十四五，物联网行业将迎来爆发式增长

引言：

近年来，作为前沿技术之一，物联网可谓是赚足了眼球。随着世界各国研究人员对物联网的技术研发日益深入，物联网技术也不断发展成熟，并不断渗透到各个细分行业中。为推动物联网技术深度融入各个领域，我国各有关部门已经出台了一系列政策，其中就包括《面向智慧城市的物联网技术应用指南》等文件。“十四五”规划虽还未全面公开，但是根据中项网行业信息整理分析，物联网行业将在十四五期间迎来大爆发。

物联网概念的由来及发展

物联网（Internet of Things，IoT）一词，最早于1991年由麻省理工的教授提出。在1995年比尔盖茨撰写的《未来之路》一书中也有所提及。1999年，麻省理工学院自动识别中心的Kevin Ashton教授将RFID及传感器应用于日常生活，将物品标记应用，提出“万物皆可通过网络互联”，阐明了物联网的基本含义。根据“物联网“的英文名称：Internet of things(IoT),顾名思义，就是物物相连的互联网，其实它还有一个名称，就是传感网，是指这有两层意思:其一，物联网的核心和基础仍然是互联网，是在互联网基础上的延伸和扩展的网络;其二，其用户端延伸和扩展到了任何物品与物品之间，进行信息交换和通信，也就是物物相息。物联网通过智能感知、识别技术与普适计算等通信感知技术，广泛应用于网络的融合中，也因此被称为继计算机、互联网之后世界信息产业发展的第三次浪潮。物联网的活点定义是利用局部网络或互联网等通信技术把传感器、控制器、机器、人员和物等通过新的方式联在一起，形成人与物、物与物相联，实现信息化、远程管理控制和智能化的网络。
物联网已广泛应用于各行各业，正不断向“高价晋级“

目前物联网应用已经遍布各个行业，预计将为数十亿日常物品提供连接和智能，而且它已经在各个领域广泛部署，即：可穿戴设备、智能家居、医疗保健、智慧城市、农业、工业自动化等。
未来物联网将会更加广泛的应用于不同行业和领域中，从简单的状态检测和自动化，向高阶的综合调度和智能化决策等方向演进：

物联网行业竞争即将到白热化阶段，技术突破成为行业痛点
目前,在物联网行业，广为人知的主要是华为、阿里等Top10的企业。然后实际上，在物联网领域做的比较好的企业已经有上百家，还有其他大大小小的新进去企业和独角兽公司等，由此可见物联网行业竞争已经到了白热化阶段。物联网作为新一代信息技术的高度集成和综合运用，通过智能传感器、多媒体采集、专网、5G、云计算、大数据等技术，在疫情科学防控、企业复工复产等方面发挥支撑作用，接口融合问题将是物联网行业面临的最大的技术难点和痛点。

“十四五“—物联网真正的爆发期

根据国际调研机构Strategy Analytics发布的《全球联网和物联网设备预测更新》，截至2018年底，全球联网设备数量已经达到220亿。在华为的预测中，到2025年，物联网设备的数量也将接近1000亿个，每小时会有200万个传感器被部署。

根据中项网近五年项目及招投标信息汇总分析，2020年物联网相关项目数量呈直线上升，未来物联网市场上涨空间可观，预计到2025年国内物联网市场规模将突破6万亿，年均复合增长率将达25%。

以内容为中项网行业研究院自创，如有转载请标明出处，多谢！

中项网行业研究院依托中项网的建设项目大数据、行业专家资源和分析研究团队，专注为企业提供行业研究、竞争对手调研、成本研究、渠道研究及业绩监测等服务。

主要优势行业：我们在能源电力、石油化工、轨道交通、环保、新能源、机电设备、工业控制、工业润滑油等领域积累了丰富资源和经验，超过500+的成功案例;

我们的资源：30+名行业研究专家、200+的支持团队、覆盖全行业的项目投资数据及多渠道资源，匠心行业商机及发展研究。

一般利用物联网、人工智能、云边计算、大数据挖掘分析、机器学习和深度学习等技术，还有运用三维可视化大数据平台、物联网云平台、移动终端以及各个智能硬件设备，实现城市物联感知、城市管理、城市服务等功能，提高政府监管服务、决策的智能化水平，形成高效、便捷、便民的新型管理模式，为城市构建智能型，管理型决策平台。
智慧城市本质是以大数据平台为核心，采用云、物、端构建起三级平台，利用人工智能+物联网+大数据+云计算技术，采用硬件设备+大数据平台模式，将人与城市基础设施、城市服务管理建立紧密联系，打通城市各级、各行业智慧应用平台形成的系统化解决方案。

最近看了很多关于区块链的报道，感觉区块链的火爆和人工智能以及物联网的火爆有着很多相似之处。以下是一些个人的见解：

​1 ．人工智能、物联网、区块链的出现，都是人类对未来的探索。

人类是一个很奇特的群体，总有一群人会找到我们这个时代的出口，这样我们才觉得社会是在正常运转。因为技术的大爆发，导致人们创新的欲望是空前的。不管结果怎么样，这些欲望的出发点总是好的。

人工智能的火爆一方面是我们常说的深度学习、大数据、计算能力，这三个方面的发展；另一方面是互联网已经发展了数十年，需要新的事物出现来承接互联网发展的造成的后果，比如说大数据、一些低效的互联网机制。互联网发展那么多年，期间我们也能看到有一些新的事物被发明或者被提起，例如物联网。但是，它再经过时间的洗涤，渐渐被淡化。一开始，物联网出现的时候，很多人都认为物联网是人类继互联网的下一个出口。到后来，出现了诸多问题例如：数据处理能力的限制、传感器智能化的限制，渐渐的物联网被边缘化。接着而来的是，物联网发展过程中问题的解决方案的出现——人工智能。

整体来看，这些技术的发展，要么真正的成功了，要么就是引导出一些新的问题，这些新的问题的解决方法又形成了新的技术。这让我想到真格基金王强先生说的一句话：改变世界的是问题，而不是答案。

人类社会发展那么多年，始终有一个难题有待解决，那就是去中心化。值得说明的一点是，区块链也并非完全去中心化，只是效率的提升，其中也有成本。今天很多媒体的报道，本身就是有误导性的。

2 ．区块链、物联网到底谁才是下一个出口？

笔者认为，物联网是人类的下一个出口。相比区块链而言，物联网更容易成为新的出口，因为之前的浪潮使得其在政策上有一定的优势，而且，物联网相比互联网而言是淡化中心型网络。这里解释一下什么是淡化中心型网络，互联网属于平台中心型网络，人与人之间的交流必须集中到一个平台上，这个平台是我们常说的信任机制；而物联网是淡化中心型网络，传感器设备自组织成一个网络，这个网络节点不再是企业或者是平台，换句话说，平台将中心化的权利进行分布式优化，使得每个节点都有可能成为中心。

而对于区块链而言，它的技术核心所诉求的去中心化还是太过着急。但是，在一些领域，这种去中心化的诉求还是必要受到欢迎的，比如说：金融，房屋租赁等适合p2p模式的商业需求。笔者认为，下一个出口是物联网的最大原因是，相较于区块链而言，物联网的去中心化更柔和一些。

3 ．人工智能、物联网、区块链，最后都一定会运用到生活当中。

这句话，可能听起来有些废话。但是，技术能够应用于生活的前提是技术本身能够解决一系列生活当中存在的问题，从经济学的角度来说，所有的技术都在围绕两个字：效率。无论今天人们对于人工智能、物联网、区块链如何看待，有一点是可以确定的，存在即价值。

至于时间维度，我们可以感受到或者看到，人工智能再经过一年多的炒作之后，它正在逐渐的落地应用到行业中。个人看法，2018年应该是人工智能拥抱行业的元年。一方面科技企业和传统企业也正在积极合作，另一方面人工智能相关的新媒体也正在推进人工智能的落地，比如说：新智元。

物联网这块自然就不用多说，上届政府在政策制定和相关规划上对物联网也算得上偏爱。而且，这几年当中，物联网商业应用一直发展的不错。只是，没有之前想象的那么好。相信未来在人工智能的配合下，物联网行业一定会得到快速发展。

对于区块链来说，或许还需要很长时间去去泡沫，今天区块链的泡沫太严重，除了市场的泡沫化，区块链还要面对很严的监管，这些问题还需要长时间的解决。个人认为，区块链落地到行业应该比人工智能需要花费更长的时间。至于今天很多企业与其凑热度，不如专心做事，凑热度在监管不明朗的情况下，容易出现问题。

一、物联网概念 

随着互联网技术、传感器技术和人工智能技术的快速发展，物联网技术也应运而生，物联网技术在各类领域能发挥重要性变革，对解放生产力、提高工作效率和推动规模化生产等方面贡献颇大，特别是在农业领域大有可为。实现智慧农业，必须依靠物联网技术为依托，以智慧平台为核心，立足市场需求，构建生产组织智能化、产品质量溯源化、市场经营网络化为一体的产业体系。

物联网是通过智能传感器、射频识别、激光扫描仪、全球定位系统、遥感等信息传感器设备及系统和其他基于物－物通信模式的短距离自组织网络，按照约定的协议，在物品与互联网连接起来，进行信息交换和通信，以实现智能化识别、定位、跟踪、监控和管理的一种巨大智能网络。它是通信网和互联网的扩展应用和网络延伸，主要是实现人与物、物与物的信息交互。
二、物联网四层模型

在信息层面，数据信息经历生成、传输、处理和应用四个阶段，分别对应着物联网的感知识别层、网络构建层、数据处理层和综合应用层。感知识别层是利用感知技术和智能装备对物理世界进行感知识别。网络构建层是按照特定的通信协议搭建各类网络对信息进行传输，以实现物－网互联。数据处理层通过大数据和人工智能技术对网络层采样的数据进行预处理、计算存储和数据挖掘等一系列 *** 作，最大地发挥出信息的生产效能。综合应用层是集成各类技术以实现实时控制、精准管理和科学决策等功能的应用系统，从而改进人的生产方式。各类技术应对不同环境、不同需求独立展开工作，各层面间又是联系紧密，如同链条式协同配合。
感知层作为物联网的“神经末梢”，主要是通过信息感知技术将生活生产各方面映射成数据信息，并能可靠传送到网络层，实现物理世界和信息世界连接起来。信息感知技术是指利用传感器、RFID、GPS和RS等实时实地对农业领域物体进行信息采集和获取。在农业生产现场可以利用无线传感器采集温湿度、光照、溶解氧浓度和农作物长势等参数，利用视频监控设备获取农作物成长现状，利用遥感技术大规模感知农作物表面和环境因素。信息感知层作为物联网的基础，获取大量的数据信息，为信息进一步加工、处理、分析而科学决策和指导生产经营打通“二元”壁垒。

网络层要在感知层和处理层发挥承上启下作用，是以现场总线技术、无线传感器网络技术（WSN）和移动通信技术互为补充的通信网络将传感设备连接“上网”。信息传输技术可分为有线和无线、短距离和长距离，它们有各自特点、应对不同环境、利用不同信道共同组建集成网络体系，以实现高度可靠的信息交流和共享。无线传感器网络成为农业信息传输的“主力军”，通过包括传感器节点、汇聚节点、任务管理节点。大量具有独立处理能力的微型传感器节点布置在监测区域逐跳传输，并路由到汇聚节点，然后通过互联网或卫星抵达任务管理节点，最后用户通过任务管理节点配置和管理传感器网络以实现监测任务发布和数据收集。常见的无线局域网技术有蓝牙、WIFI、ZigBee，无线广域网技术有LPWAN、NB-IOT、4G和5G。特别是以“万物互联”为目标的5G将农业物联网数据传输效率带来“质的跃升”。

处理层是农业物联网的“灵魂”，通过信息处理技术对感知层采集的信息存储和挖掘分析形成预测预警、智能决策、优化控制和疾病诊断等智能模型，从而对农业生产和经营给出科学的指导。农业生产和经营过程中，数据信息是呈指数型爆炸产生，不仅是体量大，而且结构复杂、实时性强、关联度高，必须通过大数据技术处理、存储和管理，才能从海量数据中获取更多的价值。农业大数据技术平台是以Hadoop架构、MapReduce软件模型、其他组件补充的生态软件体系形成的分布式海量数据存储管理、运算处理和分析平台。数据挖掘是指从海量数据中通过算法搜索隐藏的信息关系，主要手段是机器学习、深度学习、计算机视觉等人工智能技术。只要获取隐藏知识，才能帮助决策者做出合理、正确的决定和决策。

应用层是农业物联网的“指挥室”。主要通过感知技术、传输技术、处理技术和设备进行软硬件综合集成，形成智能控制、监控决策、专家系统、物流溯源等等应用。根据生产、经营的和管理不同需求，开发出特定功能的应用，用户通过web端或移动客户端应用实时掌握信息、发出精准控制指令。可以说，先进技术发挥设备的最大生产力，综合应用改变人的工作方式，有利于做出更科学合理决策。

目前，业界有一种错误的较为普遍的意识，即“深度学习最终可能会淘汰掉其他所有机器学习算法”。这种意识的产生主要是因为，当下深度学习在计算机视觉、自然语言处理领域的应用远超过传统的机器学习方法，并且媒体对深度学习进行了大肆夸大的报道。

深度学习，作为目前最热的机器学习方法，但并不意味着是机器学习的终点。起码目前存在以下问题：

1 深度学习模型需要大量的训练数据，才能展现出神奇的效果，但现实生活中往往会遇到小样本问题，此时深度学习方法无法入手，传统的机器学习方法就可以处理；

2 有些领域，采用传统的简单的机器学习方法，可以很好地解决了，没必要非得用复杂的深度学习方法；

3 深度学习的思想，来源于人脑的启发，但绝不是人脑的模拟，举个例子，给一个三四岁的小孩看一辆自行车之后，再见到哪怕外观完全不同的自行车，小孩也十有八九能做出那是一辆自行车的判断，也就是说，人类的学习过程往往不需要大规模的训练数据，而现在的深度学习方法显然不是对人脑的模拟。

深度学习大佬 Yoshua Bengio 在 Quora 上回答一个类似的问题时，有一段话讲得特别好，这里引用一下，以回答上述问题：

Science is NOT a battle, it is a collaboration We all build on each other's ideas Science is an act of love, not war Love for the beauty in the world that surrounds us and love to share and build something together That makes science a highly satisfying activity, emotionally speaking!

这段话的大致意思是，科学不是战争而是合作，任何学科的发展从来都不是一条路走到黑，而是同行之间互相学习、互相借鉴、博采众长、相得益彰，站在巨人的肩膀上不断前行。机器学习的研究也是一样，你死我活那是邪教，开放包容才是正道。

结合机器学习2000年以来的发展，再来看Bengio的这段话，深有感触。进入21世纪，纵观机器学习发展历程，研究热点可以简单总结为2000-2006年的流形学习、2006年-2011年的稀疏学习、2012年至今的深度学习。未来哪种机器学习算法会成为热点呢？深度学习三大巨头之一吴恩达曾表示，“在继深度学习之后，迁移学习将引领下一波机器学习技术”。但最终机器学习的下一个热点是什么，谁又能说得准呢。

编辑于 2017-12-27

29918 条评论

分享

收藏感谢收起

阿里云云栖社区

用户标识1

已认证的官方帐号

39 人赞同了该回答

人工智能并不是一个新的术语，它已经有几十年的历史了，大约从80年代初开始，计算机科学家们开始设计可以学习和模仿人类行为的算法。

在算法方面，最重要的算法是神经网络，由于过拟合而不是很成功（模型太强大，但数据不足）。尽管如此，在一些更具体的任务中，使用数据来适应功能的想法已经取得了显着的成功，并且这也构成了当今机器学习的基础。

在模仿方面，人工智能专注于图像识别，语音识别和自然语言处理。人工智能专家们花费了大量的时间来创建诸如边缘检测，颜色配置文件，N-gram，语法树等。不过，这些进步还不足以达到我们的需求。

传统的机器学习：

机器学习（ML）技术在预测中发挥了重要的作用，ML经历了多代的发展，形成了具有丰富的模型结构，例如：

1线性回归。

2逻辑回归。

3决策树。

4支持向量机。

5贝叶斯模型。

6正则化模型。

7模型集成（ensemble）。

8神经网络。

这些预测模型中的每一个都基于特定的算法结构，参数都是可调的。训练预测模型涉及以下步骤：

1  选择一个模型结构（例如逻辑回归，随机森林等）。

2  用训练数据（输入和输出）输入模型。

3  学习算法将输出最优模型（即具有使训练错误最小化的特定参数的模型）。

每种模式都有自己的特点，在一些任务中表现不错，但在其他方面表现不佳。但总的来说，我们可以把它们分成低功耗（简单）模型和高功耗（复杂）模型。选择不同的模型是一个非常棘手的问题。

由于以下原因，使用低功率/简单模型是优于使用高功率/复杂模型：

在我们拥有强大的处理能力之前，训练高功率模型将需要很长的时间。

在我们拥有大量数据之前，训练高功率模型会导致过度拟合问题（因为高功率模型具有丰富的参数并且可以适应广泛的数据形状，所以我们最终可能训练一个适合于特定到当前的训练数据，而不是推广到足以对未来的数据做好预测）。

然而，选择一个低功率的模型会遇到所谓的“欠拟合”的问题，模型结构太简单，如果它复杂，就无法适应训练数据。（想象一下，基础数据有一个二次方关系：y = 5 x ^ 2;你无法适应线性回归：y = a x + b，不管我们选择什么样的a和b。

为了缓解“不适合的问题”，数据科学家通常会运用他们的“领域知识”来提出“输入特征”，这与输出关系更为直接。（例如，返回二次关系y = 5 square（x），如果创建了一个特征z = x ^ 2，则可以拟合线性回归：y = a z + b，通过选择a = 5和b = 0）。

机器学习的主要障碍是特征工程这个步骤，这需要领域专家在进入训练过程之前就要找到非常重要的特征。特征工程步骤是要靠手动完成的，而且需要大量领域专业知识，因此它成为当今大多数机器学习任务的主要瓶颈。

换句话说，如果我们没有足够的处理能力和足够的数据，那么我们必须使用低功耗/更简单的模型，这就需要我们花费大量的时间和精力来创建合适的输入特征。这是大多数数据科学家今天花时间去做的地方。

神经网络的回归：

在大数据时代，云计算和大规模并行处理基础架构的共同发展，使得机器处理能力在二十一世纪初得到了极大的提升。我们不再局限于低功耗/简单的模型。例如，当今最流行的两种主流机器学习模型是随机森林和梯度提升树。尽管如此，两者都非常强大，并且提供了非线性模型拟合的训练数据，但数据科学家仍然需要仔细地创建特征以获得良好的性能。

与此同时，计算机科学家重新使用神经网络的许多层来完成这些人类模仿的任务。这给DNN（深度神经网络）带来了新的生机，并在图像分类和语音识别任务方面提供了重大突破。DNN的主要区别在于，你可以将原始信号（例如RGB像素值）直接输入DNN，而不需要创建任何域特定的输入功能。通过多层神经元（这就是为什么它被称为“深度”神经网络），DNN可以“自动”通过每一层产生适当的特征，最后提供一个非常好的预测。这极大地消除了寻找“特征工程”的麻烦，这是数据科学家们最喜欢看到的。

DNN也演变成许多不同的网络拓扑结构，所以有CNN（卷积神经网络），RNN（递归神经网络），LSTM（长期短期记忆），GAN（生成敌对网络），转移学习，注意模型（attention model）所有的这些被统称为深度学习（Deep Learning），它正在引起整个机器学习界的关注。

强化学习：

另一个关键组成部分是关于如何模仿一个人（或动物）的学习，设想感知/行为/奖励循环的非常自然的动物行为。一个人或者一个动物首先会通过感知他或者她所处的状态来了解环境。在此基础上，他或者她会选择一个“动作”，将他或者她带到另一个“状态”。那么他或她将获得“奖励”，循环重复，直到他或她消失。这种学习方式（称为强化学习）与传统监督机器学习的曲线拟合方法有很大不同。尤其是，强化学习学习得非常快，因为每一个新的反馈（例如执行一个行动并获得奖励）都被立即发送到影响随后的决定。

强化学习也提供了预测和优化的平滑整合，因为它在采取不同的行动时保持当前状态的信念和可能的转换概率，然后做出决定哪些行动可以导致最佳结果。

深度学习+强化学习= AI

与经典的ML技术相比，DL提供了一个更强大的预测模型，通常可以产生良好的预测结果。与经典优化模型相比，强化学习提供了更快的学习机制，并且更适应环境的变化。

机器学习 vs 深度学习

在深度探讨machine learning和data science的联系之前，这里简要地讨论一下machine learning 和deep learning。machine learning是一套算法，来训练数据集做预测或者采取行动以使得系统最优化。举例来说，supervised classification algorithms被用来根据历史数据将想要贷款的客户分成预期好的和预期差的(good or bad prospects)。对于给定的任务(比如监督聚类)，需要的技术多种多样：naive Bayes、SVM、neural nets、ensembles、association rules、decision trees、logistic regression，或者是很多技术的组合。所有这些都是数据科学的子集。当这些算法自动化后，比如无人驾驶飞机或者无人驾驶汽车，这就叫AI了，或者说的具体一点，deep learning。如果采集的数据来自传感器并且通过互联网传播，那么这就是机器学习或数据科学或深度学习应用于物联网了。

有些人对深度学习有不同的定义，他们认为深度学习是更深层次的神经网络(一种机器学习的技术)。AI(Artificial Intelligence)是创建于20世纪60年代的计算机科学的一个子领域，是关于解决那些对人类来讲非常容易但是对计算机而言很难的任务。值得一提的是，所谓的strong AI可能可以做所有人类可以做的事情(可能除了纯粹的物理问题)。这是相当广泛的，包括各种各样的事情，比如做计划，在世界上到处溜达，识别物体和声音，说话，翻译，社交或者商业交易，还有创造性工作(比如写诗画画)等等。

NLP(Natural language processing)只是AI要处理的语言部分，尤其是写。

Machine learning是这样的一种情况：给出一些可以被以离散形式描述的AI问题(比如从一系列动作中选出对的那个)，然后给定一堆外部世界的信息，在不需要程序员手动写程序的情况下选出那个“正确的”行为。通常情况需要借助外界的一些过程来判断这个动作对不对。在数学上，这就是函数：你给一些输入，然后你想要他处理一下得到正确的输出，所以整个问题就简化为用一些自动的方式建立这种数学函数模型。和AI区分一下：如果我写了一段特别机智的程序有着人类的行为，那这就可以是AI，但是除非它的参量都是自动从数据中学会的，否则就不是机器学习。

Deep learning是当下非常流行的机器学习的一种。它包含一种特殊的数学模型，可以想成是一种特定类型的简单块的组合(或者说是块的功能的组合)，这些块可以进行调整来更好的预测最终结果。

---