行业领域,但人工智能的使用将取决于技术投资的规模、技术开发的速度以及实现其效益的速度。

为推理系统提供动力的半导体市场可能仍然是分散的,因为每一个广泛变化的潜在用例,例如面部识别、机器人、工厂自动化、自动驾驶和监控等均需要定制解决方案。相比之下,培训系统将主要基于传统CPU、GPU和现场可编程门阵列(FPGA)基础设施及ASIC。

汽车。仍是市场潜力最大的一个细分市场。金准产业研究团队预计在2022年,ADAS和自动驾驶辅助用例将会带来40亿至47亿美元的收入(见图4)。这其中包括基于推理的系统,用于汽车和边缘计算的自动驾驶和安全辅助;以及基于训练的系统,用于交通规避导航。两者的相对规模将决定需求增长最快的半导体类型——用于边缘计算的GPU和ASIC,以及用于云计算的GPU和FPGA。

金融服务。我们相信,此细分市场将会带来40亿至45亿美元的收入,主要来自交易身份认证和智能投资组合管理的用例。与汽车行业一样,金融服务可能会根据用例实施推理和培训系统。基于认证的用例将在很大程度上依赖于边缘计算的基于推理的人工智能,主要用于智能手机上的面部识别和通过移动CPU或专用人工智能半导体的指纹检测。基于培训的人工智能将主要用于分析海量数据集,以识别智能投资和投资组合管理的趋势;这些活动通常驻留于云端,因为需要基于CPU或GPU基础设施的大量计算。

工业。可能是所有行业中机遇最小的,介于15亿至20亿美元之间,主要来自制造业优化和主动式故障检测。这是因为这些应用非常重视能否利用现有基础架构的培训系统,因此不太可能需要业内最佳的计算能力和更低的延迟。此外,由于工业部署和客户更新周期更长,因此该领域从人工智能获得的收益可能需要比其他行业更长的时间。

3.4汽车行业中的人工智能

汽车行业在电子元件上的开支可谓庞大,在如何利用人工智能加速创新方面进展迅速。到2022年,全球679亿美元的汽车电子元件市场中,人工智能在信息娱乐领域的影响将最为明显,达到85亿美元,ADAS为129亿美元,安全应用57亿美元。

信息娱乐系统将会用于个人辅助、导航和娱乐。苹果的Car-Play和谷歌的安卓汽车平台已在市场上脱颖而出。

ADAS和安全应用将聚焦驾驶员辅助和自动驾驶,主要通过汽车制造商的专有解决方案(如通用汽车巡航自动化解决方案)或广泛可用的平台(如英特尔的Mobileye和辉达驱动)。到2022年,这些人工智能应用的组件将会集中于传感(光电子学和非光学传感器)、计算(ASIC、ASSP、通用逻辑和微组件)及存储(存储器)领域,可用市场达到208亿美元。模拟和分离组件将是整体解决方案的一部分,但并非人工智能应用的主导因素。

在这些组件中,人工智能注入的逻辑元件将设计用于ASSP、ASIC和微组件,而存储器、光电子和非光学传感器将作为辅助组件来支持整个子系统的设计。到2022年,ADAS、安全和信息娱乐中人工智能芯片的市场预计达到40亿至47亿美元,约占这些应用领域总市场的19.2%-22.6%。

人工智能在自动驾驶汽车中的使用将取决于汽车的自动驾驶能力,根据正常操作所需的人工干预量,通常分为五个级别。

0级不涉及自动化。在1级和2级,ADAS提供自动刹车、稳定性控制和巡航控制。3级在某些情况下包括自动驾驶,而在4级和5级,驾驶是完全自动的。

4级和5级,自动驾驶子系统必须利用其所有组件在通常情况和特殊情况下提供帮助,完全消除对驾驶员甚至方向盘的需求。摄像、雷达和激光雷达传感器必须能够探测并避开物体。信息娱乐模块充当导航、传感器控制和语音命令的主要数据传输源。最后,核心自主平台发挥人工智能推理系统的作用,用于实时计算和作出关键的安全和导航决策。

对于依赖于学习系统的任务,包括实时路线导航、个性化信息娱乐推荐和数字语音辅助,车载连接功能会将请求发送至云端。人工智能定制化的云基础设施将运用人工智能算法优化这些用例,通常由公共云供应商、或由汽车制造商或服务提供商管理的数据中心掌管。

3.5人工智能解决方案堆栈

新型创新型人工智能产品或服务将会改变已知世界。虚拟助理能发起拟人电话呼叫并在餐馆订座,人们已经对此醉心不已。但为了更好地理解人工智能机遇能够一展拳脚的领域,我们必须更深入地研究人工智能技术堆栈的底层组件,即构建应用程序的脚手架。

在金准产业研究团队预计看来,人工智能技术堆栈由五个元素或层组成:硬件、库、框架和工具、平台及应用与服务(见图5)。由于对人工智能的大部分注意力集中于人工智能带来的客户体验上,所以从应用程序和服务开始讲起是合乎逻辑的。这是解决方案堆栈的最顶层。此处,最可感知的人工智能功能,在应用级别集合在一起,例如亚马逊的Alexa虚拟助理和苹果的人脸识别。其中部分功能也作为服务提供,例如嵌入软件的推荐引擎。

堆栈元素

描述

应用和服务

利用人工智能实现“智能”的软件应用,包括视觉处理、聊天机器人客服、智能助手和算法交易。

人工智能平台

现成的架构模块和服务,可提供机器学习、数据分析、NLP、代理、数据解决方案等可用于构建人工智能应用的功能。

人工智能框架、工具和接口

利用底层机器学习算法为特定应用设计、构建和训练深度学习模型的技术。许多是开源技术,并得到广泛支持。

人工智能库

低级软件功能,帮助优化人工智能框架在特定目标硬件上的部署。

人工智能硬件

处理器单元和半导体逻辑电路,其设计和优化旨在加速人工智能工作负载和计算的执行。

但是,没有深层可重用组件来提供核心功能的应用是什么?这其实是平台层的任务。已有若干公司正在生产人工智能平台,承诺无需处理复杂的算法和深层动态神经网络(DNN)便能构建具备人工智能功能的应用。

这些公司已经建立平台,旨在提供“随时能用”的构建模块和软件服务,即基础人工智能功能,如NLP、代理和决策引擎,这有助于加快人工智能应用程序和服务的开发。示例包括:

雨鸟技术(Rainbird Technologies)。雨鸟技术推出以软件即服务为基础的人工智能平台,旨在提高业务运营的智能化。它提供一个以规则为基础的自动化决策引擎,能够支持执行复杂的任务(如作出预测、建议和业务决策)。它还捕捉平台作出某些决策的依据,这对审计十分有价值,特别是在受监管的行业。

语义机器(Semantic Machines)。这家总部位于加州伯克利,最近被微软收购的初创企业开发了一个基于机器学习的基础技术平台,使用户能与信息系统毫不费力地互动。此类称为“对话式人工智能”的方法有望对我们在电子商务网站上的交易方式、与社交媒体的互动方式,甚至日常使用生产力软件和设备的方式产生深远的影响。

堆栈的中间部分(人工智能框架、工具和接口)允许开发者设计、构建和部署实际的模型和算法。独立软件供应商(ISV)正在为开发者提供人工智能框架、工具和接口,以便使用深层人工智能算法为特定用例构建深度学习模型。其中一些框架也是开源的,有利于其得到广泛采用,并得到人工智能生态系统中大多数参与者的大力支持。

堆栈的底部两层由硬件(处理器、逻辑电路和运行人工智能软件的其他组件)及人工智能库组成,这些基本属于低级软件功能,有助于优化底层硅芯片集的人工智能模型和算法。我们期待传统半导体供应商(如英特尔、辉达、高通和赛灵思)提供用于加速此部分堆栈人工智能用例的优化硅芯片。这些公司还可能提供需要的人工智能库,促进其专属架构的开发和逐级采用,进而帮助在其硅产品上部署人工智能框架。人工智能库示例包括:英特尔 DL SDK/Vision SDK、辉达cuDNN TensorRT和安谋(ARM)NN。

有一点正变得日益清晰:硬件层可以说是这种人工智能解决方案堆栈中最有趣的部分。关键原因有两个:首先,人们日益认识到人工智能要求其深层硬件具备独特的处理能力,这导致了选择最佳处理架构的新一轮竞赛——哪种架构将会胜出,是GPU、数字信号处理器(DSP)、FPGA还是定制ASIC,仍有待观察;其次,开发人工智能硬件的参与者数量日益增加,超过了传统芯片制造商以往的名单,这可能会威胁到老牌供应商,并显著改变其市场地位。

6 对人工智能机遇的高度期望反映在一系列产品中

 

四、人工智能芯片的新兴战场

人们对人工智能领域半导体市场机遇抱有很高期望的一个明确标志是,每个主要供应商均在提供人工智能硅。最常见的目标应用是ADAS、无人机、监测和计算机视觉。

这些应用架构在选择上差异巨大,包括一般用途CPU、DSP、GPU、FPGA和定制的ASIC等(见图6)。不出所料,大多数供应商对人工智能硅架构的选择与其核心能力或优势领域密切相关。例如,赛灵思的Zynq MPSoC是其FPGA产品的可定制变体,辉达的大多数产品也均基于其核心GP-GPU架构。

另一方面,供应商(如恩智浦和意法半导体)大多提供人工智能特定加速和扩展,以增强其现有产品组合而非人工智能特定芯片的能力。

另一个差异是,IP许可供应商安谋和益华(Cadence)提供软CPU和DSPIP核心,前提是未来人工智能处理器将嵌入至ASIC中,而非由专门用于人工智能工作负载的独立运行芯片处理。软CPU和DSP IP核心的模型使硅供应商获得人工智能软核心的许可,得以开发针对其人工智能应用的芯片。与此同时,财力雄厚的供应商(如英特尔)正在对各种不同的架构(CPU、FPGA和定制ASIC)进行广泛投资,旨在满足不同的处理需求。

我们观察到的另一个区别是公司是否生产专门为培训或推理系统设计的芯片。英特尔和辉达面向培训或推理市场提供的芯片集最为多元。英特尔的Arria 10 FPGA和Myriad X ASIC专为推理工作负载而设计,而其Nervana NNP则最适用于培训。同样,辉达生产的Pascal和Volta芯片适用于培训工作负载,Maxwell则用于推理。

两家公司均制造芯片,英特尔的Loihi NMP和辉达的Tesla,都是为了在各自的应用中实现良好的运转而设计的。我们认为并无哪种方法适用于所有情况;根据待分析的数据源类型、数据重力考虑因素和实时处理需求,每个用例的最佳方案可能各有不同。

4.1定制方案

在这一系列的创新中,一些公司可能会尝试开发定制芯片来传递人工智能“圣杯”,即性能卓越,功耗和成本低于第一代引入的任何标准架构。这场架构之战可能会延续到可以预见的未来,我们认为现在宣布赢家还为时过早。定制芯片的整体性能可能是最佳的,但如果只能处理非常有限的应用程序集和用例,则可能无法实现其经济价值,因为由此导致的较低产量可能无法证明前期开发所付出的成本是必要的。

数家非传统芯片制造商已加入这场“军备竞赛”,争夺人工智能半导体的优势地位,并为其特定人工智能需求而设计的定制芯片试水(见图7)。我们在顶级公有云供应商(特别是亚马逊、谷歌和微软)中看到一种显而易见的趋势——所有这些供应商都在探索定制人工智能芯片作为GPU和FPGA的替代产品,以便在云端产品的性能和成本方面获得竞争优势。亚马逊最近宣布为其边缘计算家用设备Alexa开发人工智能芯片;微软正在为其全息透镜智能眼镜开发人工智能芯片;2017年,谷歌推出了用于神经网络的张量处理单元(TPU),声称在类似的工作负载下,TPU的性能比CPU/GPU芯片高15至30倍,性能功耗比高30至80倍。

包括苹果、三星和特斯拉在内的几家公司正在开发自己的人工智能硅,并根据其产品要求量身定制。苹果为iPhone XR和iPhone XS智能手机引入A12仿生芯片。该产品包括用于面部识别和动画表情符号应用程序的神经引擎,以及计算摄影和像素处理功能的影像处理器。

鉴于公有云供应商和产品公司纷纷开发自己的定制硅,用于优化自身应用程序和用例,争夺人工智能优势地位竞赛中出现的重大转变必然会威胁到传统芯片制造商(如英特尔、辉达和赛灵思)的市场地位,并有可能颠覆其传统商业模型。尽管 有定制活动,我们预期GPU和FPGA将继续在云端共存,以加速人工智能工作负载。近期,鉴于开发新型硅设计需要大量投资和资源,且这种方式要实现盈利需要达到高销量,大多数应用程序将通过商用硅产品提供服务。

4.2人工智能初创企业的前景

半导体制造商必须抗衡的另一个趋势是庞大的初创企业队伍,这些初创企业正在开发针对人工智能优化的革命性新型芯片架构并将其商业化。关键问题是,这些年轻的公司是否会对现有企业构成威胁,抑或甚至能够把握机遇超越其他竞争对手并在人工智能领域胜出?

利用人工智能前景的热潮正在引发解决方案堆栈领域的大量创新。近年来,对人工智能初创企业的风投基金大幅增加,2017年对人工智能和机器学习公司的投资达到创纪录的110亿美元。不出所料,这种行动有很大一部分发生在堆栈上层的软件和算法领域。初创企业在该领域构建专注于特定人工智能用例的可扩展平台,并寻求开发能够集成到现有应用程序中的人工智能软件,以使其更智能化。

堆栈底层同样能引起人们巨大的兴趣和兴奋之情,越来越多的初创企业在瞄准新型硅架构,将其优化来满足人工智能工作负载带来的独特处理需求。我们对风投基金的分析显示,人们对半导体初创企业的兴趣有所回升,2017年,半导体初创企业吸引了近7.5亿美元的风投资金,是前两年所获资金总和的三倍多,也是2015年前所有投入人工智能芯片初创企业的资金的12倍。

如图8所示,前19家人工智能半导体初创企业中有11家位于美国,且大多数均在探索针对各种人工智能和深度学习工作负载专门定制的处理器架构。其中9家正在构建深度学习处理器,三家正在开发所谓的神经形态处理器,该处理器基于超前的全新架构,试图模仿人脑的运行方式。

7 加入人工智能竞赛的其他参与者

 

8 人工智能初创企业获得的风投资金正在增加

 

 

值得注意的是,其中只有少数公司拥有战略投资者,最活跃的战略投资者为英特尔和三星。事实上,英特尔已收购Movidius和Nervana,并已开始将这两家公司的产品集成到自己的人工智能布局图中。值得注意的是,辉达缺席战略投资者名单,该公司反而在堆栈上层利用风险部门向正在构建平台和应用程序的公司进行进一步投资。

迄今为止,人工智能初创企业获得的风投总额在早期阶段的A轮和B轮投资以及后期阶段的C轮和D轮交易平均分布。尽管大多数后期阶段的初创企业均位于美国和欧洲,但大部分早期阶段的企业位于亚太地区。

中国最大的初创企业包括寒武纪科技公司、地平线机器人公司、熠知电子和深鉴科技公司(DeePhi Technologies),迄今为止它们共筹集3亿美元的风险投资,前两家公司约占投资总额的三分之二。

据迄今为止的分析,我们相信制造最好的人工智能硅材料的竞赛才刚刚开始,竞争将十分激烈,难以预料未来会对现有企业造成什么样的影响。每一家希望在这一竞争激烈的领域大展身手的半导体公司都必须从现在开始着手准备,然而只有时间才能告诉我们谁是最后的赢家。

4.4抓住人工智能机遇

历史表明,尽管半导体公司从颠覆性增长周期中获利颇丰,但无论是将超出芯片本身的新技术货币化,还是对这些技术支持的新商业模式进行扩张,它们仍有很多次未能获得每个周期全部价值的应得份额。

几乎可以确定的是,人工智能的崛起会成为未来十年半导体行业最强大的驱动力。正如我们的分析显示,现有企业和初创企业都在努力开发驱动人工智能的硬件。但是它们能否充分把握住这个机遇?它们能否跳出从开发和销售人工智能芯片中获得利润的模式,转而全身心参与到人工智能革命中?

我们相信他们可以,但若要做到这一点,他们必须深思熟虑以重新评估其人工智能战略和商业模式,精心设计其技术和产品战略,并深入了解如何在整个人工智能生态系统中发挥其作用。以下是公司在准备应对人工智能带来的变化并充分利用这一机遇时需要考虑的若干关键因素和建议。

战略和商业模式。制定公司的人工智能愿景,然后利用这一愿景更好地理解需要关注的核心领域,至少在竞赛的早期阶段应当如此。这主要包括探索新的方法将公司资产和专业领域货币化。能否利用数据?能否提供相关服务?该方法还将告诉我们如何更好地发展当前的投资组合,使其变得与人工智能更相关、更适用,同时与总体战略保持紧密一致。以下是公司可以选择聚焦的三个领域:

增长细分市场:在利用公司现有市场并提供巨大增长潜力的细分市场中,识别并瞄准新型人工智能用例,例如ADAS和物联网。

硅之外的货币化:探索人工智能特定知识产权许可机遇或提供可货币化的人工智能相关服务的机遇,包括托管人工智能服务化和匿名人工智能用例数据,用于改进培训系统和算法。

产品组合:仔细评估在何处下大赌注来构建新型人工智能功能,而非进行增量投资来增强当前投资组合中人工智能的适用性。

技术和产品供应。鉴于芯片的具体用例,为芯片选择正确的技术和架构至关重要,但公司也必须确保所选择的技术路径在人工智能堆栈的其他地方能够得到支持。一种行之有效的方法是,定义产品供应,以广泛地包含人工智能库、工具包和堆栈中的其他软件元素,但是公司必须确定究竟是自己构建所有元素,还是将产品与技术合作伙伴的元素整合。公司可以通过以下几种方式侧重于产品:

不断进化的硬件架构:探索具有定制架构的设计,例如神经形态处理和子系统设计,这些都是为了通过独特的自学功能来加速深度学习算法而定制的,例如通过集成逻辑和内存功能。

人工智能库和工具包:尽可能为产品组合中的现有产品开发软件开发工具包(SDK)和编译器,以优化和加速人工智能算法。

全栈产品:与合作伙伴合作,在硅、平台、工具和人工智能库方面提供全栈解决方案,使应用程序的开发和差异化轻松易行。

合作伙伴关系和人工智能生态系统。对上述人工智能解决方案堆栈的深入研究清晰地表明,人工智能的成功在很大程度上取决于建立一个完整的合作生态系统,无论是通过技术联盟,还是作为企业将产品推向市场。为推动长期增长,聪明的参与者应识别并有效利用生态系统来缩短上市时间,制定高效的销售策略以进军特定的垂直行业或应用,并评估战略合作伙伴关系和投资,如合资还是收购。以下是一些可供公司探索的选项:

许可:通过授予来自第三方供应商,如安谋、思华(CEVA)和铿腾(Cadence)的知识产权核心的许可,探索既可降低风险又能加快人工智能专用产品开发的选项。

合作伙伴:与整个堆栈中的竞赛者建立新的战略伙伴关系,推动自身人工智能芯片和解决方案的采用。

战略投资:考虑投资于人工智能初创企业,增强与核心业务相一致的用例功能。

4.5行业数字化

半导体行业自问世以来一直是数字化的先驱,提供数字化服务并追求新的数字商业模式。例如,在上世纪70年代,英特尔出售芯片测试设备的收入即超过其出售芯片本身的收入。上世纪80年代,随着数字设计和仿真工具以及通信技术的普及,无晶圆厂和铸造模型涌现出来并颠覆了当时盛行的整合元件制造商(IDM)模式。后来出现了纯粹的知识产权竞争,高通、安谋等公司纷纷效仿,进一步侵蚀了半导体价值链。

如今,其他行业,尤其是汽车行业在数字化方面明显超过了半导体行业。这不免令人啼笑皆非,因为汽车制造商自身在数字化方面的成功很大程度上来自于半导体行业产品的支持。对半导体公司而言,现在比以往任何时候都更需要考虑如何最好地利用数字化,以及找到最有利于其组织发展的机遇。

在考虑数字化的最佳推进方式时,芯片制造商可以衡量三大战略(数字化产品和服务、数字商业模式和数字半导体价值链)。请注意,所有这些策略都必须得到可靠数据和分析技术的支持。

数字化产品和服务。我们看到半导体公司在实现产品和服务数字化时有三个选择:数据货币化、增强和定制(见图9)。数据货币化允许半导体公司利用自己或他人设备产生的大量数据;增强后产品和服务通过人工智能或整合其他产品或服务,来丰富公司的现有技术;定制化通过更高的精度和效率为客户带来额外的价值。

9 半导体公司的数字战略

 

 

数字商业模式。我们看到半导体公司可以选择五种创新的数字商业模式(见图10):

1.剃刀与刀片:企业可以利用该模式,以较低的利润率提供核心产品(如计算架构),然后开发一种附加产品(如云平台服务)。此类产品依赖于该架构,但利润更高。未来,半导体供应商可以向云端服务供应商出租设备,从而实现硬件利用的货币化。

2.平台:公司可以通过促进芯片制造商和客户之间基于数据或硬件的交换创造价值。这有利于平台参与者,并允许创办人影响标准,增加竞争对手的转换成本。

3.开源:利用这一机遇,半导体公司可以创建一个平台,允许客户构建定制化的开源芯片。这有助于与第三方共享软件源代码和集成电路设计,从而分摊研发成本并缩短上市时间。

4.XaaS(一切即服务):半导体制造商可以使用该方法,围绕基础设施、硬件和软件开发来创新服务,例如提供计算即服务等。由此,硬件和功能更新可以作为服务计费。

5.市场:发展双边市场,使用人数的增多可以产生积极的网络效应,从而增加价值。市场可以包括基于云的算法即服务,例如共享人工智能培训数据等。客户可以通过通用接口访问算法,开发者则可以上传新的算法和模型来丰富市场。

10 半导体公司的创新商业模式

 

 

数字半导体价值链。半导体企业可以通过对端到端的纵向和横向价值链进行数字化来获得巨大利润,不仅可以利用新的人工智能驱动的能力,还可以充分利用它们提供的其他数字机会。图11显示公司应该考虑采取的若干措施。

总而言之,半导体公司应考虑通过所有三种数字战略所能获得的各种机会(见图12)。

运营。除了可以用来提高收入的各种数字战略外,芯片运营商还可以考虑通过应用人工智能和机器学习改善运营来提高收益的机会。选项包括:

中央控制塔:可以让公司始终实时详细了解所有供应链环节和运营(包括供应商和客户的运营)。公司可以设计用于虚拟控制室操作的仪表板,并为关键利益相关者提供可视化。

生态系统感知:使用人工智能从供应商和客户生态系统收集数据和见解,识别最相关的信号,从而指明下一步的机会,并为采取的应对措施提供建议。

人工智能辅助的长期/短期需求预测:收集来自生态系统的需求信号,如大型企业采取的行动、来自供应链的信号和相关新闻等,并分析其对改善实时生产组合和供应调度的影响。

人工智能辅助的设计和调试:使用机器学习系统为集成电路设计解决方案提供建议,识别潜在的错误设计元素,并实施更高效的产品设计分支。

制造工艺优化:将工厂控制中心设在远程设施或办公空间旁边,以提高学习和响应能力,从而通过分析生产设备的传感器日志和相关事件来提高设备效率。此外,还可以使用计算机视觉工具来发现故障群。人工智能也可以支持释放在前端和后端的晶圆批次。

半导体公司如果希望受益于进一步的数字化和人工智能发展机遇,就应通过以下经过深思熟虑的步骤有系统地前进:第一步,探索和学习。公司必须选择合适的机会,通过试点项目进一步理解和开发新的用例和产品。第二步,建立能力。公司应识别现有和所需要的能力,然后建立缺失的能力。随后需设计并推出数字转型计划,以实现新的能力。第三步,扩大规模,进一步发现数字机会和相关用例。这之后,公司必须确定将这些机会融入到新数字组织的路线图。企业也必须利用新的功能集和组织来确保新产品开发和引进的顺利实施。

11 价值链中的各种机会

 

4.6产品和服务的数字化

数据货币化——人工智能辅助的集成电路设计服务

产品定制——按需芯片

数据货币化——处理服务

增强型产品——人工智能辅助的集成电路集成服务

增强型产品——物联网平台集成

增强型产品——设备运行

总结

显然,未来几年甚至几十年,半导体公司获利概率仍然较高。在截止到2022年的预测期内,金准产业研究团队预计在全球所有市场中,半导体市场将持续快速增长,达到5,750亿美元。

2022年,七类元件中的内存芯片将继续占据最大的市场份额,大部分增长由云计算和智能手机等终端设备的虚拟现实所推动。

此外,全球经济的乐观前景表明,到2022年,以汽车和数据处理市场为主导的应用市场或将继续增长。带动这些细分市场的将是人工智能相关芯片的需求。

能够最大限度利用这一增长并充分实现其市场潜力的半导体公司很可能会是那些能够把握人工智能机遇的公司。随着新兴初创公司和科技界其他领域参与者加入竞争,争夺市场的竞争只会日益激烈。除了提供芯片之外,半导体公司还必须找到合适的方法,实现新技术的货币化以超越实际芯片本身,或者拓展由这些技术支持的新商业模式。采取此类行动的公司将会繁荣发展,反之则会被更敏捷的竞争对手超越。

 

金准产业研究 5G网络安全研究报告 2019-07-17 19:07:39

前言

5G(第五代移动通信技术)时代,移动通信不仅为全世界数十亿人提供高速连接,构建新的互联网形态,更将成为万物互联的新型关键基础设施。工业互联网、车联网、智能电网、智慧城市、军事自组织网络等都将构架在5G网络上。5G安全得到世界各国的高度重视。金准产业研究团队结合360在5G网络安全方面的研究,对当前已有的5G网络安全研究成果和3GPP相关标准进行了梳理。

整体来看,5G通过增加和改进安全特性,在网络安全上有较大进步。5G消灭了基于手机用户识别码IMSI)的用户非法定位威胁,增加了用户数据的完整性保护,有效降低了漫游区欺骗风险,增强了运营商之间连接的安全性,提升了物联网抵御DoS攻击的能力,兼顾了低时延业务的可靠性和安全性。5G的这些安全特性的设计,对于提高未来网络和应用的安全具有重要作用。但是,其有效性和完备性,需要接受实践的检验。网络安全方案往往是“跟随型”的,需要等待新业务“定型”后,才能提供针对性的解决方案。

从目前的分析来看,5G安全仍面临着前所未有的更大挑战。短期内5G的安全特性难以发挥,并且伪基站问题将长期存在。另一方面,新技术带来新的安全挑战。比如,网络切片技术使得网络边界模糊,5G对用户位置隐私的保护提出更高要求,低时延业务扩大了网络安全的攻击面,5G在促进物联网发展的同时,也会成为黑客攻击的重点目标。为此,5G的网络安全技术,需要产业界、网络安全企业和政府主管部门共同努力,继续加强研究和应对。

一、5G网络安全特性

1.1增强了对用户唯一标志符的隐私保护

5G中手机的用户唯一标识符SUPI(传统3G/4G中的IMSI),通过公私钥加密的方式加密为SUCI,只有运营商可以解密手机的真正的身份信息,因此追踪手机用户的非法追踪设备将失效。

1.2增强了归属地网络控制力降低了漫游区欺骗风险

鉴权过程相比4G的鉴权,增强了归属地网络(home network)的控制力,避免了漫游区可能欺骗home network的一些风险。

1.3按需提供数据加密增加了用户面数据完整性保护

在4G以及之前的系统中,由于完整性保护算法会增加数据处理压力,增大时延,所以一直没有使用,仅仅对控制面数据做了完整性保护。5G对用户面数据,可按需提供空口到核心网之间的用户面数据加密和完整性保护。

1.4增强了运营商之间连接的安全性

5G能够避免一些恶意的运营商通过SS7公共信道和Diameter协议等通道,入侵其他运营商。

1.5通过选择性拒绝终端接入加强了防物联网DDoS攻击的能力

恶意物联网设备可以对网络发起分布式拒绝服务攻击(DDoS),消耗接入网接入信令,消耗鉴权请求信令,或者发起大量数据流量造成网络拥塞。为防御这类攻击,5G设计了一些安全方案可以选择性的拒绝恶意终端的接入。

1.6冗余传输安全方案兼顾了低时延业务的可靠性和安全性

低时延业务为提高传输可靠性,使用了一种冗余传输(redundant transmission)方式,就是在不同的信道上传输两份相同的数据,这可能会使安全算法失效。因此5G系统安全组为redundant transmission设计了新的安全方案。

二、5G面临的安全需求

第一,5G有新的应用场景,有增强移动宽带,低功耗大连接、低时延高可靠三大应用场景。

因此,5G不仅仅是速率变得更高,时延变得更低,它将渗透到万物互联的各个领域,与工业控制、智慧交通紧密结合在一起。所以,安全就变得尤其重要。

在这几大应用场景中,对增强移动宽带来说,它的安全挑战需要更高的安全处理性能,这时候用户体验速率已经达到1G;二是它需要支持外部网络二次认证,能更好地与业务结合在一起;三是需要解决目前发现的已知漏洞的问题。

对低功耗网络来说,需要轻量化的安全机制,以适应功耗受限、时延受限的物联网设备的需要;需要通过群组认证机制,解决海量物联网设备认证时所带来的信令风暴的问题;需要抗DDOS攻击机制,应对由于设备安全能力不足被攻击者利用,而对网络基础设施发起攻击的危险。

对于低时延高可靠来说,需要提供低时延的安全算法和协议,要简化和优化原有安全上下文的交换、密钥管理等流程,支持边缘计算架构,支持隐私和关键数据的保护。

新网络架构的挑战。

为了更好地支持5G应用场景,现在5G提出了以 IT 为中心的网络架构,会引入多无线接入、SDN、云计算、NFV 等技术。

对多无线接入来说需要统一的认证框架来解决 3GPP 体制和非 3GPP 体制接入的问题。比如无线 Wi-Fi 接入需要统一认证,在多接入环境下提供安全的运营网络。

SDN和NFV这样的技术引入,可以构建逻辑隔离的安全切片,用来支持不同应用场景差异化的需求。但这些技术个引入也对安全造成带来了巨大的挑战,由于它使网络边界变得十分模糊,以前依赖物理边界防护的安全机制难以得到应用。所以,安全机制要适应虚拟化、云化的需要。

这是5G新的网络架构,这个图是中国移动牵头的5G架构的SBA标准,5G把原来4G的物理网元进行了重新的分解和组合,通过服务和服务编排的方式来提高网络的功能,通过服务总线实现网元之间的逻辑接口。服务总线的开放能力和可兼容性使得网络具有很大的灵活性和可扩展性,可以支持不同的业务。

但这对我们的安全设计也会带来新的挑战,金准产业研究团队认为,我们也要适应这样的服务化、虚拟化、软件定义的变化,也就是说我们要提供安全即服务、软件定义的安全等能力。

5G网络会变得更加开放,相比现有的相对封闭的移动通信系统来说,会面临更多的网络空间安全问题。比如 APT 攻击、DDOS、Worm 恶意软件攻击等,而且攻击会更加猛烈,规模更大,影响也会更大。

针对这些5G安全的挑战,相关的 5G 研究组织,比如 3GPP、欧盟的 5GPPP 以及 NGMN 这些组织都进行了深入的需求分析。

三、六大5G网络安全挑战

金准产业研究团队认为,5G将要面对的,是更开放的网络链接、更深度的计算设备,以及更复杂的应用环境。核心网技术、低时延业务、大连接业务、网络切片技术、伪基站问题、用户位置隐私保护等六个方面的安全挑战。

网络切片,即按需组网,在统一的基础设施上分出多个虚拟的网络,适配各种类型的业务应用。

目前5G主流的三大应用场景:eMBB(大带宽)、uRLLC(低时延通信)、mMTC(大连接)就是根据网络对用户数、QoS、带宽的不同要求,定义的三个通信服务类型,对应三个切片。

对应的功能实体有CSMF(通信服务管理功能)、NSMF(切片管理功能)、 NSSMF(子切片管理功能)和MANO(管理和编排)。

CSMF:Communication Service Management Function,通信服务管理功能;

NSMF:Network Slice Management Function,切片管理功能;

NSSMF:Network Slice Subnet Management Function,子切片管理功能;

MANO:Management and Orchestration,管理和编排;

SLA:Service Level Agreement,服务等级协议;

NFVI:Network Functions Virtualization Infrastructure,网络功能虚拟化基础设施。

3.1短时期内5G可能沿用4G核心网,5G的安全特性仍停留在纸面上

由于目前还没有成熟的5G核心网产品出现,所以目前的试验网基本采用非独立组网的Option3模式。5G安全功能主要由高层协议实现,这意味着在5G核心网没有部署的情况下,很多5G安全特性还停留在纸面上。

3.2低时延业务扩大了攻击面

5G应用场景大致可分为三类,eMBB(大带宽)、uRLLC(低时延通信)和mMTC(大连接)。其中,4G网络面临的网络安全问题还将在eMBB中延续。低时延业务(uRLLC)扩大了网络攻击面。针对特殊垂直行业结合,5G使得以前难以实现的场景变得可行。在安全性方面,uRLLC会使原来不联网或相对封闭的网络连接到互联网上,这无形中扩大了网络攻击面。

3.3大连接业务使5G成为黑客攻击的高价值目标

金准产业研究团队认为,未来更多的关键基础设施和重要的应用,都会架构在5G上。所以5G会成为黑客攻击的重点目标,就会有更多黑客研究5G的脆弱性。网络安全的本质在于对抗,攻击力量越大,则5G就会面临更大的安全挑战。

3.4网络切片技术使得网络边界模糊

网络切片技术的引入,使得网络边界变得十分模糊,以前依赖物理边界防护的安全机制难以得到应用,给5G网络安全带来了巨大的挑战。

3.5伪基站问题仍然存在

5G时代,虽然IMSI已经被加密,但解决伪基站问题,仍然面临两大难题。一是广播信号签名体系不统一问题。二是公共警告消息不能签名加密问题。因此,伪基站在5G时代将仍然存在。

3.6对用户位置隐私的保护提出更高要求

5G时代网络运营商除了可以收集5G手机信号强度,还可以收集WiFi、蓝牙等其他信号的强度用来定位。因此,运营商和第三方业务服务商需要遵守用户隐私保护标准,保护用户隐私数据,是一个重大挑战。

当然,网络切片并不仅限于eMBB、uRLLC、mMTC这三类,运营商可以根据不同的应用场景将物理网络切出多个虚拟网络。所以切片越多,也意味着应用越多,网络价值越大,投资回报越高,相应的,安全风险也就越大。

可以确定的是,5G网络安全,对于保障物联网、大数据、人工智能与各大传统行业、实体经济深度融合,推动网络空间治理具有重要的意义。

5G消灭了基于手机用户识别码(IMSI)的用户非法定位威胁,保障了用户数据的完整性,降低了漫游区欺骗风险,增强了运营商之间链接的安全性,提升了物联网抵御DDoS攻击的能力……可以说是带来了很多正面的、积极的影响,对于提升网络安全可能有划时代的意义。

但实际上,5G的安全特性在短期内可能难以发挥其真正的实力。且不说5G技术的有效性和完备性,网络安全的方案很难保证“未雨绸缪”,往往都会随着实际业务的情况来定制针对性方案。金准产业研究团队认为,5G安全的面临的挑战,也是前所未有的,旧的问题尚未解决,新的技术又来挑战,5G在促进万物互联的同时,也许还会成为黑客世界的一场狂欢。

四、5G的现状

每一项新技术的出现,必然少不了“保皇派”和“维新派”之争,5G亦然。知名咨询公司麦肯锡在不久前就5G问题针对全球主要电信运营商进行了一次调查。

结果显示,对于5G,市场的看法分为截然不同的两派,一方认为5G的低延时、高载荷量有助于提高电信效率;而另一方则认为,多年来至今仍未有真正的5G落地,并且在商业化过程中可能存在的巨大投入,都将成为5G的阻碍。但一致的结论是,5G可能会在2022年左右达到高峰。届时,各家运营商将会大幅增加对5G的投入,但增速和增幅可能并不会太高。

 

目前,5G在世界各地呈现出了不同的境况。北美两大运营商Version和AT&T已经将5G投入商业化试点,至于他们闹出5G网速不如4G这种笑话暂且不提……另外两家T-Mobile和Sprint也联手打算在5G时代搞搞事情。另一边,欧盟地区对5G持非常谨慎的态度,这与当年他们引入2G、3G时截然不同。当然,欧盟自身的种种情况也确实制约了5G的发展(08年经济危机后欧洲经济增速放缓、欧洲市场规模小且分散、难以获得大规模投资等)。亚洲以十分迅猛的姿态紧随北美之后(看看华为引起的震荡大概就能了解),比如韩国已经在国内建成了5800多个5G基站。金准产业研究团队根据GSMA的《移动经济》报告显示,到2025年前,在澳、中、日、韩都带领下,亚太地区有望成为全球最大的5G地区。

综合来看,5G虽然已经出现,但因为“种种原因”,5G的大规模升级并不会在近两年内出现,而且地区将会成为制约其发展的一大阻碍。对全球各大运营商来说,当下的任务,可能更多是为5G作准备和规划。

五、5G的不确定性

市场将如何发展,最终还是要看投资方。就目前看来,5G的不确定性可能还不少。

金准产业研究团队认为,业界对5G改变世界信心十足,但5G能否真的带来愿意被广大群众所接受的改变还是个未知数。可以确定的是,若要大规模部署5G网络,那么必须重新架设网络基础设施(或者与其他运营商共用),这是一项非常大的开销,到目前为止也没有几家运营商表示愿意去自行建造5G设施,而且多数还希望找个非运营商的第三方来建造然后大家共用。5G设备可能存在的高昂花费,让很多人望而却步。毕竟,在一些运营商眼里,5G的赚钱能力依旧存疑(可能比4G好不了多少,而且还会带来巨大的风险)。

4G时代,我们已经见证了太多的网络安全事故,WannaCry、Petya的勒索肆虐,车联网、智慧城市不断爆出的安全隐患,网络威胁已逐渐从虚拟世界向现实靠近。金准产业研究团队预测,在即将到来的5G时代,科技发展带来的双面影响也必然随着实际应用不断显现,网络安全也可能会是另一番景象。

 

总结

整体来看,5G通过增加和改进安全特性,在网络安全上有较大进步。5G消灭了基于手机用户识别码(IMSI)的用户非法定位威胁,增加了用户数据的完整性保护,有效降低了漫游区欺骗风险,增强了运营商之间连接的安全性,提升了物联网抵御DDoS攻击的能力,兼顾了低时延业务的可靠性和安全性。金准产业研究团队认为,5G的这些安全特性的设计,对于提高未来网络和应用的安全具有重要作用。但是,其有效性和完备性,需要接受实践的检验。网络安全方案往往是“跟随型”的,需要等待新业务“定型”后,才能提供针对性的解决方案。

从目前的分析来看,5G安全仍面临着前所未有的更大挑战。短期内5G的安全特性难以发挥,并且伪基站问题将长期存在。另一方面,新技术带来新的安全挑战。比如,网络切片技术使得网络边界模糊,5G对用户位置隐私的保护提出更高要求,低时延业务扩大了网络安全的攻击面,5G在促进物联网发展的同时,也会成为黑客攻击的重点目标。

 

金准产业研究 鸿蒙系统两大核心技术分析报告 2019-07-16 14:14:36

前言

操作系统是软件行业的核心。PC时代,微软一家独大,是最大赢家。而到了移动互联网时代,安卓和苹果占据了手机操作系统市场,形成了双寡头格局。手美国制裁的影响,近期,华为加快推出了自主研发的操作系统“鸿蒙”。鉴于华为强大的技术能力和国产手机第一大厂商的行业地位,人们对鸿蒙系统的推出充满了期待。

一、鸿蒙系统两大技术优势

从目前已知信息,华为鸿蒙系统有两个核心技术优势,分别是微内核和方舟编译器。

1.1微内核的技术优势

要理解微内核,首先要明确什么是宏内核,宏内核是把所有系统服务都放到内核里,包括文件系统、设备驱动等。安卓系统就是宏内核。

 

宏内核和微内核系统的技术架构差异

但宏内核有着无法调和的矛盾,那就是随着操作系统越来越复杂,内核里面的东西也越来越多。这样会产生以下两个问题:

首先,操心系统代码量庞大,漏洞无法避免。以linux2.6内核为例,它有着超过1100万行代码,其中的潜在漏洞可想而知。

其次,大量服务、硬件驱动都在内核中,导致操作系统可扩展性差。由于所有系统服务都在宏内核系统中,要适应不同的硬件需要修改许多系统服务。这导致宏内核系统的适配性很差,尤其是在硬件规格差异极大的物联网终端上。

于是,微内核应运而生,其核心思想是简化内核,使内核成为一个只提供最基础的系统服务的东西,其他统统都放在内核之外。比如内核中只保留多进程调度、多进程通信(IPC)等服务。其他系统服务例如文件系统、POSIX服务、网络协议栈甚至外设驱动都放在了用户态中来实现。

华为鸿蒙系统采用的是微内核。相比于宏内核,微内核带来了以下五个优势:1)、高安全性。2)、高可靠。3)、高扩展性。4)、高可维护性。5)、支持分布式计算。

1.2方舟编译器

当前安卓平台的绝大多数应用是使用Java语言写的,但CPU只能理解汇编指令,因此需要一个虚拟机(Virtual Machine,简称VM)来把Java高级语言转换成机器能懂的语言。但是,VM的存在会导致程序运行变慢甚至卡顿。

华为编译器最大的优势在于,它绕过了VM。换句话说,通过方舟编译器,开发者的应用在下载之前就已经转化成为机器可以识别的代码,因而可以在手机上快速安装、启动和运行,而无需再经过VM的编译——某种程度上,方舟编译器是将编译过程提前到应用开发阶段,从而大幅度减少了智能手机和操作系统的运行负担。

 

现有安卓和方舟编译器的差异

按照华为方面的说法,采用方舟编译器之后,提升效果如下:EMUI9.1仅仅对系统组件System Server应用了方舟编译器之后,系统流畅速度提升了24%,系统响应速度提升了44%;第三方应用的操作流畅度提升了60%。

总之,方舟编译器的价值是提升了为安卓系统编写的Java代码的运行效率。如果华为要另起炉灶做新的操作系统,仍然需要第三方应用开发者做大量的代码重新编译。因此,金准产业研究团队认为,希望依靠方舟编译器实现新操作系统的无缝对接是不可能的。

另外,就算在安卓系统内,要想实现方舟编译器的理想效果,仍然需要一定量的代码改造。首先需要第三方的应用开发者采用方舟编译器对自家的App提前进行改造,从而能够上架华为应用商店。

二、如何战胜安卓

华为的鸿蒙系统比现有安卓系统具有一定的技术优势。金准产业研究团队认为,操作系统最重要的是整个生态系统的搭建,这需要大量第三方软件厂商、开发者和用户的彼此互动才行。

因此,华为鸿蒙系统如何依托技术优势搭建起战胜安卓的生态体系呢?对此,可以从操作系统的历史发展中寻找借鉴之处。

2.1 IBM和微软的操作系统之争:OS/2的失败

1981年,IBM发布了PC机,并开放了整个软硬件架构。那时,IBM是事实上的PC机行业标准。

然而,IBM最大的败笔是操作系统外包给微软等公司去做。微软逐渐在操作系统之争中胜出,成为几乎所有IBM兼容机的操作系统提供者。

后来,IBM逐步意识到微软的威胁,希望能够收回对操作系统的控制权。当时的IBM是PC机行业标准的制定者。有众多的软件厂商愿意追随它,在新推出的操作系统上编写软件。当时看起来,IBM有很大希望能够拿下操作系统的控制权。

除此之外,IBM的新操作系统还有一项微软没有的杀手锏:图形用户界面(GUI)。微软的操作系统MS-DOS采用输入指令方式操作,复杂难用。1984年,苹果率先推出了GUI操作系统,受到了用户的热捧。如果能够抓住机会推出用户都喜欢的GUI操作系统,将带给了IBM一个超越的机会。

 

终于,到了1987年,IBM推出了自己的首个操作系统OS/21.0,并在1988年推出了OS/21.1,采用了类似于Mac的华丽GUI。市场反应非常强烈,初始购买量猛增,OS/2似乎大有起飞之势。

然而,人们很快发现了OS/2的众多问题:

1)、OS/2许多基本功能都很欠缺。比如,OS/2居然不支持打印。

2)、虽然有许多软件厂商跟随IBM推出了基于OS/2的第三方软件,但是由于改写代码工作量庞大,众多软件厂商都没有选择跟进。

3)、IBM和康柏、戴尔等IBM兼容机厂商有直接竞争关系。新的OS/2试图强化IBM的控制权,其他IBM兼容机厂商都没有跟进IBM的OS/2,而是依然和微软站在了一起。

在经历了初期的热潮之后,OS/2并没有得到用户的认可,人们依然在购买微软的Windows。1992年,IBM发布了OS/22.0。OS/22.0系统强于同时期的windows, 拥有32位的操作系统,强大的面向对象的用户界面。然而,OS/2的生态系统依然嬴弱,销量不见起色。

等到1995年,微软推出划时代的Windows95,将OS/2彻底击败。微软的Windows95占据了超过95%的市场份额,苹果占据了4%,包括IBM的OS/2在内的其他操作系统仅占据了1%的市场份额。IBM的OS/2操作系统以失败告终。

2.2 IBM和微软之争的启示

IBM的OS/2失败带来的启示就是:后来者基本不可能颠覆掉一个已经构建完整的操作系统生态。

因此,我们判断在整个智能手机市场已经进入成熟期时候,推出一个新操作系统会非常困难。既然拥有更强大竞争优势的IBM仍然输给了原有操作系统霸主微软。那么华为鸿蒙系统用于手机操作系统,该怎样才能成功呢?

三、鸿蒙未来的机遇在哪?

3.1谷歌让如日中天的微软也黯然失色

在微软已经霸占了PC机操作系统的时候,后来者如何去做呢?谷歌给出了一个绝佳的答案:寻找新机会,弯道超车,成就自己的伟业。

2006年,中国提出“核高基”专项,重点之一就是操作系统,希望能够打破微软的垄断。一帮国内公司利用Linux为基础开发出了许多国产操作系统,如红旗、普华、中标麒麟、思普等,但都以失败告终。

与此同时,谷歌同样利用Linux在开发一套叫做Android操作系统。开发安卓系统的原来公司名字就叫做Android,谷歌公司在2005收购了这个仅成立22月的公司。

当时市场份额最高的手机操作系统是塞班(Symbian)操作系统。塞班系统创始于1999年,对手机配置要求不高,省电。金准产业研究团队根据Gartner的数据,2006年全球交付的智能手机数量达到了7290万部,运行塞班的手机占比高达70%。

 

2007年,苹果公司发布了iPhone,智能手机开启了新的时代。iPhone手机的大屏、可触控、上网方便和大量的第三方应用,极大地提升了用户体验,彻底颠覆了塞班系统。然而,苹果并没有开发自家的操作系统给第三方手机厂商,众多第三方手机厂商迫切需要一款能够提供类似iPhone体验的手机操作系统。

谷歌的Android恰好能够满足第三方手机厂商的这些需求,它不但能够提供类似于苹果手机的用户体验,而且Android是开源免费的操作系统,软件开发者可以自由开发需要的软件。谷歌还让android平台手机可以无缝结合它推出的其他服务,地图、邮件、搜索等。

2007年11月5日这天,谷歌公司正式向外界展示了这款名为安卓的操作系统,并且宣布建立一个全球性的开放手机联盟,该联盟里面包括了Google、中国移动、摩托罗拉、英特尔、高通、三星、意大利电信、西班牙电信、T-Mobile、德州仪器、博通、宏达、NTT DoCoMo等34家厂商。联盟里面包括了全球知名的手机制造商、软件开发商、电信运营商以及芯片制造商。这一联盟将支持谷歌发布的手机操作系统以及应用软件,将共同开发安卓系统的开放源代码。

2008年10月份,全球首款Android旗舰智能手机T-MobileG1首次正式上市。开放手机联盟成员Google,T-mobile、HTC共同促成了这款手机的诞生,显示出联盟的价值。而后,安卓智能手机迎来爆发式增长。连原来青睐塞班的摩托罗拉、索尼都纷纷抛弃了塞班,彻底投入了安卓的怀抱。在谷歌和众多合作伙伴的共同努力下,安卓很快成为了最主流的操作系统,最终占据了手机操作系统超过80%的市场份额 。

 

智能手机出货量及同比增速(按操作系统分类)

PC操作系统的霸主微软在此过程中是如何表现的呢?金准产业研究团队分析,从实际表现来看,微软在整个手机时代都是一路处于跟随者的地位。在塞班系统占据优势的时候,微软推出了手机操作系统Windows Mobile(简称为WM),基本按照Windows的PC版来设计,并将电脑软件导入到该系统。用户对此并不太认可,WM处于劣势地位,塞班凭借70%的份额处于市场领导地位。

iPhone发布后,微软发现WM不能满足需求,将其抛弃,研发了一套新的操作系统。然而,新操作系统姗姗来迟。直到2010年10月21日,微软才发布了Windows Phone(简称为WP)。此时,Android已经占据了明显优势,包括第三方手机厂商和软件厂商的生态布局已经成型。WP并没有取得多大进展,就以失败告终。

在手机操作系统的战争中,微软惨败给了安卓,基本错过了整个移动互联网时代。比尔·盖茨后来认为这是他一生中犯得最大的错误。正是他的管理不善,给了谷歌推出安卓系统的机会,让微软损失了4000亿美元。

3.2华为鸿蒙系统的未来在于物联网时代

通过操作系统的历史,金准产业研究团队发现:操作系统是一个赢家通吃的行业。后来者基本没有机会通过复制前者取得胜利。所以要想取得成功,必须像谷歌那样找新机会。

当前,整个智能手机行业已经进入成熟期,所以,智能机操作系统的机会已经不多,未来最大的机会在于物联网。根据孙正义的预测,2010年,平均每个人需要2个物联网设备,而到了2035年,预计每个人需要100个物联网设备,总的物联网设备数量将达到1万亿个。而物联网设备和手机有巨大的差异,需要新的操作系统的支撑。

 

物联网时代的设备连接将达到1万亿

之前,金准产业研究团队分析过华为鸿蒙系统采用的是微内核及其优势,目前来看,微内核系统的这些优势:高安全性、高可靠、高扩展性、高可维护性和支持分布式计算,对物联网设备非常重要,而且是宏内核系统无法满足的。因此,微内核系统很有可能成为物联网时代的操作系统。

随着5G的部署,物联网、人工智能、区块链为代表的新技术正加速融合发展。新技术的应用已经或者即将落地。华为鸿蒙系统已经蓄势待发,寻找新的应用场景落地,预计未来将首先在自动驾驶、工业自动化等场景应用。未来,华为鸿蒙系统的最大挑战在于构建开放的生态系统。从谷歌当年构建安卓开放手机联盟可以看出,一个开放的产业联盟对操作系统是至关重要的。在全球产业链一体化的今天,争取全球厂商的鼎力支持,将成为操作系统构建成功的关键。虽然华为面临着美国制裁的不利局面,但是只要它坚持开放共赢的精神,仍然有可能赢下新操作系统之战。

总结

金准产业研究团队认为,华为的新操作系统一曝光就赚足了热度,微内核和方舟编译器现在看来确实是两大先进的技术。但是,在微软和谷歌这两大巨头的阴影下,如果把目光仅仅瞄向安卓和windows这种操作系统一定是无法生存下来的。未来想要超越,一定是在某个新领域下的弯道超车,按照余承东的说法:“鸿蒙可以支持手机、电脑、汽车等设备,是一个大的操作系统。”说明华为已经在为即将到来的5G万物互联时代做布局,而鸿蒙OS或许就是这个生态的核心。

 

金准产业研究 车联网与移动传媒营销价值报告 2019-07-12 19:33:16

前言

网络音频超过传统调频广播,成为跃居第二的车载媒介类型。两种媒介未来长期共存的同时,用户的收听倾向还会持续向网络音频迁移。与广播广告相似的广告形式和广告到达的一致性推动音频营销的发展;网络音频的发展,尤其是用户对内容的自主选择,使得音频主播及节目内容的营销价值被放大;车载音频营销适应了时代的变迁,对广告行业也有巨大的意义。从用户基础看,车载音频的持续普及将推动车载音频营销的纵深发展;从投放策略看,全国性品牌广告是未来音频广告投放的重点方向;从广告营销模式上看,语音交互和互动性营销是音频平台探索的重要方向。

一、车载媒介产业链

1.1车联网高速发展下产业链进一步细化成形

中国车载煤介的产业链可以划分为支持体系、媒介体系以及硬件和服务体系。支持体系主要是内容生产制作和授权的参与者;媒介体系是用户直接进行内容消费的媒介平台,以及为其创造收入来源的广告方;硬件和服务体系是用户在车内实现车载媒介收听的渠道方式,涉及硬件、系统及服务等多方面的合作与支持。

 

1.2车载媒介发展现状

网络音频增速迅猛,传统广播小幅下滑

金准产业研究团队分析,从近年来活跃车载媒介用户收听的车载媒介类型看,伴随着网络音频自身的用户塔长和车载场景收听体验的提升,其已经超过传统调频广播,成为跃居第二的车载媒介类型,增速十分迅猛,而传统广播的听众群体固化,用户规模未能跟上国内私家车主数量的培长,因此整体呈现出小幅下滑的趋势。

 

 

1.3车载媒介发展趋势

两种媒介还将长期共存,但收听倾向将持续向网络音频迁移

同时收听传统调频广播和网络音频的的活跃车载媒介用户在行车途中两种媒介上花费的时间比例大致呈现出四六开。

金准产业研究团队根据活跃车载媒介用户未来的车载媒介收听倾向看,有50.6%未来会更多地听移动音频APP,有39.7%未来会更多地听传统调频广,因为这两种媒介未来长期共存的同时,用户的收听倾向还会持续向网络音频迁移。

 

 

二、车载媒介用户分析

2.1媒介收听内容偏好

相较广播,网络音频的用户内容偏好长尾式分布更加突出

无论是广播还是网络音频,音乐和新闻时政内容都是用户最为偏好的内容类型,这与声音的媒介形式的特征不谋而合。这也意味着网络音频能够在内容层面满足用户收听传统广播的媒介需求。

但由于广播电台不具备网络音频的主播规模和UGC的内容生产模式,因此广播的内容类型较为局限,和个性化丰富性的网络音频内容相比在细分类型上会有明显的缺失,因此网络音频的用户内容类型偏好更加呈现出长尾分布的格局,更加契合移动互联网时代用户基于个人兴趣爱好的个性化媒介内容消费习惯。

 

 

2.2网络音频收听动因

金准产业研究团队认为,网络音频的发展弥补了传统广播先天性的缺陷和不足。

用户收听移动音频APP的原因多种多样,但这背后大多都指向了传统广播先天性的缺陷和不足。如节目更丰富,选择更多样(41.0%);能够自主选择想听的节目或主播(38.8%)以及能够进行回听和重复播放(36.0%)。因此网络音频高速发展,迅速成为重要的车载媒介,是用户需求和体验升级下的必然结果。

 

2.3媒介收听认知

网络音频从内容到体验的各个方面都具有显著的优势

从媒介收听认知看,网络音频从内容到体验的各个方面相较传统调频广播都具有显著的优势。

尤其是网络音频本身可反复收听,收听内容具有延续性和自主选择性的媒介特征,使得其在收听时间灵活自由、节目个性化程度以及内容丰富性和针对性等方面具有极强的用户认知。

 

三、车载音频营销价值分析

3.1营销形式层面:广告形式的一致性

与传统广播相似的广告形式和用户触达一致性推动音频营销

从广告形式上看,网络音频和传统广播的音频广告形式十分类似,主要都有主播的口播植入式广告、节目冠名广告和中插硬广几种形式。在这两类车载媒介中,上述几种广告形式实现的用户触达(注意)都较为接近,主播的口播植入式广告和节目冠名广告是最容易触达用户的音频广告形式。

金准产业研究团队分析,相似的广告形式和广告用户触达效果的一致性能够推动广告主和媒介代理公司将现有成熟的传统广播广告的生产投放流程迁移到网络音频,推动车载音频营销的发展。而网络音频的创新营销形式,也会随着车载音频营销的发展,得到广告主的青睐。

3.2营销效果层面:用户广告认知

网络音频的广告更具正向的用户认知和评价

从用户的广告认知看,网络音频同样相较传统调频广播具有显著的优势。

6-7成的用户在广告效果的各项评估中选择了移动音频APP,从广告创意、吸引力和贴近性等多方面考量,网络音频的广告更具正向的用户认知和评价。

 

3.3营销拓展层面:网络音频的伴随延续性

用户收听的延续性和伴随式场景为营销提供更多的支持

根据用户调研,有64.3%的活跃车载音频用户还会在其他场景收听移动音频APP,乘坐公共交通的通勤路上(51.1%)、晚上睡前(45.5%)、体力劳动时(44.2%)以及运动时(43.4%)是主要的非行车收听场景。而在传统调频广播方面,根据CSM数据,非行车场景下的收听占比呈现出下降的趋势,从而更加突显网络音频的收听延续性。

用户收听的延续性推动了用户媒介使用粘性的成形,也体现了网络音频伴随式的媒介使用场景特征。金准产业研究团队认为,网络音频从行车场景延展到用户其他的使用场景,不同场景的差异性也为广告营销创意的发挥提供了更多空间和可能性。

 

 

3.4内容营销价值层面

音频主播及节目内容的营销价值被放大

传统广播时代,线性时间直播的媒介特征使得其广告营销还是以广播调频(FM)为主要投放单位。无论是投放节目的选择性上还是营销与内容贴近性上都有明显的局限。

而网络音频的发展,尤其是用户对内容的自主选择,使得音频主播及节目内容的营销价值被放大。一方面,音频主播和内容对用户的影响力扩张,尤其是头部的音频IP,能够辐射广阔的用户群体,并引导用户主动性的持续收听而非行车场景下的随意收听,广告营销变得更加可控可靠;另一方面,广告创意的实现方式与内容结合的形式也变得更加多元丰富,能够充分发挥广告的创造性,实现声音营销的推陈出新,百花齐放。

 

3.5行业层面

高效的广告投放与精准营销的实现

得益于互联网广告投放技术的成熟,网络音频的广告投放能够以更高效的方式进行,并基于设备ID、用户标签等实现精准营销。因此车载音频营销的发展和普及,从行业视角看,意味着基于声音媒介的营销进入到高效精准营销时代。对于广大广告主而言,声音的营销价值也会被其更加重视。

 

音频营销更加科学的广告效果测算方式

同样得益于互联网广告监测技术的成熟,基于网络投放的音频营销能够实现更加科学的广告效果测算方式,其中既包括常规的互联网硬广监测方式,如曝光、点击率、到达率及TA达标率的测算。而对于音频贴片广告而言,用户的设备往往在播放内容的同时处于静止闭屏状态,因此广告效果的评估测算一直是行业难题。但以喜马拉雅为代表的音频平台借助新的测算模型,更能体现有声贴片广告的效果。随着其在行业中不断被认可接受,音频营销更加科学的广告效果测算方式将成为其发展的重要优势。

 

营销手段的丰富性和多样性

与传统广播不同的是,网络音频的营销不是纯粹建立在声音媒介之上,而是基于智能设备交互与互联网传播的富媒体之上,这也就意味着网络音频的营销手段和选择性更加丰富多样。如前所述,金准产业研究团队认为,音频节目IP属性和主播主观能动性的提升,使得广告创意的实现方式与内容结合的形式大有可为,加上音频平台的营销创新实践,音频营销的未来将大放异彩。

 

四、车载音频营销发展趋势

4.1用户层面

车载音频的持续普及推动车载音频营销的纵深发展

在车载音频用户中,35.7%的用户仅会在行车场景下收听移动音频APP。而64.3%的会在其他场景收听的用户中,也有37.0%的表示先尝试在开车时收听移动音频APP。这意味着近6成的车载音频用户是在行车场景下开始了对网络音频的收听。车载场景对网络音频的重要性不言而喻。

未来随着车联网的持续发力,金准产业研究团队预测,大量新车型将预装车机移动音频APP,并支持苹果Carplay和百度CarLife服务投屏映射服务。车载音频有望在车主群体中得到进一步普及,而用户群体的增加,也将推动车载音频营销的纵深发展。

 

 

 

4.2投放策略层面

全国性品牌广告是其未来音频广告投放的重点方向

对于品牌广告而言,内容和营销的深度结合,主播和品牌的捆绑能够在品牌塑造和传递等多个方面具备独特的优势,加之网络音频遍及全国的用户覆盖,金准产业研究团队咨询认为全国性品牌广告是广告主未来进行音频广告投放的重点方向。

 

4.3音频硬广投放

人工为主,机器自动化为辅向二者并驾齐驱发展

从音频平台看,目前音频硬广的投放还是以人工的干预操作为主,机器自动化投放为辅。随着大数据的深入运用和用户标签的丰富化,机器自动化广告投放的权重将上升,二者将并驾齐驱发展。金准产业研究团队咨询认为,机器自动化投放也意味着更智能更高效的广告投放,以及广告效果层面更精准的数据反馈,将进一步促进车载音频营销的普及和发展,二者将出现共同发展,相互促进的共生之势。

 

4.4音频营销互动

语音交互将为车载音频营销提供广阔的想象空间

如何在车载媒介收听的过程中确保安全性的同时实现用户的便捷操作和交互,一直是行业发展面临的关键问题。而语音交互即是这一问题的最佳回答。与此同时,语音交互也将为车载音频营销提供更加广阔的想象空间,包括用户在广告收听过程中实现对设备的唤醒和更多信息的获取等,甚至语音交互本身就可以成为车载音频营销的一种手段或形式,为车载音频创造更多的可能性。

 

4.5音频营销模式

车载音频营销的互动性将是音频平台探索的重要方向

如前所述,和传统调频广播相比,车载音频的互动营销的潜力还有待挖掘。一方面,车载音频营销可以借鉴调频广播的经验,如以音频直播的形式,实现主播与用户的深度交流和沟通,并实现营销内容的软性植入,以及主播见面会,粉丝嘉年华派对等线下见面活动的开展,拉近主播与用户的距离;另一方面,车载音频营销还可以发挥其自身的技术实现优势,通过技术和营销创意的深度结合,开展创新多样的用户参与的互动活动形式,积极探索车载音频营销的互动玩法。

 

金准产业研究 人工智能时代企业管理者应用策略研究报告 2019-07-11 21:18:46

前言

过去二十多年,企业遭遇了颠覆性冲击。事实如此令人震撼:自2000年以来,数字化颠覆已令半数的《财富》500强企业从榜单除名。AI将让数字颠覆来得更加强烈。

这是因为,人工智能是一种经济学家所定义的通用技术(general-purpose technology)。而通用技术的影响通常巨大而且深远——我们不妨回想电力和内燃机的历史意义。通用技术影响不仅体现为对社会的直接贡献,还会通过溢出效应,激发广泛的互补式创新。正是由于电力的出现,工厂电气化、电信联络、以及随之而来的一切方才成为可能。内燃机则催生出了汽车、飞机、乃至现代化的运输和物流网络。如今,人工智能将以类似的规模影响整个社会。

一、何为AI

究竟人工智能是什么?回答这一问题并不像看起来那么简单。事实上,就连统一的“人工智能”定义也尚未出现。这是因为,从本质来看,我们所谈论的人工智能并不真的特指某项技术。

从实际层面出发,人工智能涵盖了一系列不同的技术,通过有效的组合,机器便能够以类似人类的智能水平展开行动。

我们并未像许多人那样,不断尝试去明确地描述人工智能,而是倾向于将此类技术视为一套能力框架。毫无疑问,这是了解人工智能、知晓其背后广泛技术的最佳方式。我们的框架以人工智能支持机器实现的主要功能为核心,其中包括以下四个方面:

 

人工智能支持机器实现的主要功能

1.1机器学习的威力

人工智能系统的学习能力至关重要。能够通过分析数据来决定完成任务所需的行动,而非按照明确的指令、以预先定义的方法行事,正是实现系统“智能化”、将人工智能与其他形式的自动化区分开来的关键。

一旦为最出色的人工智能系统设定出自我学习任务,我们就有望目睹非凡成果。谷歌旗下DeepMind公司开发的人工智能AlphaGo,已成为首个在高度复杂的棋类竞技中击败人类专业棋手的计算机程序。开发人员向AlphaGo传授比赛规则,然后展示了数千种人类之间的对局,由系统自行辨别制胜策略。其结果是:AlphaGo一举战胜了拥有传奇成就的世界围棋冠军李世石(LeeSedol)。

DeepMind并未就此停止其围棋领域的成功步伐。公司随后开发了更为强大的第二代版本——AlphaGoZero7,它可以单纯通过自我对弈来掌握获胜之道——完全无需观察人类棋手。不仅如此,AlphaZero作为人工智能更新迭代的最新版本,实现了更为长足的进步。AlphaZero已证明,能够和自己较量来学习国际象棋,并在短短四个小时内就超越了人类的技能水平。这项壮举真正令人瞩目的是,AlphaZero并非专门为下棋而设计。加拿大阿尔伯塔大学计算机科学教授、国际象棋系统专家乔纳森•谢弗认为,这或许便是该系统能够制定出非传统制胜策略的原因。AlphaZero以这种方式彰显出,“窄人工智能(NarrowAI)”又向“通用人工智能(GeneralAI)”迈出了重要一步。

这一过程就是我们所说的机器学习。麻省理工学院的埃里克•布莱恩约弗森(Brynjolfsson)和安德鲁•麦卡菲(McAfee)两位教授观察发现,其如此强大的原因非常简单。一方面,虽然我们人类非常善于从事任意种不同的活动,但我们并不总是明确知晓自身工作是如何完成的。例如我们可能会发现,识别另一个人的容貌很容易,不过我们很难充分了解这项能力的生理机制。因此,将该功能直接通过编码嵌入机器当中会十分困难。

而另一方面,机器学习使得设备可以完全自主地学会做好这项工作。实际上,识别大量数据中存在的模式,恰是机器学习的核心特长之一。

金准产业研究团队认为,机器学习是人工智能系统的核心。它可以从原始数据中学习,从而赋能于人工智能可见的出色表现,使其变得越来越普遍。无论是进行前瞻判断的预测系统、近乎实时解读语音和文本的自然语言处理系统、以非凡准确度识别视觉内容的机器视觉技术,还是优化搜索和信息检索,都依托于机器学习。

 

▲机器学习能力

相对于其他技术,机器学习的一项关键优势,就是对“脏”数据的容忍度——即数据中包含有重复记录、不良解析的字段,或是不完整、不正确、以及过时的信息。此类问题对企业来说关系重大:大多数高管都将非常清楚地认识到,应对脏数据将是他们工作中的一大痛点。

机器学习具备灵活性,可随着时间推移获得全新发现并做出改进,这意味着它能够以更高的准确性处理脏数据,并且由此拥有了极佳的可扩展性。在我们当前所处的数据大爆炸时代,后者正变得越来越重要。

机器学习的真正强项之一,便是可以使用不同的学习算法,包括监督学习、无监督学习和强化学习等类型。

监督学习。这种算法使用带有标记的数据集(数据已经过整理和描述),推导出每个标记代表的显著特征,并学习识别新数据中的这些特征。例如,向算法展示大量标记为“猫”的图像,然后它将学习如何识别猫的形象,并在其他任意数量、且完全不同的图片中发现猫。

无监督学习。这种算法使用的数据不需要预先定义标记。它采用不带标签的数据集,查找其中各条目之间的相似与差异,然后自行分类。比如,我们可以向算法展示大量其中包含猫和狗、但未加以标记的图像,而算法会在不知道哪些图像分别含有“猫”或“狗”的情况下,把具有相似特征的图像分类到不同的组当中。

强化学习。这种算法利用反复试错,形成“奖励”和“惩罚”的反馈循环。当算法得到数据集时,它将所处环境视为一场比赛,每次执行动作都会被告知是赢还是输。通过这种方式,它可以创建出一套方案——哪些“动作”能够带来成功,而哪些会造成反效果。DeepMind的AlphaGo和AlphaZero都极好地展示了强化学习的威力。

1.2人造大脑

那么,机器学习如何实际运作?最近许多非凡进步的背后,是一种受动物大脑机能启发、非常先进而精巧的计算系统形式在起作用。这些系统被称为神经网络(Neural Networks),它们支撑着当今最前沿的人工智能研究。

神经网络由一系列相互联系的“节点”组成,模仿了生物大脑中的神经元网络。每个节点在接收输入信息后,内部状态会出现改变,并相应地产生输出。接下来,该输出又形成其他节点的输入,依次传导。这种复杂运作能够支持一种非常强大的计算形式——深度学习(Deep Learning)。

深度学习通过多层处理来了解数据集中数据的重要特征。例如,它可用于图像和语音识别。使用神经网络,每个层级的输出为下一个层级提供了输入,其中每个层级都在不同的提取级别上运作。通过这种方式,深度学习系统可以比其他方法处理更庞大的数据集。

当数据科学家和其他人士讨论人工智能时,他们通常使用两个对比类别来阐明其含义:窄人工智能与通用人工智能,以及弱人工智能与强人工智能。

 

▲人工智能的两个对比

正确实施培训所需的,不仅是高级数学技能。产业化的机器学习是一种跨学科能力,融合了数据科学、工程学、用户体验设计与相关领域知识。单独依靠某项能力本身,都不足以满足需求。

 

▲产业化人工智能的跨学科能力组合

那么,分析法适合在哪些环节与上述能力加以结合?金准产业研究团队分析,问题应该是:人工智能应如何引入分析技术?如果我们认识到,分析法是通过分析数据来改进决策,就可以明确知晓机器学习和其他统计分析应怎样嵌入业务流程当中。毕竟,分析法的目的在于从数据中获取洞察——这与机器学习的目标非常相似。

分析法,连同支持它的各种机器学习算法,可基于所需洞察的深度,划分为不同复杂程度的几个层级。较简单的一个层级是“描述性分析(Descriptive Analytics)”——分析历史数据以了解发生了什么、及其背后的原因何在。与之相比,“预测性分析(Predictive Analytics)”更为复杂,它利用数据来预判将会发生哪些状况。复杂度最高的则是“规范性分析(Prescriptive Analytics)”,不仅可以做出预测,而且能提供应对之策。

1.3人工智能与机器人

一谈到人工智能,人们通常会先想到机器人和机器人技术。公众脑海中可能浮现出库布里克影片中的“HAL9000”机器人、阿西莫夫笔下的机械人,或是本田公司开发的可行走机器人Asimo。

在商业环境中,它既可以指利用工业机器人来实现制造或服务流程的自动化,诸如,汽车装配线,又可以指日益普遍的管理或服务流程的自动化,即,结合了数字和人工输入的机器人流程自动化(RPA)。

从严格意义上说,机器人流程自动化是为恒久不变的流程而设计的,所以根本不需要任何“智能”。例如,若是业务流程需要员工以标准形式,将数据从一个系统(比方一张纸)手工输入到另一个系统,就可以通过带有键盘敲击模拟功能的RPA系统轻松实现流程自动化。实际上,埃森哲已在某大型制造业客户的发票处理流程中应用了机器人流程自动化。其成果非常显著:耗时减少70%,工作效率提升30%,并且达到了100%的准确率。

不过现在,人工智能技术也正被持续引入新兴的“认知RPA(Cognitive RPA)”领域。这令流程自动化拥有了一定程度的可调空间,使其应用范围得以大大扩展。其中的典型实例包括,利用机器学习训练机器识别图像中的文本(被称为光学字符识别)。

实际上,埃森哲常常建议将机器人流程自动化作为开启人工智能旅程的理想起点。其原因在于,若想成功应用RPA技术,首先要详细了解哪些流程需要实现自动化;而这也是设计更广泛、更复杂的AI自动化解决方案的第一步。此外,为了确保现有流程(有时为次优方案)不是简单地以数字形式加以模拟,而是通过重新设计尽可能地充分利用人工智能,该举措亦不可或缺。

金准产业研究团队认为,我们必须认识到非常重要的一点:RPA和认知RPA技术不仅可以降低成本,还能增进流程的一致性和处理速度,并提供全天候运行、以及根据需求扩大或收缩流程的能力。请始终牢记,机器人流程自动化取代的是任务,而非员工。许多已采用RPA技术的企业都为员工重新部署了更具价值的工作——并且这些新工作的趣味性也大大超过了以往!

二、千载难逢的AI革命

AI并非全新创意,它由来已久。“人工智能”这一术语早在1956年便已问世。该技术的发展历史上曾出现过多轮令人欢欣鼓舞的高潮,但随后迎来的却是失望和长时间的低迷(这些阶段被称为“AI寒冬”)。以往的每一次技术突破都只是部分达到对其的瑰丽憧憬,而从未使这项技术成为主流。那么,这次有何不同?

当前出现的重大变化在于,我们正处于一个前所未有的时期——如此之多的不同领域都在展开技术创新。今天的人工智能应用软件可以利用云端几乎无限的处理能力;并且为特定任务定制设计的电脑芯片也在持续增多,此类芯片具备更高水平的计算效率和速度,其最主要的用途便是数据分析。这方面的典型实例包括,用图形处理器(GPU)代替中央处理器(CPU)使处理能力得到大幅提升。而谷歌已更进一步,其设计的张量处理器(TPU)的性能比当今使用的CPU和GPU高出达30-80倍。

如果再考虑存储成本的快速下降(每Gb从1980年的50万美元降至2015年的3美分)、可供训练人工智能的数据量呈指数级增长、以及开源平台和框架的出现,我们现已具备独特的条件来结合技术和能力。这一切都为人工智能提供了非常强大的基础,使其日益趋近主流应用的临界点。

从谷歌、亚马逊、脸书、微软,到百度、阿里巴巴和腾讯,几乎所有世界领先的技术巨头都极为关注人工智能。其他创业者和投资人同样热衷于此。超过半数的欧洲初创企业均以人工智能为焦点,而人工智能类业务的投资也通常会高出其他业务20%至30%。

然而,这并不意味着,人们对于人工智能何时迎来爆发点,已形成普遍共识。而且我们也无法断定,是否可以很快看到通用人工智能(而非窄人工智能)的出现。一方面,牛津大学和斯坦福大学面向350位专家进行的一项调查得出结论:45年内,机器在所有任务中都能胜过人类的可能性为50%。另一方面,艾奇奥尼教授(Etzioni)2016年对知名人工智能研究者所做的调查显示:四分之一的受访人士认为超级智能根本不可能实现。

金准产业研究团队认为,尽管我们尚未拥有通用人工智能。但随着基础技术以惊人的速度发展,窄人工智能已经在现实世界的商业应用中显露了非凡威力。

随着企业持续加大人工智能的应用力度,系统所能处理的数据和工作的复杂性必然有增无减。若想了解其如何在业务环境中发挥作用,下方框架可能会有所帮助。此框架列出了各种技术的潜在应用形式(本文以金融服务行业为例),并根据所涉及数据和工作的复杂程度,将人工智能应用分为四大模式——效率、效力、专家、创新。

在与客户的长期合作中,我们已看到人工智能正在不断被扩展和产业化。过去几年,许多企业都在试点人工智能如何影响其员工、流程和产品。现在,我们相信这些企业已经开始将试点项目向整个组织范围内推广。多达四分之三的高管表示,其组织未来三年将“积极部署”某种人工智能。

一言蔽之,当前的局势已非常明确:人工智能正蓄势待发,并且事关重大。

 

▲了解人工智能潜在应用的框架图

三、与时俱进,紧跟AI时代步伐

采取正确的应用方式,人工智能将成为提升企业经济价值的全新驱动力。但问题在于,选择何种路径才是恰当之举?在这样一个飞速发展的领域中,我们很容易一叶障目,迷失战略方向。首先,应当了解人工智能将带来哪些机遇。通过将这些机遇划分为三大类型,您可以对应采取的路线有更清晰的认知。这意味着需要分别考虑:如何利用人工智能来加快自动化,如何增强工作效力和执行方式,以及如何在企业内外扩展人工智能创新。

3.1扩大自动化范围

人工智能已成为自动化的新前沿。借助具备自我学习能力的自动化系统,充分利用机器学习、计算机视觉、知识表达和推理等技术模仿人类行为,人工智能可以使自动化超越仅基于规则的预测性工作,延伸至我们目前认为需要人类判断的领域当中,从而创造出大量全新的自动化机遇。

3.2增强工作能力

工智能大大提升了资源的利用效率。在实际工作中,这体现为两方面的助益——其一是增强人类员工的判断力,其二则可提升客户体验。

更聪明地工作。在增强员工判断力方面,与人类相比,机器学习能够从非常庞大、且高度复杂的数据集中提炼出更多洞见。因此,它们可以发现人类专家未曾觉察的模式、相似性和异常。例如在筛查癌变症状时,人类专家能够从扫描胶片中识别出数百种恶性病变,而人工智能可以识别数千种之多。

诺丁汉大学的研究人员已创建了一套人工智能系统,预测哪些患者可能在十年内发生中风或心脏病。该系统的表现优于标准预测方法(得分在0.745和0.764之间,而标准方法为0.728)。

这些进步令人印象深刻。但其并不意味着人类专长很快会被取代。当前,最佳成果仍源自人类专家与人工智能的合作——双方都发挥各自独特的能力来共同解决问题。

#2提升客户体验。利用人工智能——特别是该技术在认知方面的功能,企业可以极大改善与客户的交互。其具体方式包括:使用数字助理和聊天机器人,通过社交媒体和数字平台全天候地与客户交谈;或者,在电子商务网站上推荐个性化的产品和服务。

3.3扩展创新成果

创新能够激发连锁反应。非同凡响的新技术将带来贯穿整体经济的溢出效应,以前所未有的方式永远改变一切。当电力首次实现工业化时,谁能想象当今世界对电能有如此巨大的需求与依赖?当内燃机诞生时,谁又曾预见我们互联互通的全球运输网络能够具备这般速度和规模?

人工智能将对社会产生类似程度的影响。其创新成果会在企业中不断延伸——甚至扩散至整个经济体系,创建出全新的、超越想象的商业模式和机遇。无论是将那些我们曾认为离不开人类智慧的任务加以自动化,还是在海量数据中洞悉规律,抑或,是支持全新的认知型人机交互界面,这项技术必将对我们的工作和个人生活带来深远的根本性影响。

人工智能之所以产生革命性的威力,原因之一便是其应用简单。具体而言,人类不需要主动去适应此类技术,或者另外学习一套新的技能来使用它们,这使其在技术的发展史上具备了独一无二的特性。我们能够通过简单、自然的沟通介质——语音、文本、甚至是图像,和人工智能系统进行互动。与之相比,无论是学习驾驶汽车,还是首次使用电脑,对技能的要求都远高于此。它给了我们非常重要的启示:同以往的颠覆性技术相比,应用人工智能的临界点可能更快到来。

虽然各方的确围绕人工智能付诸了许多努力,但目前的局面仍然是,大多数企业尚未踏上人工智能应用之路。而在那些已经开始行动的企业中,半数依然处于试点或概念验证阶段。那么,干扰他们的因素包括哪些?其中的原因多种多样,这与企业引入数据分析时的状况如出一辙。对一些企业来说,难题涉及招募合适的人才、安排投资优先级、以及化解对安全的担忧。而另一些需要突破的障碍在于,定义令人信服的商业模式、获得足够强大的领导层支持、以及掌握更多通用技术能力。

在开发人工智能应用程序时,敏捷的“快速试错”方法非常重要。就是说,应针对每项业务问题或机遇进行试点,测试解决方案的可行性,并评估企业可用的技术选项。

适当的运营模式和董事会级别的认可,两者缺一不可。根据埃森哲的经验,创建一个集中式的“枢纽”或卓越中心,能够最有效地发挥领导力并实施治理工作。这一枢纽可以通过一系列“影响力辐射”,扩展至企业的其他部门(营销、风险管理、人力资源,等等)。

这种中心辐射模式可以为企业的人工智能征程带来多种非常重要的益处:在选择所需技术与工具、以及招聘和人才开发等方面,能够形成规模效益;支持以跨组织的方式,构建并维护必要的数据生态系统;确保标准、定义和方法的一致性,并促进在整个组织范围内推广最佳实践;提供了一种衡量价值,并合理排列机会优先级的严谨方法;确保在所有人工智能项目中采用最高标准的治理措施。

3.4密切关注发展动态

随着企业在人工智能应用之路上不断迈进,紧跟最新的创新和应用至关重要。在当下快速演进的市场环境中,局势可能在一夜之间发生巨变。了解人工智能领军者和人工智能第一梯队的动向,并知晓这些行为背后的意义,将始终是商业智能极为宝贵的来源。那么,我们有望在未来的道路上看到哪些情形呢?

短期内,语音交互仍将是人工智能面向消费者的最主要应用形式。亚马逊Alexa和谷歌Home将继续在该领域角逐,力争成为智能家居的主要掌门人,而苹果公司的Home Pod近期也加入了战局。此外,围绕客户数据和客户关系,我们很可能看到在平台提供商和服务提供商之间,会出现关于所有权和访问权的争执。

但实际上,在人工智能普遍成为最新用户界面的趋势中,语音只是其中的一种沟通方式。也就是说,无论是通过聊天服务,消息发送,还是智能家居设备,人工智能都正在成为客户互动的首选渠道。其重要性使得企业必须谨慎思考如何运用人工智能,并使之为自身品牌代言。那些将此视为次要或附加事项的企业很快就会遭遇失败。

这种转变的重要启示之一,就是人工智能团队不能仅由技术人才组成,必须具备跨学科的能力。例如,微软聘请了一支包括作家和心理学家在内的完整团队,为其人工智能操作系统Cortana赋予独特个性。

四、未雨绸缪,预先考量相关风险

毋庸置疑,人工智能在带来巨大机遇和效益的同时,也引发了相应的风险。事实上,创新必然会有挑战。因此,在踏上人工智能征程之前,首先需要对所有可能面临的风险进行评估。

那么,风险的来源有哪些?我们认为,必须预先考虑四类主要风险——分别涉及信任、责任、安全和控制:

信任。我们怎样向广大民众证明,人工智能的安全性?我们如何从一开始构建人工智能的时候,就避免无意或有意混入偏见?答案是坚持透明度和问责制。所有由人工智能做出的决定必须可以公开申诉和质询。

责任。当人工智能系统出错、甚至违法时,会造成何种后果?谁将为此承担法律责任?需要实时更新相关法律和监管要求的变化。

安全。我们如何防止人工智能在未经授权的情况下遭到恶意操控?随着开源代码的使用越来越多,安全性挑战逐步加剧。

控制。由机器控制流程后会发生什么?在极端必要情况下,人类如何收回控制权?对于何时、以及如何在人与人工智能之间进行控制交接,需要仔细加以斟酌。例如,在自动驾驶汽车中保留人类驾驶功能,使之以各种方式控制车辆,这看上去给安全加了砝码,但由于人类无法每时每刻都全神贯注,因此,一旦出现危急情况,仍无法依靠人类进行足够快速的干预。

最重要的一点是,当企业开始使用人工智能时,“可解释性”将确保公众的信任。换言之,必须做好准备来说明人工智能如何、以及为何做出一项决定。这是某些受监管行业早已熟悉的情形。例如,若其决策影响到客户,金融服务机构有义务作出解释。

事实上,这项任务知易而行难。从本质角度出发,机器学习通常都是一种“暗箱操作”。也就是说,其特定运作方式使得很难清楚解释,最终的输出究竟如何生成。不过,许多人工智能业内人士和数据科学家都在思考该问题,并且可能很快就会找到新的方法,对人工智能决策进行更充分的科学解释。

与此同时,现在每家企业都可以采取一些实际步骤,使自身人工智能系统更易于解释:

1、列表。考虑在本企业中,人工智能正在或将要制定的决策。哪一项可能需要加以解释,或者创建出预期成果?它们是否与就业、招聘、贷款、教育、医疗保健、住房、包容性或安全防护等关键领域有关——甚至是间接相关?

2、评估。考虑所有目前可用以解释人工智能决策的定量及定性模型。对于模型计划帮助的人士来说,其目前贡献力度如何?

3、设计。重新审视用于人工智能的设计原则。它们怎样才能使决策过程更加以人为本、且易于理解?

4、审核。查看数据。如何确保人工智能系统正在使用可反映工作环境不断变化的数据集?

五、高瞻远瞩,广泛影响不容忽视

没有人能够独善其身,企业亦然。我们采取的各种行动都可能会超出单一组织的界限。因此,鉴于人工智能的革命性潜力和深远的溢出效应,使用它所形成的广泛社会影响不容忽视。

这意味着,必须群策群力来解决一些重要问题。例如,在人工智能驱动的世界中,我们如何确保人们拥有发展进步所需的技能?人工智能会取代多少现有工作,又将创造出多少个全新岗位?一些人是否需要从工作以外的来源寻求收入和成就感?关于人工智能所做的决定,需要哪些新的法律框架?当人工智能变得比他们的创造者更聪明时,人类是否会面临生存威胁?

5.1技能问题

在技能方面,各国政府多年来一直在推动科学、技术、工程和数学(STEM)四类课程的学习。这一趋势必须保持、甚至加快,并在学校和培训课程中增加新的数据和分析法内容。这不应只针对STEM课程,必须以同等力度强调数据和分析学对其他学科的重要性。此外,着力扩大学徒制培训也可为此做出一定贡献——例如,英国政府就采取了此类举措。

当然,在提升人工智能时代的员工队伍技能方面,行业部门也起着至关重要的作用。虽然这需要相当大的投资,但此举对于企业而言,不仅能产生经济激励(确保人才供应),还事关道德义务(负责任地使用人工智能)。更重要的是,如果与人工智能驱动下的变革速度相比,我们现有教育和培训机构无法同步迈进,那么行业参与就变得愈发重要。

一些工作需要运用人类最内在的特质——创造力、同理心、善良、关怀,等等,在任何情况下,它们都可能是最后才受到人工智能影响的岗位。人工智能极难复制人类智慧的这些核心元素。因此,即使人们无法智胜机器,但许多重要且有意义的职业道路仍将对其开放。

5.2就业问题

最终,人工智能带给就业的净影响会是正面、还是负面?该问题太过庞大,无法在这篇手册式的指南中解答。不过埃森哲的专家对此普遍持乐观看法。如果企业能够通过负责任、以人为本的方式使用人工智能,并且在替换岗位的同时,给与增强人类智能同等关注,那么我们相信,所有努力必将带来积极影响。依照这种思路引入人工智能,将使人类员工专注于工作中更具趣味性、挑战性、创造性、且更多涉及人际关系的部分——而将单调、无聊、重复的部分留给机器。

很多人对此持乐观态度,他们认为,从就业机会角度看,人工智能的创造力将大于破坏力。这些人士的理论依据来自以往的技术革命史,他们发现,每次技术革命最后都会促进整体就业的净增长。诚然,这种增长过程往往会超越一代人——虽然上一辈工作者可能由于引进新技术而被淘汰,但历史表明,下一代将从中受益。这种论点坚信,从长远来看,人工智能同样会产生积极的净影响。

不过可以确定的是,并非所有人都如此乐观。一些人认为这次的变革不同以往。他们指出,虽然此前的许多技术革命都曾推动手工劳动的机械化,但人工智能却是触及到了更为基础的认知过程自动化。因此,机械自动化只能取代一系列特定任务(例如,在农业劳作中,拖拉机取代马),而认知自动化的影响如此广泛,以至于会令人类丧失核心竞争优势——他们的思考能力。这种观点认为,从长远来看,我们应该为普遍失业做好准备。

鉴于观点如此多样,针对就业问题的解决方案不太可能快速成形。相关辩论仍将持续一段时间。与此同时,政府和各行业都有责任尽一切努力,确保对人工智能的使用秉承负责任、以人为本的方针。

5.3法律问题

毫无疑问,随着人工智能在商业、工业及其他领域的不断发展,法律和监管框架需要随之更新。最先着手、也是最紧迫的领域之一,可能就是与自动驾驶汽车有关的法律。应思考的法律范围包括人身伤害、疏忽过失和侵权,等等。例如,若一辆自动驾驶汽车在没有驾驶员的情况下撞车,谁将承担责任?是汽车制造商、软件提供商,还是车内乘用者?

那么,人工智能的设计工作又会产生何种法律后果呢?当一辆自动驾驶汽车面临极端紧急的情况(比如,在挽救车内乘客和前方行人之间做出选择),人工智能的设计需要采用明确的思维框架来决定作何选择。这将涉及某些最困难的法律和道德问题的核心。

维护竞争秩序的法律也需要调整。定价算法已被在线零售商广泛使用,以此实现了更加快速而精准的价格调整。据报道,亚马逊每小时内会多次变更某些商品的价格,这相当于每天修订数百万条单价。人工智能在开放市场中作出的任何决定都需要保持透明且有理有据。

5.4生存问题

没有人确切知晓人工智能是否会超越人类的一般智力水平——更遑论如果真的如此,将发生何种状况。即便那些相信通用人工智能确有可能的专家中,有关其具体发生时点的判断也存在很大分歧。我们有信心断定,尽管人工智能无疑具备令人惊叹的潜力,但通用人工智能距离问世还有很长时间。然而这并不意味着,我们现在全然无需考虑其后果和影响。因此,建立由行业赞助的学术机构(如牛津大学的人类未来研究院),对这一问题进行审视分析,将对AI的发展大有裨益。

结语

金准产业研究团队认为,随着人工智能技术爆发式的发展,人工智能创业公司如雨后春笋般出现,这种趋势不断降低着各行各业的进入门槛。一批依托人工智能的新企业纷纷涌入市场,改变了老牌企业固有的竞争格局。这些新生力量更加灵活,不受传统技术系统、分销渠道、以及员工团队转型需求的束缚。所以,传统企业拥抱AI并积极转型人工智能化已成为大势所趋。所以,金准产业研究团队认为,在这波AI浪潮中,为了防止被淘汰,企业必须做到与时俱进,明确自身定位,合理使用AI技术。

 

 

金准产业研究 云-边-端融合的机器人系统和架构分析报告 2019-07-09 13:35:08

前言

当前,全球机器人市场规模持续扩大,工业机器人市场增速稳定,服务机器人增速突出。2018年,全球机器人市场规模达298.2亿美元,2013-2018年的平均增长率约为15.1%。在装备制造领域,机械臂凭借强大的负重能力和精准的抓取操作代替着工人的双手;在物流领域,智能仓储机器人和无人搬运车不断提高着运输效率;在生活服务领域,家用清洁机器人和服务机器人正成为许多家庭的私人保姆和小秘书。

一、迈向云--端融合的机器人4.0时代

1.1机器人技术发展主要阶段分析

2017年,中国信息通信研究院、IDC国际数据集团和英特尔共同发布的《人工智能时代的机器人3.0新生态》白皮书把机器人的发展历程划分为三个时代,分别称之为机器人1.0、机器人2.0、机器人3.0。

 

机器人1.0(1960-2000),机器人对外界环境没有感知,只能单纯复现人类的示教动作,在制造业领域替代工人进行机械性的重复体力劳动。

机器人2.0(2000-2015),通过传感器和数字技术的应用构建起机器人的感觉能力,并模拟部分人类功能,不但促进了机器人在工业领域的成熟应用,也逐步开始向商业领域拓展应用。

机器人3.0(2015-),伴随着感知、计算、控制等技术的迭代升级和图像识别、自然语音处理、深度认知学习等新型数字技术在机器人领域的深入应用,机器人领域的服务化趋势日益明显,逐渐渗透到社会生产生活的每一个角落。在机器人2.0的基础上,机器人3.0实现从感知到认知、推理、决策的智能化进阶。

1.2应用领域分析

当前,全球机器人市场规模持续扩大,工业机器人市场增速稳定,服务机器人增速突出。2018年,全球机器人市场规模达298.2亿美元,2013-2018年的平均增长率约为15.1%。在装备制造领域,机械臂凭借强大的负重能力和精准的抓取操作代替着工人的双手;在物流领域,智能仓储机器人和无人搬运车不断提高着运输效率;在生活服务领域,家用清洁机器人和服务机器人正成为许多家庭的私人保姆和小秘书。

工业制造领域分析。目前,工业机器人在汽车、金属制品、电子、橡胶及塑料等行业已经得到了广泛的应用。随着性能的不断提升,以及各种应用场景的不断清晰,2013年以来,工业机器人的市场规模正以年均12.1%的速度快速增长,预计到2020年将达到230亿美元的销售额。随着人力成本的上升,工业制造领域的应用前景良好,将会保持快速增长的势头。同时,工业机器人需要拥有更高的灵活性、更强的自主避障和快速配置的能力,提高整体产品的易用性和稳定性。

消费服务领域分析。金准产业研究团队了解到,服务机器人虽然整体销售额低于工业机器人,但近几年一直维持着较高的年增长率,商用服务机器人在商场、银行、酒店、机场等应用场景有了更多的落地部署,主要提供导览、问询、送物等基础服务。同时,家用服务机器人悄然进入千家万户,扫地机器人销量在家用服务机器人销量中占主要份额,成为目前家务机器人中的主导品类。由于本体能力不足,隐私、安全方面的问题,家庭管家机器人和陪伴型机器人的市场渗透率较低。2013年以来全球服务机器人市场规模年均增速达23.5%,预计2020年将快速增长至156.9亿美元。

从整个技术发展和市场环境看,机器人产业拥有以下发展推力:1、成熟的生态系统;2、老龄化人口趋势和新兴市场;3、更多智能产品互联和智能家庭建设;4、人工智能、自然语言理解能力的增强。

1.3机器人4.0的定义和发展机会

机器人3.0预计将在2020年完成,在此之后,机器人将进入4.0时代,把云端大脑分布在从云到端的各个地方,充分利用边缘计算去提供更高性价比的服务,把要完成任务的记忆场景的知识和常识很好的组合起来,实现规模化部署。机器人除了具有感知能力实现智能协作,还具有理解和决策的能力,达到自主的服务。在某些不确定的情况下,它需要叫远程的人进行增强,或者做一些决策辅助,但是它在90%,甚至95%的情况可以自主完成任务。

要达到这一目标,首先需要利用人工智能和5G技术。利用人工智能技术提高机器人本体感知能力的同时,提升个性化自然交互能力。利用5G技术,大大缩短从终端到接入网的时间,带宽大幅度上升,很多东西可以放到边缘端,加入更多的计算能力,包括云端大脑的一些扩展,助力机器人规模化部署。

 

类似互联网的三级火箭发展模式,第一阶段——关键场景,把握垂直应用,提高场景、任务、能力的匹配,提高机器人在关键应用场景的能力,扩大用户基础;第二阶段——人工增强,通过加入持续学习和场景自适应的能力,延伸服务能力,取代部分人力,逐步实现对人的替代,让机器人的能力满足用户预期;第三阶段——规模化,通过云–边–端融合的机器人系统和架构,让机器人达到数百万千万级水平,从而降低价格成本,实现大规模商用。

二、云-边技术推动机器人结构创新

2.1云端大脑对机器人能力的增强

2010年提出的云机器人概念引入了云端大脑,机器人尝试引入云计算、云存储及其它云技术,达到机器人融合基础设施和共享服务的优点。相比于独立的机器人本体,连接云端大脑后的机器人拥有以下四个核心优势。

1、信息和知识共享:一个云端大脑可以控制很多机器人,云端大脑可以汇集来自所有连接机器人的视觉、语音和环境信息,经云端大脑智能分析处理后的数据信息可以被所有连接机器人使用。利用云服务器,各机器人本体获取和处理的信息可以保持最新,并安全备份。

2、平衡计算负载:一些机器人功能需要较高的计算能力,利用云端平衡计算负载可以降低机器人本体的硬件需求,在保证能力的同时,让机器人更轻、更小、更便宜。

3、协同合作:通过云端大脑,机器人本体不再独立工作,多机器人可以协同工作,例如共同搬运货物,配合完成一整套工作流程等。

4、独立于本体持续升级:借助云端大脑,机器人可以独立于本体持续升级,不再依赖于本体硬件设备。

2.2边缘计算对机器人服务的提升

IoT应用的快速发展,使得大量数据在网络边缘产生,推动了边缘计算的产生和发展。边缘计算的提出始于4G时代,将计算和存储资源部署到网络边缘,不仅可以减少核心网和互联网上的流量,还可以显著降低传输时延,提高网络可靠性。

低时延的业务需要终端、移动蜂窝网(接入网和核心网)、互联网、数据中心的端到端的保障。目前的测试结果表明5G手机和基站的数据通路延时可以达到4毫秒,在URLLC模式下,手机和基站的延时可以达到1毫秒以下,相比4G的20毫秒提高了20倍左右。对于互联网和数据中心的时延,一般情况下由于地理位置分布广和未针对低时延优化,从核心网网关到互联网数据中心可在几十到几百毫秒之间。在5G中,其核心网引入了分布式网关,网关可以下沉到基站附近,边缘服务器可以直接连接到分布式网关上,大大降低网络的端到端时延。

金准产业研究团队分析,边缘计算的引入将解决终端能力受限和云计算的实时响应的问题,增强机器人云端大脑的实时响应能力,对于满足机器人4.0的要求十分关键,比如实时的推理、场景理解、操控等等。边缘计算和云计算的结合,将突破终端的计算能力和存储的限制,提高AI算法的训练和推理能力,比如提升精度和降低训练时间。同时将大部分机器人的智能布署在边缘和云端,通过协作和不断的训练,持续不断的提高机器人智能,比如通过边缘计算能更好的支持实时的多机协作,支持实时的知识图谱提取、理解和决策,持续不断的提高机器人的智能。边缘计算和云计算还可以解决机器人终端升级维护的困难,在机器人本体的生命周期内不断升级,提高机器人的能力,增强数据安全和隐私保护,充分利用摩尔定律带来的性能提升。

2.3--端一体化对机器人系统的支撑

–边–端一体化构建了一个通过机器人提供多样化服务的规模化运营平台。其中,服务机器人本体是服务的实施者,而实际功能则根据服务的需要无缝地在终端计算(机器人本体)、边缘计算和云计算之间分布和协同。金准产业研究团队认为,机器人系统类似现在智能手机上的各种APP,主要关注如何实现高性价比的多模态感知融合、自适应交互和实时安全计算。

多模态感知融合:为了支持机器人的移动、避障、交互和操作,机器人系统必须装备多种传感器(如摄像头、麦克风阵列、激光雷达、超声波等)。同时,环境里的传感器可以补足机器人的物理空间局限性。大部分数据需要在时间同步的前提下进行处理,并且调用不同复杂度的算法模块(例如SLAM,图像处理,人和物体的识别等)。机器人硬件系统和边缘计算需要协同来支持(可能来自多个机器人的)多传感器数据同步和计算加速,因此应该采用能灵活组合CPU、FPGA和DSA(Domain-Specific Accelerator)的异构计算平台。另一部分没有强实时性要求的感知任务(如人的行为识别、场景识别等),可以由云计算支持。

自适应交互:为了支持机器人的个性化服务和持续学习能力,需要将感知模块的输出与知识图谱结合对环境和人充分理解,并且逐步提取和积累与服务场景和个人相关的个性化知识。通用知识和较少变化的领域知识应该存放在云端,而与地域和个性化服务相关的知识应该存放在边缘或者终端。无论知识存放在哪里,在机器人系统中应该有统一的调用接口,并可以保证实时通讯。基于ROS2构造涵盖终端和网络侧的软件系统框架可以满足未来的需求。

实时安全计算:未来的服务机器人应用将有大量需要实时响应的情形(如语音交互、协同操作等),因此需要在边缘服务器部署相应的加速硬件。同时,机器人也将处理大量涉及用户隐私的数据(如视频、图像、对话等)。金准产业研究团队认为,云–边–端一体化架构需要构建隐私数据的安全传输和存储机制,并且限定物理范围。对于可以进行物理操作的机器人,要构建独立的安全监测机制,保证即使机器人系统被远程攻击劫持后也不会造成物理安全损害。

三、机器人4.0核心技术

在机器人3.0时代,服务机器人可以做到一些物体识别、人脸识别,在4.0时代需要加上自适应能力。因为用深度学习做物体识别、人脸识别的时候需要很多的数据来源,但是真正到家庭场景时没有那么多数据,这就要求机器人必须通过少量数据去建立识别能力,自己去找到不同的位置,不同的角度做训练。

这些就是机器人4.0要做的,首先对三维环境语义的理解,在知道它是什么的基础上,把看到的信息变成知识,让存储就变得更加合理,而且可搜索,可查询,可关联,也可推理。应用层可以根据这个知识和观测为现场场景做出智能的提醒,寻找物品,进行行为检测。例如,老人要出门,机器人的知识库告诉他,今天预报要下雨,但是检测到老人没有带伞,然后查询伞的位置,机器人就可以把伞送到老人手里。这都是结合内部知识和外部情况所做的决策。

知识图谱在整个学术界和工业界越来越受到重视。获得图灵奖的杰夫∙辛顿教授在加入谷歌的时候就说要建一个知识图谱给全世界用。阿里研究院发布2019年的十大技术趋势里面也专门提到了知识图谱的重要性。金准产业研究团队认为,这是人工智能迈向下一个阶段的必由之路,也是必做之事。

总结下来,机器人4.0主要有以下几个核心技术,包括云–边–端的无缝协同计算、持续学习、协同学习、知识图谱、场景自适应和数据安全。

 

 

3.1--端的无缝协同计算

受制于网络带宽以及延迟的制约,当前绝大多数机器人3.0系统是以机器人本体计算为主,云端处理非实时、大计算量的任务为辅的系统架构。机器人的主要任务可以简单划分为感知、推理及执行三大部分。为了能够精准地感知理解环境以服务于人机交互,机器人系统通常集成了大量的传感器,因而机器人系统会产生大量的数据。比如采用了高清摄像头,深度摄像头,麦克风阵列以及激光雷达等传感器的机器人,每秒钟可以产生250MB以上的数据量。如此海量的数据全部传输到云端处理既不现实,也不高效。因此,需要将数据处理合理地分布在云–边–端上。

另一方面,完成感知和理解的AI算法也非常复杂。机器人所使用的AI算法通常需要很强的算力,例如Faster RCNN算法在GPU上可以达到5fps的处理能力,但是GPU的功耗达到200W以上,机器人本体很难承受,从计算成本而言同样也非常昂贵。虽然机器人本体计算平台的计算能力仍在不断提高,但是相对于AI算法的需求依然有限。为了完成机器人的计算需求,需要在云和边缘侧提供算力的支持,以实现在大规模机器人应用场景下,更有效、更经济的计算力部署。

随着5G和边缘计算的部署,机器人端到基站的延迟可以达到毫秒级,使得5G的网络边缘可以很好地支持机器人的实时应用。同时,边缘服务器可以在网络的边缘、很靠近机器人的地方处理机器人产生的数据,减少对于云端处理的依赖,构成一个高效的数据处理架构。

–边–端一体的机器人系统是面向大规模机器人的服务平台,信息的处理和知识的生成与应用同样需要在云–边–端上分布处理协同完成。例如,汇集来自所有连接机器人的视觉、语音和环境信息,加以分析或重构后,被所有连接的机器人所应用。

因此,在通常情况下,云侧可以提供高性能的计算以及通用知识的存储,边缘侧可以更有效的处理数据,提供算力支持,并在边缘范围内实现协同和共享,机器人终端完成实时的操作和处理等基本机器人的功能。然而由于机器人的业务需求多种多样,协同计算的部署也不是一成不变的,机器人4.0系统还要支持动态的任务迁移机制,合理的根据业务需求将不同的任务迁移到云–边–端,实现云–边–端的无缝协同计算。

3.2持续学习和协同学习

在机器学习方面,机器人3.0主要是采用基于大量数据进行监督学习的方法,这也是目前机器学习的主流方法,而在机器人4.0,还需要加上持续学习和协同学习的能力,才能使得机器人能够适应更复杂的应用场景。

3.0时代,服务机器人可以做到一些基本的物体识别、人脸识别,但由于机器人应用对感知识别的正确率要求很高,尽管这些方法在别的要求不高的领域已经可以满足应用需求(例如互联网搜索有80%的正确率就够了),但对于机器人应用而言则远远不够。第一是机器学习所固有的鲁棒性方面的问题,深度学习方法也不能幸免,识别结果可能出错,而且出错的时候系统也不知道自己错了,这样就可能造成服务的失败和错乱。

例如人需要机器人取东西A,而机器人却取了东西B,轻则闹笑话,引起用户不满,严重的可能会造成对用户的伤害(比如取错药品的情况)。鲁棒性的问题是目前所有机器学习方法自身的一个通病,因为训练数据中总是存在着长尾数据无法被准确识别,该问题很难通过现有的监督学习方法在部署产品前就解决。第二是数据不足,这也是现实应用中普遍出现的情况,例如用人体特征进行身份识别的时候需要大量的数据(几百张以上的不同人体姿态、角度的照片),而这些数据又无法事先获得。总结下来,这两方面的问题都和缺少数据直接相关。

要解决这些问题必须让机器人具有自主的持续学习能力。具体说来,机器人可以先通过少量数据去建立基本的识别能力,然后会自主的去找到更多的相关数据并进行自动标注(或通其他方式,例如与人交互来获得标注,但要注意尽量减少对用户的打扰)。用这些新的数据来对已有的识别模型进行重新训练以改进性能,随着这个过程不断进行,机器人可以把识别的性能不断提高。具体拿物体识别来说,机器人应该先通过少量数据来建立对该物体的基本识别能力,然后可以自己去找到不同的位置,不同的角度做训练,不断提高对这个物体的识别精度,在一段时间的持续学习后达到接近100%,

在实际应用中,一个机器人能接触到的数据是有限的,其持续学习的速度可能会受到限制。机器人4.0是一个云–边–端融合的系统,如果能够在机器人间或机器人与其他智能体间通过这个系统来共享数据、模型、知识库等,就能够进行所谓的协同学习。通过云端的模拟器来进行虚拟环境中的协同学习也是一种行之有效的方法,可以充分利用云的大规模并行处理能力和大数据处理能力。协同学习使得机器人的持续学习能力进一步增强,可以进一步提高学习的速度和精度。

3.3知识图谱

知识图谱在互联网和语音助手方向已经开始较为广泛的应用,尤其是百科知识图谱。机器人也有百科知识问答类的应用场景,对于这类的知识图谱可以直接加以应用。但不同于通常的百科知识类的知识图谱,机器人应用的知识图谱有一些不同的需求:

需要动态和个性化的知识。机器人往往需要对所在的环境和人进行更深入的理解才能进行更好的服务,而且不仅仅是当前的情况,要对过去发生的一些情况进行记录(例如要了解老人通常什么时候起床,某个物体一般放在什么位置)。因此,机器人需要记录环境里不同时间的人和物、发生的事件等相关信息,这些都是通用知识图谱所不能事先提供的,必须在环境里去获取。这些动态的个性化知识能很好的对人进行个性化的服务,例如通过对某用户的观察,机器人可以观察到该用户的一些喜好,或者一些行为模式,这些信息可以帮助对该用户提供更好的服务。

知识图谱需要和感知、决策紧密结合,并帮助实现更高级的持续学习能力。从人工智能发展的历史看,单一方法很难彻底解决AI问题,前面的介绍也提到不论符号方法还是统计方法都已经显现了瓶颈,而且目前在单一方法里都没有很好的方法解决这些瓶颈问题。按照明斯基的分析,未来需要多种方法结合的AI系统。从最近几年的研究进展看,这也是未来人工智能取得进一步突破的必经之路。所以不同于以往知识图谱和计算机视觉等统计方法基本是独立运作的做法,知识图谱必须和感知决策更深入、有机的结合。

具体来说,知识图谱的信息是从感知中获取的,通过基础的感知,加上场景理解,获得的信息可以存入知识图谱,然后这些知识可以进一步进行模式的挖掘(比如时间空间相关的模式)来获得更高层的知识。知识图谱的一些知识又可以作为环境上下文信息提供给感知算法来进行连续学习,从而实现自适应的感知算法。从某种意义来说,这已经不是传统意义上的纯符号方法的知识图谱,而是一种混合的知识图谱,即符号方法和统计方法结合的知识图谱。这也是未来很有潜力取得突破的一个方向。

由于云–边–端融合的需要,知识图谱会分别存放在机器人侧,边缘侧和云侧,其接口可以采用统一的接口以利于系统对知识图谱进行统一的调用。由于协同学习和实时处理的需要,知识和其他相关信息(如数据,模型等)还可以通过云侧、边缘侧来进行共享,通过一定的冗余备份来达到更高的实时性。这类似于计算机架构中的高速缓存机制(Cache),比如部分存储在云端的知识经常被调用,可以缓存到边缘端或机器人端提高其存取的速度。在5G网络下,延迟本身不是大问题,主要考虑更充分的利用边缘端和机器人端的计算能力,达到整体资源的最优利用。

3.4场景自适应

有了持续学习和知识图谱,系统在感知方面的鲁棒性大大提高,也在场景分析方面获得了丰富的信息并存在知识图谱中,这就使得机器人能够根据当前的场景进行相应的行动。

场景自适应技术主要通过对场景进行三维语义理解的基础上,主动观察场景里人与物的变化,并预测可能发生的事件,从而产生与场景发展相关的行动建议。例如在养老/助老应用中老人端着一碗汤走向冰箱,机器人可以通过以往的经验或知识预测老人是要去开冰箱放东西,就可以帮老人打开冰箱。再例如,机器人看到地上有一块果皮,预测可能会导致老人摔倒,这时机器人可以主动捡起果皮(机器人配备了手臂操控的情况下)或站到果皮边并警告老人。

这部分的关键技术是场景预测能力。场景预测就是通过对场景里的人、物、行为等的长期观察,并结合相关的知识和统计模型来总结出一些个人偏好或行为模式,并据此来预测目前场景要发生的事件。过去人工智能的符号方法中框架、脚本表示在这里可以作为知识表达的形式,但更关键的是需要把符号方法和统计方法结合起来,从而解决以往单独用符号方法无法解决的问题(比如缺少学习能力)。这部分的研究还处于比较初期的阶段,但相信在基于持续学习、知识图谱等技术充分结合的基础上,该方向在未来几年会有较大的突破。最终使得整个机器人的闭环系统,即感知–认知–行动,变得更加智能和人性化。

云端融合在这里起到非常重要的作用,尤其是知识的共享方面。例如前面的水果皮的例子,这方面的模式可能发生的不多,在单个机器人的情况下可能从来没见过这个情况,也就无法知道是危险的。如果通过云–边–端融合,只要有一个机器人看到过这个危险情况的发生,就可以把该知识分享给所有的机器人,所有的机器人就可以去预测这些危险情况了。除了通过在实际的物理世界中观察,在云端通过大规模的模拟来预演生活中可能发生的情况,可能也是另外一个有效的方法来获得更多的事件模式。

四、云端大脑

为了让机器人具备通用智能,包括类人的感知和认知能力,类人的动作行为和类人自然交互能力,并同时最大限度地保障机器人的运行安全,需要构建类人“大脑”的智能体。目前机器人本体计算能力有限,必须通过可以无限扩展的云端计算能力来提供智能机器人所需的能力。通过无线5G通信网络和一个安全高速骨干网络构成机器人“神经网络”,实现机器人本体和云端大脑的连接。云端大脑包括机器人视觉系统、对话系统、运动智能和极限现实系统等技术,其通过人工智能算法不断训练进化,使得前端机器人本体智能随之迅速提高。因此,采用云–网–端结合的智能机器人系统架构,具有更强的适应性和扩展性,如图所示。

 

五、边缘智能支持多机器人协作

未来的多机器人边缘智能系统架构图如下,主要分为几个主要部分。

 

数据采集。针对不同类机器人或智能设备的数据,搭建统一的数据信息集成平台,形成设备“纵向”(设备端——管理层)与“横向”(设备产业链各环节之间)的二维信息联通平台,筛选出真正有用的数据,重点是将“原始数据”变为“有用数据”。

边缘计算。利用网络计算资源,将知识镜像建模和知识挖掘,在网络层中形成实体的镜像对称模型和大数据环境,通过对实体运行历史数据中的关联性和逻辑性进行挖掘,产生能够支持决策的制造知识,重点是将对数据的洞察变为支持决策的知识,形成知识库。边缘计算设备作为边缘设备的输出端,需要较高的实时性与扩展性。面对复杂的IT与OT设备混连的环境,我们需要有按照优先级处理事件的方案或者协议,比如TSN。而作为云端的输入端则需要较高的稳定性。我们需要对边缘计算设备做冗余以避免整个生产线失控的场景,比如分布式架构。而其自身的边缘智能则需要较强的浮点运算能力以进行智能分析与决策,比如使用专用的加速芯片。

边缘智能。边缘智能部署在边缘计算设备上。与端设备,采用的TSN硬件协议与OPC应用协议,最大限度保证了IT与OT的通信实时性与效率。与云设备,则是采用了TCP传输数据与RPC进行远程调用,保证了数据传输的安全稳定性,降低云端与边端之间的通信开发难度,提高系统稳定性与扩展性。

(1)智能分析。将隐性问题显性化,通过设备端的智能分析,准确评估设备真实的健康状态(安全性,可靠性,实时性和经济性等多个维度)和未来趋势,并能够对潜在的故障和隐性问题进行预诊和定位,为设备使用、维护和管理的智能决策提供重要决策支持依据,重点是将“有用数据”变为“有用信息”。

(2)智能决策。对状态的识别和决策,以优化、协同为核心手段,基于装备真实健康状态和衰退趋势,结合用户决策的定制化需求,提供设备使用、维护和管理的最优决策支持,并达成任务活动与设备状态的最佳匹配,以保障生产系统的持续稳定运行(近零故障运行),将有用的信息变为最优决策。

边缘应用。形成工业的典型应用场景,不断对于智能系统的动态优化和重构,将智能优化后的决策同步到设备的运行和企业资源运营的执行系统中,实现决策与价值的闭环。

 

(1)优化生产线工艺流程。针对生产线中多机器人协同作业存在的作业时间不一致、路径冲突等问题,基于多机器人协同工艺优化方法,挖掘多维工艺参数与作业效率、节拍之间的隐含关系,以生产作业效率、路径最优为目标,实现基于群体智能的多机器人协同作业工艺参数与运动轨迹优化。

(2)完善生产的运营管理数据,为更好的决策提供数据基础。依据机器人的设计工艺、应用工艺,在三维环境下对机器人进行轨迹规划、可达性分析以及干涉检验等仿真;通过机器人作业效率分析实现对工艺方案的评价及优化。根据机器人生产线工艺规划、多机协同作业规划、排产及物流控制方案,驱动三维模型进行生产过程模拟,依据仿真结果进行机器人及其所在单元的应用工艺设计或优化过程的校验与评估,实现机器人生产线运行效率、节拍平衡等目标优化。将仿真分析结果反馈至设计和应用环节进行验证;更新机器人工艺设计知识库,实现工艺操作透明化及工艺过程自主优化。

综上,边缘计算是扩展机器人个体智能的途径。金准产业研究团队认为,在未来的多机器人协作过程中,对于机器人的预测性维护,生产线的智能排产等方面也都是机器人在边缘智能的重要应用方向。边缘智能技术通过协同机器人设备与边缘服务器,利用深度学习模型优化,深度学习计算迁移等方法,使机器人在未来的使用中,能更好的自主决策,同时也让产线变得更智能,能够支撑生产计划灵活适应产线资源的变化,最终使产线变得柔性化、个性化、智能化,实现智能制造的升级。

结语

金准产业研究团队认为,边缘计算是最近几年提出的新概念,其推广和落地非常依赖于具体的应用,尤其适用于对实时性要求较高的场景。机器人应用正是非常合适的应用场景。边缘实时计算加上云计算的无限处理能力,可以大大提升机器人本体的人机交互和场景自适应能力,也会增强自主移动和感知能力。通过基于5G的云边端一体化,机器人本体的能力设计具有很大的弹性空间,从而解耦对机器人本体硬件能力的依赖,降低成本,推动大规模的部署就成为可能。

 

 

金准产业研究 云计算与边缘计算协同九大应用场景分析报告 2019-07-08 13:29:58

前言

2019年边缘计算备受产业关注,一度引起了资本市场的投资热潮,很多人把2019年称作边缘计算的元年。理性来看,造成如此火爆局势难免有一些炒作因素在推波助澜,毕竟边缘计算的概念存世也已多年。当然,毋庸置疑的是,工业互联网的大力推动、5G大规模商用的持续酝酿等因素,让整个产业对IT和OT的深度融合充满信心和期待。这种情况下,也许边缘计算不火也难。

一、云边协同的新浪潮

1.1边缘计算是云计算向边缘侧分布式拓展的新触角

欧洲电信标准化协会认为边缘计算是在移动网络边缘提供IT服务环境和计算能力,强调靠近移动用户,以减少网络操作和服务交付的时延,提高用户体验。

金准产业研究团队认为边缘计算描述了一种计算拓扑,在这种拓扑结构中,信息处理、内容采集和分发均被置于距离信息更近的源头处完成。

维基百科认为边缘计算是一种优化云计算系统的方法,在网络边缘执行数据处理,靠近数据的来源。

边缘计算产业联盟认为边缘计算是在靠近物或数据源头的网络边缘侧,融合网络、计算、存储、应用核心能力的开放平台,就近提供边缘智能服务,满足行业数字化在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。

开放雾计算联盟认为雾计算是一种水平的系统级架构,可以将云到物连续性中的计算、存储、控制、网络功能更接近用户。

上述边缘计算的各种定义虽然表述上各有差异,但基本都在表达一个共识:在更靠近终端的网络边缘上提供服务。

“中心-边缘-端”的形态从电信开始之初就已经形成。电信时代,程控交换中心、程控交换机、电话形成了最初的“中心-边缘-端”形态;互联网时代,数据中心、CDN、移动电话/PC延续了这种形态;

到达云计算+物联网时代,云计算中心、小数据中心/网关、传感器则形成了新的“云-边-端”形态。

 

“云-边-端”发展示意图

如果仅从边缘侧本身寻求边缘计算的定义,似乎很难让人完全接受这个似乎有点包罗万象的新事物。一个比较简单的质疑就是,智能终端、家庭网关或者其他早就存在我们身边的计算设备,难道隐藏了多年的边缘计算身份么。

为了褒扬边缘计算,有些声音把云计算的概念描述的稍显狭隘或者刻意地把云计算放到了边缘计算的对立面。但从技术或商业演进的实际情况来看,边缘计算其实更多的是云计算向终端和用户侧延伸形成的新解决方案。边缘计算本身就是云计算概念的延伸,即便是赋予其独立的概念,也无法做到与云计算切割开,二者本就是相依而生、协同运作的。

金准产业研究团队认为,在面向物联网、大流量等场景下,为了满足更广连接、更低时延、更好控制等需求,云计算在向一种更加全局化的分布式节点组合形态进阶,边缘计算是其向边缘侧分布式拓展的新触角。

 

分布式云示意图

1.2边缘计算典型产品和业务模式

主宰云计算市场的巨头公司依托云计算技术先发优势,将云计算技术下沉到边缘侧,以强化边缘侧人工智能为契机,大力发展边缘计算。工业企业依托丰富的工业场景,开展边缘计算实践强化现场级控制力。电信运营商正迎接5G市场机遇,全面部署边缘节点,为布局下一代基础设施打下牢牢的根基。

ICT服务商将云计算能力逐步扩展到边缘设备。在国际上,云计算巨头亚马逊、微软和谷歌都已经推出了相关边缘计算产品。亚马逊推出AWS Green grass功能软件,将AWS扩展到设备上,在本地处理终端生成的数据,同时仍然可以使用运来进行管理、数据分析和持久的存储;微软发布Azure IoT Edge边缘侧产品,将云分析扩展到边缘设备,支持离线使用,同时聚焦边缘的人工智能应用;谷歌也在2018年推出了硬件芯片Edge TPU和软件堆栈Cloud IoT Edge,可将数据处理和机器学习功能扩展到边缘设备,使设备能够对来自其传感器的数据进行实时操作,并在本地进行结果预测。

在国内,阿里、腾讯、百度、华为、中兴通讯、数梦工场、新华三等也推出了相应的边缘计算产品。

阿里推出Link IoT Edge平台。通过部署在不同量级的智能设备和端侧计算节点中。通过定义物模型连接不同协议、不同数据格式的设备,提供安全可靠、低延时、低成本、易扩展的本地计算服务;腾讯针对边缘计算推出了CDN Edge,将数据中心的服务下沉至CDN边缘节点,以最低的延迟相应终端用户,同时降低用户数据中心的计算压力和网络负载。

百度推出智能边缘BIE,将云计算能力拓展至用户现场,提供临时离线、低延时的计算服务,同时配合智能边缘云端管理套件,形成“云管理,端计算”的端云一体解决方案。

华为在2018年推出了IEF平台,通过纳管用户的边缘节点,提供将云上应用延伸到边缘的能力,联动边缘和云端的数据,为企业提供完整的边缘和云协同的一体化服务的边缘计算解决方案。

中兴通讯推出了边缘计算产品,提供从硬件到软件全套的基础设施,支持多种边缘计算系统级方案,在边缘计算平台上提供多种高算力的应用的资源;数梦工场推出统一的DT资源管控产品,提供“两领域+三形态”的融合管控能力,覆盖中心节点领域、边缘节点领域以及云平台、数据中台、业务中台三种形态的统一管控。

新华三推出了超融合边缘计算产品UIS-Edge,支持多种硬件形态与部署方式,将云原生能力延伸至边缘,提供完善的设备接入、边缘计算及云边协同能力,为企业提供一站式云边端融合解决方案。

工业企业依托丰富的工业场景发挥现场级应用能力。海尔专门为物联网企业打造的一站式设备管理平台COSMO Edge平台,提供多源的边缘设备接入能力与强大的边缘计算能力,支持多种工业协议解析,提供可视化流式管道,提供数字化建模与实体映射,提供设备即服务的应用模式,帮助用户快速构建物联网应用,实现数字化生产,助力于企业效益提升;树根互联提供的开放物联平台,提供物联网关Gateway、根云T-Box车载物联盒、根云连接器、根云物联代理开放平台等一系列覆盖主流工业控制器和工业协议解析,实现全行业各类设备一站式快速接入,提供便捷、便宜、开放的设备接入解决方案。

电信运营商依托5G全面部署MEC。移动边缘计算(MEC)是利用无线接入网络就近提供电信用户IT所需服务和云端计算功能,实现计算及存储资源的弹性利用。多接入边缘计算(MAEC)则是将边缘计算从电信蜂窝网络进一步延伸至其他无线接入网络。

1.3云计算与边缘计算如何协同

以物联网场景举例。物联网中的设备产生大量的数据,数据都上传到云端进行处理,会对云端造成巨大的压力,为分担中心云节点的压力,边缘计算节点可以负责自己范围内的数据计算和存储工作。同时,大多数的数据并不是一次性数据,那些经过处理的数据仍需要从边缘节点汇聚集中到中心云,云计算做大数据分析挖掘、数据共享,同时进行算法模型的训练和升级,升级后的算法推送到前端,使前端设备更新和升级,完成自主学习闭环。同时,这些数据也有备份的需要,当边缘计算过程中出现意外情况,存储在云端的数据也不会丢失。

 

物联网场景下云边协同示意图

云计算与边缘计算需要通过紧密协同才能更好地满足各种需求场景的匹配,从而最大化体现云计算与边缘计算的应用价值。 同时,从边缘计算的特点出发,实时或更快速的数据处理和分析、节省网络流量、可离线运行并支持断点续传、本地数据更高安全保护等在应用云边协同的各个场景中都有着充分的体现。

二、云边协同九大应用场景

金准产业研究团队将对云边协同在CDN、工业互联网、能源、智能家庭、智慧交通、安防监控、农业生产等场景中的应用进行介绍,同时对云边协同在医疗保健、云游戏等场景中的前景进行分析。

2.1云边协同在CDN场景中的应用

随着目前5G的部署,配合AI技术、大数据、云计算、IoT等,万物互联的信息时代将让互联网进入一个新的阶段,现阶段的CDN架构已经无法满足5G时代的应用需求,CDN将迎来以边缘云+AI的新发展,以快速响应需求并实现服务能力、服务状态和服务质量的更加透明。通过将CDN部署到移动网络内部,比如借助边缘云平台将vCDN(virtual Content Delivery Network,虚拟内容分发网络)下沉到运营商的边缘数据中心中,将大大缓解传统网络的压力,并且提升移动用户视频业务的体验。基于云边协同构建CDN,不仅在中心IDC的基础上扩大CDN资源池,同时还可以有效的利用边缘云进一步提升CDN节点满足资源弹性伸缩的能力。

 

基于边缘云的vCDN实现场景

CDN云边协同适用于本地化+热点内容频繁请求的场景,适用于商超、住宅、办公楼宇、校园等。对于近期热点视频和内容,可能出现本地化频繁请求,通过一次远端内容回源本地建立vCDN节点之后,本地区内多次请求热点内容均可从本地节点分发,提高命中率,降低响应时延,可提升QoS指标。同理,还可将此类过程应用于4K、8K、AR/VR、3D全息等场景,本地化快速建立场景和环境,同时提高用户体验,降低眩晕感和延迟卡顿。

2.2云边协同在工业互联网场景中的应用

近年来,随着政府部门陆续出台相关政策支持以及生态建设的不断完善,中国工业互联网产业正在迅猛发展。金准产业研究团队据IDC预测,到2020年全球将有超过50%的物联网数据将在边缘处理,而工业互联网作为物联网在工业制造领域的延伸,也继承了物联网数据海量异构的特点。在工业互联网场景中,边缘设备只能处理局部数据,无法形成全局认知,在实际应用中仍然需要借助云计算平台来实现信息的融合,因此,云边协同正逐渐成为支撑工业互联网发展的重要支柱。

工业互联网的边缘计算与云计算协同工作,在边缘计算环境中安装和连接的智能设备能够处理关键任务数据并实时响应,而不是通过网络将所有数据发送到云端并等待云端响应。设备本身就像一个迷你数据中心,由于基本分析正在设备上进行,因此延迟几乎为零。利用这种新增功能,数据处理变得分散,网络流量大大减少。云端可以在以后收集这些数据进行第二轮评估,处理和深入分析。

同时,在工业制造领域,单点故障在工业级应用场景中是绝对不能被接受的,因此除了云端的统一控制外,工业现场的边缘计算节点必须具备一定的计算能力,能够自主判断并解决问题,及时检测异常情况,更好的实现预测性监控,提升工厂运行效率的同时也能预防设备故障问题。将处理后的数据上传到云端进行存储、管理、态势感知,同时,云端也负责对数据传输监控和边缘设备使用进行管理。

 

工业互联网利用边缘云实现云边协同示意图

2.3云边协同在能源场景中的应用

能源互联网是一种互联网与能源生产、传输、存储、消费以及能源市场深度融合的能源产业发展新形态,具有设备智能、多能协同、信息堆成、供需分散、系统扁平、交易开放等主要特征。

金准产业研究团队认为,在传统能源产业向能源互联网升级的过程中,利用云计算和边缘计算两方的优势,可以加速升级过程。

以石油行业为例,在油气开采、运输、储存等各个关键环节,均会产生大量的生产数据。在传统模式下,需要大量的人力通过人工抄表的方式定期对数据进行收集,并且对设备进行监控检查,以预防安全事故的发生。抄表员定期将收集的数据进行上报,再由数据员对数据进行人工的录入和分析,一来人工成本非常高,二来数据分析效率低、时延大,并且不能实时掌握各关键设备的状态,无法提前预见安全事件防范事故。而边缘计算节点的加入,则可以通过温度、湿度、压力传感器芯片以及具备联网功能的摄像头等设备,实现对油气开采关键环节关键设备的实时自动化数据收集和安全监控,将实时采集的原始数据首先汇集至边缘计算节点中进行初步计算分析,对特定设备的健康状况进行监测并进行相关的控制。此时需要与云端交互的数据仅为经过加工分析后的高价值数据,一方面极大的节省了网络带宽资源,另一方面也为云端后续进一步大数据分析、数据挖掘提供了数据预加工服务,为云端规避了多种采集设备带来的多源异构数据问题。

 

云边协同在石油行业的应用

云边协同中,要求终端设备或者传感器具备一定的计算能力,能够对采集到的数据进行实时处理,进行本地优化控制,故障自动处理,负荷识别和建模等操作,把加工汇集后的高价值数据与云端进行交互,云端进行全网的安全和风险分析,进行大数据和人工智能的模式识别、节能和策略改进等操作。同时,如果遇到网络覆盖不到的地区,可以先在边缘侧进行数据处理,在有网络的情况下将数据上传到云端,云端进行数据存储和分析。

2.4云边协同在智能家庭场景中的应用

随着信息化技术的逐步发展、网络技术的日益完善、可应用网络载体的日益丰富和大带宽室内网络入户战略的逐步推广,智能化信息服务进家入户成为可能。智慧家庭综合利用互联网技术、计算机技术、遥感控制技术等,将家庭局域网络、家庭设备控制、家庭成员信息交流等家庭生活有效结合,创造出舒适、便捷、安全、高效的现代化家居生活。

在家庭智能化信息服务进家入户的今天,各种异构的家用设备如何简单地接入智能家庭网络,用户如何便捷地使用智能家庭中的各项功能成为关注焦点。

在智能家庭场景中,边缘计算节点(家庭网关、智能终端)具备各种异构接口,包括网线、电力线、同轴电缆、无线等等,同时还可以对大量异构数据进行处理,再将处理后的数据统一上传到云平台。用户不仅仅可以通过网络连接边缘计算节点,对家庭终端进行控制,还可以通过访问云端,对长时间的数据进行访问。

同时,智能家庭云边协同基于虚拟化技术的云服务基础设施,以多样化的家庭终端为载体,通过整合已有业务系统,利用边缘计算节点将包括家用电器、照明控制、多媒体终端、计算机等家庭终端组成家庭局域网。边缘计算节点再通过互联网(未来5G时代还会通过5G移动网络)与广域网相连,继而与云端进行数据交互,从而实现电器控制、安全保护、视频监控、定时控制、环境检测、场景控制、可视对讲等功能。

金准产业研究团队预测,未来,智能家庭场景中云边协同将会越来越得到产业链各方的重视,电信运营商、家电制造商、智能终端制造商等都会在相应的领域进行探索。在不远的将来,家庭智能化信息服务业不仅仅限于对于家用设备的控制,家庭能源、家庭医疗、家庭安防、家庭教育等产业也将于家庭智能化应用紧密结合,成为智能家庭大家族中的一员。

 

云边协同在智慧家庭信息化中的应用示意图

2.5云边协同在智慧交通场景中的应用

车路协同,是智慧交通的重要发展方向。车路协同系统是采用先进的无线通信和新一代互联网等技术,全方位实施车车、车路动态实时信息交互,并在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理,充分实现人车路的有效协同,保证交通安全,提高通行效率,从而形成的安全、高效和环保的道路交通系统。据公安部统计,截至2018年底,我国汽车保有量已突破2.4亿辆,汽车驾驶人达到3.69亿人。可以预见,车路协同在我国有巨大的市场空间,这为智慧交通在我国的发展和落地提供了得天独厚的“试验场”。

过去各方对于智慧交通的关注点主要集中在车端,例如自动驾驶,研发投入也主要在车的智能化上,这对于车的感知能力和计算能力提出了很高的要求,导致智能汽车的成本居高不下。另一方面,在当前的技术条件下,自动驾驶车辆在传统道路环境中的表现仍然不尽人意。国内外各大厂商逐渐意识到,路侧智能对于实现智慧交通是不可或缺的,因此最近两年纷纷投入路侧的智能化,目标是实现人、车、路之间高效的互联互通和信息共享。

在实际应用中,边缘计算可以与云计算配合,将大部分的计算负载整合到道路边缘层,并且利用5G、LTE-V等通信手段与车辆进行实时的信息交互。未来的道路边缘节点还将集成局部地图系统、交通信号信息、附近移动目标信息和多种传感器接口,为车辆提供协同决策、事故预警、辅助驾驶等多种服务。与此同时,汽车本身也将成为边缘计算节点,与云边协同相配合为车辆提供控制和其他增值服务。

汽车将集成激光雷达、摄像头等感应装置,并将采集到的数据与道路边缘节点和周边车辆进行交互,从而扩展感知能力,实现车与车、车与路的协同。云计算中心则负责收集来自分布广泛的边缘节点的数据,感知交通系统的运行状况,并通过大数据和人工智能算法,为边缘节点、交通信号系统和车辆下发合理的调度指令,从而提高交通系统的运行效率,最大限度的减少道路拥堵。

 

云边协同与车路协同参考框架

2.6云边协同在安防监控场景中的应用

目前安防监控领域,从部署安装角度,一般传统的监控部署采用有线方式,有线网络覆盖全部的摄像头,布线成本高,效率低,占用大量有线资源。采用WiFi回传的方式,WiFi稳定性较差,覆盖范围较小,需要补充大量路由节点以保证覆盖和稳定性。传统方式下需要将监控视频通过承载网和核心网传输至云端或服务器进行存储和处理,不仅加重了网络的负载,业务的端到端时延也难以得到有效的保障。

同时,大量的摄像采集终端都配备较强的数据采集能力,一方面对摄像头的整体架构提出了较高的要求,如何在尺寸体积固定和耗电量较低的情况下,保证处理能力和便捷安装,同时另一方面又尽可能的保障摄像采集端成本较低,是一个比较重要的问题。

基于上述诉求,可以将监控数据分流到边缘计算节点(边缘计算业务平台),从而有效降低网络传输压力和业务端到端时延。此外,视频监控还可以和人工智能相结合,在边缘计算节点上搭载AI人工智能视频分析模块,面向智能安防、视频监控、人脸识别等业务场景,以低时延、大带宽、快速响应等特性弥补当前基于AI的视频分析中产生的时延大、用户体验较差的问题,实现本地分析、快速处理、实时响应。云端执行AI的训练任务,边缘计算节点执行AI的推论,二者协同可实现本地决策、实时响应,可实现表情识别、行为检测、轨迹跟踪、热点管理、体态属性识别等多种本地AI典型应用。

 

智能安防系统云边协同应用示意图

2.7云边协同在农业生产场景中的应用

智慧农业是农业生产的高级阶段,是集新兴的互联网、移动互联网、云计算和物联网技术为一体,依托部署在农业生产现场的各种传感节点和无线通信网络实现农业生产环境的智能感知、智能预警、智能决策、智能分析、专家在线指导,为农业生产提供精准化种植、可视化管理、智能化决策。

以智慧大棚为例:针对条件较好的大棚,安装有电动卷帘,排风机,电动灌溉系统等机电设备,通过云端可实现远程控制功能。农户可通过手机或电脑登录云端系统,控制温室内的水阀、排风机、卷帘机的开关;也可在云端设定好控制逻辑,云端将控制逻辑下放到边缘控制设备,边缘控制设备通过传感设备实时采集大棚环境的空气温度、空气湿度、二氧化碳、光照、土壤水分、土壤温度、棚外温度与风速等数据,自动根据内外情况自动开启或关闭卷帘机、水阀、风机等大棚机电设备。

 

云边协同在智慧大棚应用示意图

2.8云边协同在医疗保健中的应用

在国家政策的大力支持下,我国医疗健康产业未来市场前景广阔,预计到2020年,总规模将超过8万亿元。随着医疗设备在人们日常保健应用比例的提高,产品在不断降低成本的同时,最值得关注的还是安全性、可靠性、易用性等人性化要求。医疗保健行业中患者的数据是极为隐私的,必须加以安全保护。另一方面,诊断精度直接影响设备诊断结果,这必然也是未来产品设计的关注重点。

随着社会的进步和人口结构的改变,医疗保健的发展主要呈现出三个特点:便携化、智能化和多功能化。便携式移动医疗、大数分析、云服务等智能医疗迎来发展热潮并在个体群体之间不断创新。

目前,用于生命体征检测的可穿戴设备正在快速发展,其中低功耗、小尺寸和设计简单性已经成为方案设计中的关键所在。包括智能手表在内的腕戴式健身和见卡个设备越来越受欢迎。但是,要真正地从所收集的海量数据中获益,实时分析可能是必不可少的——许多的可穿戴设备直接连接到云上,但也有其他的一些设备支持离线运行。一些可穿戴健康检测器可以在不连接云的情况下本地分析脉搏数据或睡眠模式。然后医生可以远程对病人进行评估,并就病人的健康状况提供即时反馈。

 

云边协同在医疗保健中的应用

机器人辅助手术是医疗保健中云边系统的另一个用例,这些机器人需要能够自己分析数据,以便安全、快速和准确的为手术提供帮助;同时,将数据上传到云端,在云端进行AI学习,完善机器人程序,并在适当时机将学习完成的模型下发到机器人终端。

 

2.9云边协同在云游戏场景中的应用分析

随着互联网的发展,以及5G网络已经成为现实的今天,“云游戏”这个名词也开始被越来越多的厂商利用,同时也被越来越多的玩家所期待。所谓“云游戏”,就是所有游戏都在云端服务器中运行,云端将渲染完毕后的游戏画面压缩后通过网络传送给用户发送到终端。在终端,用户的游戏设备不需要任何高端处理器和显卡,只需要具备基本的视频解压和指令转发功能即可。

2018年,已经有AT&T、Verizon等电信巨头以及微软、亚马逊等IT巨头先后公布了云游戏相关的测试或者布局。在2019年的MWC上,国内手机厂商OPPO和一加也分别展示了相关的云游戏服务。根据第三方机构的预测,全球云游戏市场将从2018年的0.66亿美元增加到2023年的4.5亿美元,复合年均增长率为47%。

AR为例,应用程序需要通过相机的视图、定位技术或将两者结合起来,判断用户处于哪个位置以及面向哪个方向。对位置和方向信息加以分析之后,应用程序可以实时向用户提供其他信息。而当用户移动后,需要刷新该信息。边缘计算将计算任务卸到边缘服务器或移动端上,降低平均处理的延时。前景的交互放在云上,背景则交给移动端,最终实现完整的AR体验。

 

云边协同在云游戏中应用框图

结语

金准产业研究团队认为,有一种声音说边缘计算是云计算的对立面,其实是错误的,边缘计算更多的是云计算向终端和用户侧延伸形成的新解决方案。边缘计算本身就是云计算概念的延伸,即便是赋予其独立的概念,也无法做到与云计算切割开,二者本就是相依而生、协同运作的。云边协同将成为主流模式,这种协同模式下,云计算在向一种更加全局化的分布式节点组合新形态进阶。