雷锋网按：物联网发展至今，有两项技术对其赋能产业起到了关键作用，一项是这两年发展神速的AI，另一项则是当下逐渐开始商用的5G。
前者使物联网（IoT）进化到智联网(AIoT)，从单一的连接能力拓展到复杂的应用能力，这类似移动互联网时代的功能机向智能机的跨越；后者为智联网进一步深入诸如家居、工业、城市建设等复杂场景提供了网络基础，使得万物互联，甚至万物智联成为可能，同时也使得智联网从面相消费应用扩展到面相产业应用，这类似智能手机从3G时代向4G时代的跨越。
从原有的WiFi技术，窄带物联网技术，到现在的5G技术，随着网络技术的进化，整个物联网技术体系有怎样的变化？尤其5G的到来，为AIoT的应用带来了怎样的机遇和挑战？
近日，在由物联网智库主办的首届“挚物·AIoT产业领袖峰会”上，中国工程院院士邬贺铨详细解读了5G技术关键点，如何为5G业务发展做准备，以及AIoT技术及标准在5G时代如何演进等关键问题。
以下为邬贺铨院士的现场演讲内容，雷锋网作了不改变原意的编辑及整理：
随着2019年6月6日工信部正式向中国电信、中国移动、中国联通和中国广电四家运营商颁发5G商用牌照，我国5G商用落地正式展开。就5G技术层面而言，又可以分为多层来看。
上至云端，下至终端之间，5G网络又可以划分出无线接入网、光纤传输承载网、转发面技术、业务互联网技术，其中最重要的转发面技术又可以分为L1.5、L2、L3三层：
L1.5：灵活的以太网交叉连接（FlexE）;
L2：MAC层帧交换，基于以太网的时延敏感网路（TSN）；
L3：IP层无连接选路，面向连接的源选路（SR）。
这样的网络架构形成的5G网络需要超密集组网、大规模天线阵、全频谱接入、新型多址技术及网络技术的支撑，这也使得5G网络得以拥有增强移动带宽、高可靠低延时、广覆盖广连接的特点及相应应用场景，使得5G网络相较于上一代的4G网络在诸如峰值速率、用户体验数据率、频谱效率、移动性、无线接口延时、连接密度、能效、流量密度等性能参数上都有数倍，乃至数十倍的提升（具体性能对比见下图右表）。
邬贺铨院士认为，也正是由于5G的以上技术特性，使得其应用场景得以从面相消费应用扩展到面向产业应用。
传统互联网发展进程中，初期网络不够稳定，包括传感器数据、语音数据、视频数据等数据业务，所有业务都以IP包方式独立选路，以IP包为单位在路由器中转发。实际上，这样并不科学。
以长视频为例，一个长视频需要分割成无数个IP包，每个IP包需要重复进行选路。邬贺铨将这样的大数据量的传输比喻为搬家：“如果点快餐，我们可以找外卖小哥来送；但是如果搬家，我们并不会请数百上千位快递小哥来做这样的工作。”
所以5G需要在传输层做改进，需要有在不同层次的多种转发单元，以适应不同规模的业务流。即不仅可以在路由器中做IP包的交换，还需要能够在交换机、交叉连接点层上做交换。根据业务模块数据量大小，选择不同交换方式。 这一被业内公认的网络传输方式为当下5G网络带来了两方面的挑战：
一方面是在转发面实现功能多样性。不同时间段会用到路由器、交换机，甚至同一时间段对传感器链路用路由器转发，对视频链路用交换机连接，如何在同一时间表现不同功能就成为一大难题。
传统方法使用单独的软件和硬件来实现。现在的5G网络，硬件上采用通路的硬件，即网络功能虚拟化（NFV），通过软件定义实现硬件功能定义，实现功能的多样性。
另一方面是实现管理智能化。传统互联网是个“傻瓜”，不用区分是什么链路，不管是什么业务，都会分割成IP包进行传输。而现在需要区分业务、区分功能，这就需要智能化网络。
邬贺铨在会上解释称，“传统路由器收到IP包需要先打开IP包查一下地址，然后按最短路线送到旁边的路由器，因而整个传送链路是逐个路由器转发的过程，现在我们希望通过网络的整个操作系统对全网进行大数据分析、人工智能分析，最终得出一个全网从起点到终点最优路径。
这一定不是逐个路由器转发，而是面向连接，从源端已经将到达终端的路由器的整个路径已经选好，而不是每个路由器单独选路，这种方式使5G可以做到低时延、高可靠。”以上提到的选路方式，正是通过软件定义网络（SDN）来实现的。
SDN可以实现业务控制层和传送承载层分离，基于大数据和人工智能形成可弹性扩展即插即用的资源池，实现端到端选路，可绕开有安全风险的路由。
5G网络既需要支持百公里时速的高铁上的高速应用场景，同时也要满足80%左右时间是“坐在家里或办公室使用手机”的相对静止的应用场景。这使得5G需要拥有切片能力。
在实际应用场景中，多数场景中使用手机需要的是KB的网络传输能力，同时也有对GB级传输能力有需要的车联网等应用场景；有智慧医疗、工业互联网这样对高可靠有要求的应用场景，也有消费领域对高可靠并没有强烈需求的场景。
面对这样复杂应用场景的需求，此前的网络是通过改变物理网络来实现不同的应用，当下5G网络则是使用同一个网络，通过逻辑上的切片组织针对不同业务的专用网络，以实现对大带宽、广连接、低延时高可靠有不同需求的网络构建，未来物联网的业务在5G网络中也会有各自单独的通道。
网络切片能够很好地满足各类应用场景对于网络能力的特定需求，同时也对网络构建带来了一定的挑战，以业务切片的安全为例，需要考虑以下安全需求：
切片授权与接入控制；
切片间的资源冲突；
切片间的安全隔离；
切片用户的隐私保护；
以切片方式隔离故障网元。
5G的切片能力带来面向不同业务需求的专用网络，与此同时，5G也会强力推进边缘计算的应用与普及。
为适应工业互联网、视频业务、VR/AR、车联网及远程医疗的低延时需求，需要将这些业务的存储和内容分发下沉到边缘计算来处理。
虽然5G的空口时延减少到了1ms，但是如果在地面上长距离传输到中心云的话，延时还是会很大。
对于AR/VR、远程医疗这类需要快速相应的应用场景，5G为了实现低时延、高可靠，需要将云端能力从中心云分解到边缘云，边缘云负责处理对时间要求敏感的业务，同时过滤掉一些数据，再送到中心云，中心云收集到若干边缘云的数据后会做优化学习，然后下发数据模型到边缘云。
在5G时代，利用边缘计算可以过滤和压缩数据，通过边缘云的模式，可以节省核心网络资源，成本仅为单独使用云计算的39%。
据IDC预测数据，2020年会有50%的数据都会在边缘云处理。边缘云作为物联网的基础设施，会占到真个基础设施支出的18%。
与此同时，边缘计算也将是整个物联网的基础设施的一部分。
什么是5G最热门的应用场景？
“现在我们说5G有三大应用场景。但是谁也说不出来5G最热的应用场景是什么。”邬贺铨解释道，“3G刚开始应用的时候还没有智能手机，也没有微信；4G刚落地应用的时候，微信还不能做移动支付，也不支持视频通话；在4G网络提速降费后，抖音、快手短视频才出现。可见，所有移动互联网的业务是在移动互联网能力具备后才出现的。所以我们现在无法说哪种应用最热门，但是不等于说我们不为未来5G业务的发展做准备。”
如何为5G业务发展做准备？
这是个不确定的情况。假设在座每个人的手机都是同一个型号，但这并不能说明每个人的手机的能力都一样的，因为每个人的手机下载的APP不一样。
5G网络也将采用类似的业务模式，以APP方式生成定制单元，这类APP可以是运营商定制的，也可以是第三方开发者定制的。这使得5G网络能够灵活适应未来不确定的业务。
另外，传统的移动通信协议是专用协议，5G采用的将全部是物联网的协议，这使得物联网中所有应用可以直接嫁接到5G上，给5G带来业务的灵活性。
但是这种方式有一定风险，原来运营商的协议是专用的，运营商的能力是封闭的，现在将其开放，就容易产生网络安全问题。因而，如果将4G的安全能力再次沿用到5G上，那么，5G网络将不再安全。因而需要提升5G的安全能力。相关组织目前正在增强5G的安全能力，相关能力也在逐步完善过程中。
尽管如此，但是毫无疑问的是，5G对AIoT的应用将是极为有利的因素。
部分大企业希望使用非许可频段的LoRa来建内部网络，与此同时，对于大量中小企业，自建物联网并不经济，工作在授权频段的NB-IoT可以为企业提供一个通过多载波方式、承载在公众通信网上的专用物联网，这一网络支持多个20KB或250KB的信道上，有以下四大特点：
广覆盖：比GSM覆盖面积大百倍；
大连接：比移动网络稿50-100倍；
低功耗：终端模块功耗为2G的1/10；
低成本：单个连接模块目标在1美元。
“预计今年年底，三大运营商在全国二三四线城市大部分地区都能实现全面覆盖。”邬贺铨在会上表示。
尽管如此，NB-IoT网络还是有三个明显的缺点：
第一，带宽只有20K\250K，低也低不下去，高也高不上来；
第二，NB-IoT传感器是固定位置的，不支持移动部署，而工业应用的工件、机器人及网联车的传感器是移动的；
第三，NB-IoT的模块无法实现与人的交互。
为此，行业中除了NB-IoT还在开发新的物联网标准，例如支持1M带宽、支持移动部署、可以实现与人交互的eMTC；支持160bps带宽，可以实现大连接的mMTC。
本来这些都与5G无关，但是近期，3GPP通过仿真向ITU提交报告，说明在LTE和未来5G频段工作的NB-IoT和eMTC满足5G的连接密度要求（5G的大连接要求：100万/1k㎡设备联网；传输时延10秒内；不高于1%的丢包率；一定的连接效率），因此，NB-IoT和eMTC可纳入5G低功耗广域网（LPWAN）物联网标准。
新的5G物联网已经将工作在5G频段的NB-IoT、eMTC和未来的mMTC全部纳入到5G物联网标准中。
从互联网、移动互联网，走到物联网、泛在物联网，以及现在的智能物联网（AIoT），其中，AIoT可以说是AI和IoT二者的融合，将人工智能技术应用到物联网中。
IoT和AI之间是什么关系？
IoT解决底层连接和数据传输问题，AIoT关注的物联网的应用形态，强调应用服务，强调后端处理能力。
AI和IoT相辅相成，IoT为AI提供了深度学习所需要的大量训练数据，IoT场景化互联也为AI快速落地提供了基础；AI将连接后产生的海量数据经分析、决策转换为价值，反过来指导IoT的正确应用和效率提升。
5G和AI、IoT之间是什么关系？
5G是将AI和IoT连接起来，成为一个可靠的高带宽、大连接、低时延的通道。
通过5G将IoT提升到人工智能的层面，体现IoT的价值；同时，5G帮助AI与IoT结合，产生落地效应。
诸如在语音识别、人脸识别、步态识别中的应用：
贵州80%以上的按键都运用了“人像大数据系统”；2.腾讯优图人脸识别能力两年来已帮助上千个家庭找到了走失的家人；
腾讯优图人脸识别能力两年来已帮助上千个家庭找到了走失的家人；
香港2019年7月发生暴力事件，暴徒几乎都戴口罩和头盔来躲避人脸识别，需要使用步态识别技术，通过身高、腿骨、肌肉、关节等人体体型特征好走路姿态进行步态识别。
……
AIOT首先的应用领域是智能家居。
智能家居有多种入口，诸如智能手机、智能音箱、智能电视、智能门锁，以及未来的智能机器人。“这些都是智能家居的控制中心，未来可能会有更多类别，实现更好的控制。”而5G+边缘计算能够更好地支撑这样的场景应用。
据IDC报告预测，到2020年，全球AI系统将为家电企业带来收入超过470亿美元，成为产业发展的下一个风口。
智能城市对AIoT也有很好的应用，诸如：
智能路灯，通过AI摄像头检测到道路上的行人情况，从而实现亮度自动调节，降低了40%的综合能耗；
智能井盖，可以在1分钟感知到井盖的位置是否异常，比如被人挪动、偷走等，从而消除存在的安全隐患；
智能垃圾桶，能够实时检测垃圾桶的情况，在溢满时自动通知，可替身30%的垃圾清理效率；
……
“此外，产业的智能化更是我们所需要的。”
例如工厂的数字化，将工厂中的数控机床、生产设备连接起来，对于新建工厂而言，光纤是最好的选择，然而对于大量存在的老的工厂用光纤很难替换。
因此，大家想到通过无线技术将这些设备连接起来。然而，现有的WiFi技术的带宽、可扩展性、抗干扰能力很难满足工厂环境的实际应用需求，WiFi连接在工业领域的利用率不到6%。
5G在可靠性、抗干扰能力上可以满足工厂环境需求，因而可以用在企业外网和企业内网中。其中，在企业内网中的应用又可以分为5G公网和5G专网。
5G公网是指用运营商的基站，在自己工厂中建设网络系统，还有很多工厂干脆把控制部分也交给运营商来做。
5G专网是指工厂自建5G专用网。欧盟认为可以为工业应用预留出76M专用频段，很多工厂可能不会有机会用到专用频率，而且这样的网络对周围网络也有干扰。
其中，现在应用较多的公用网络上的5G是一种利用TDD的模式，在某个频率上根据时序的不同分为上行下行，工业互联网中，需要上传的带宽高，回传指令的带宽低，TDD的下行较上行时隙多。
这其中，机器人将来会大量应用，“5G+8k+移动边缘计算”可以让机器人反映更敏感。商飞公司用8K高清摄像头扫描飞机蒙皮铆接质量，通过5G宽带快速连接企业的云平台，显著提升效率与检测质量。商飞还利用5G的低时延同步两个摄像头，将从两侧获取的视频合成飞机精确的3D视像；
机器视觉也将得到广泛应用，据前瞻产业研究院数据显示，中国每天在产线上进行目视检查的工人超过350万，其中仅3C行业就超过了150万人。但人工检测准确度不高。机器视觉需要借助边缘计算与中心云的大规模AI比对分析能力，5G为云连接提供宽带和快速通道。
AIoT本身是一条很长的产业链，其中包括硬件/终端（占比25%），通信服务（占比10%），平台服务（占比10%），软件开发/系统集成/增值服务（55%）。可见，软件开发和系统集成业务占比较高，达55%。AIoT相对拓展了IoT原有的产业链，同时AIoT在产业链上更强调AI芯片和AI能力开发平台，因而将软件开发和系统集成业务占比进一步提高。
邬贺铨认为，AIoT将经历3个发展阶段： 单机智能阶段：
单机系统需要精确感知、识别、理解用户的各类指令，如语音、手势等，并正确决策、执行和反馈。而这个过程中设备与设备之间是不发生相互联系；
互联智能阶段：采用集中的云或边缘计算控制多个终端（感知器）的模式，构成互联的产品矩阵，打破了单机智能的孤岛效应，对智能化体验场景进行了不断升级和优化。当用户晚上在卧室对着空调说出“睡眠模式”时，客厅的电视、音箱，以及窗帘、灯等都自动进入关闭状态；
主动智能阶段：智能系统根据用户行为偏好、用户画像、环境等各类信息，自我学习、主动提供适用于用户的服务。例如清晨伴随着光线的变化，窗帘自动缓缓开启，音箱传来悦耳的起床音乐，空调调整到适应白天的温度。
目前对于智能家居，AIoT基本还处于单机智能阶段；对于智能产业，AIoT已经进入到互联智能阶段。
AIoT发展还面临很多的挑战，包括算力、算法、平台兼容性、安全性四个方面：
1.算力，普通计算机的计算能力有限，利用其训练一个模型往往需要数周至数月的时间。密集和频繁地使用高速计算资源面临成本压力；
2.算法，AI的训练所需的时间非常长，目前仅训练一些简单的识别尚需数周时间，面对未来应用场景的丰富性，有必要在算法层面予以增强。此外，基础算法非常复杂，应用的企业开发者能力不足；
3.平台兼容性，物联网产品碎片化，而各AI公司生态之间又缺乏协同，本地算力、网络连接能力、平台间的不兼容，要把框架里的算法部署到数量众多的物联网设备上，大规模部署问题重重；
4.安全性，人工之鞥呢决策的正确性受IoT数据的精确度影响，AI的分析结构还缺乏可解释性，AIoT还存在被攻击而成为僵尸物联网的风险。
由此可见，未来AIoT的发展，仍然需要标准化推动，企业间合作提升兼容性，需要威胁情报共享，从而增强安全保障能力。
