物聯網的最終目標都是未來實現萬物互聯的局面，我們都知道物聯網是由網絡構成，網絡又是由數據構成，所以大數據加云計算才是物聯網的重要鋪墊，我們的下一步便是將霧計算推向物聯網計算的方向發展。

　　物聯網的今天

　　目前物聯網產業發展趨勢主要圍繞三條主線：一是to B的工業和商業物聯網，二是政府驅動的與智慧城市、戶外基礎設施相關的領域，第三是家庭物聯網。相對用戶來講，這三條主線受關注度最大的是家庭、個人相關的領域，但短期變現趨勢最快的是to B的物聯網服務。

　　物聯網的發展趨勢可以從企業物聯網化的趨勢看出來，企業物聯網融合是階段性的。第一階段是沒有連接互聯網的電子產品，第二階段是物聯網的基礎，即把設備連接到互聯網，可以遠程控制和采集數據，這是機智云過去幾年一直在做的事。第三階段是可服務化，通過數據采集了解客戶的需求，同時提供更好的服務。第四階段是智能化，就是讓設備可以通過算法具有判斷能力，不再是簡單地用手機APP。第五階段是做到持續優化，因為物聯網本身也是一個互聯網產品，互聯網跟一個企業融合之后就有機會把它的產業上下游（包括上游的供應鏈、下游的經銷渠道）全部打通，讓它自己能夠更優化的運作。第六階段是差異化。隨著各個細分行業的發展，很多企業的商業模式也在不斷發生變化，所以持續優化是物聯網能夠給企業帶來的很重要的機會，基本上持續優化以及形成差異化的商業模式是物聯網發展的長期目標。

　　霧計算的前世今生

　　霧計算是終端設備和云端數據中心之間再加一層“霧”，即網絡邊緣層，比如再加一個帶有存儲器的小服務器或路由器，把一些并不需要放到云端的數據在這一層直接處理和存儲。霧計算在地理上分布更為廣泛，而且具有更大范圍的移動性，這讓它適應如今越來越多不需要進行大量運算的智能設備。對一些對時間延遲敏感的應用如實時和流媒體應用中，霧計算也具有更大的優勢。例如溫度計每秒的讀數是無需上傳到云里的。霧計算技術要做的是在實時數據的基礎上得到一個平均數，然后每半小時左右將其上傳到云里。如果溫度出現異常，傳感器仍然可以具有相當的智能而迅速做出反應。

　　霧計算擴大了云計算的網絡計算模式，將網絡計算從網絡中心擴展到了網絡邊緣，從而更加廣泛地應用于各種服務。通過運用霧計算可以大大減少云端的計算和存儲壓力，提高效率，提升傳輸速率，減低時延。

　　早些年，思科公司提出了“霧計算”，是“云計算”的延伸概念，用于推銷其產品和網絡發展戰略，希望不再拘泥于云計算，研究如何在物聯網設備上存儲和處理它們自身產生的數據。不過從思科提出霧計算到現在，真正落地的案例并不多，思科的路由器和交換機技術缺乏對終端設備的定義和控制能力，大部分場景無法把霧計算的能力真正體現出來。

　　過去的20年，云計算的興起把端部的計算和存儲挪到了云端，便于數據聚合和統一管理，現在，“霧計算”把聚合的計算和存儲在此部分分配到管道和端部，形成更快速響應和超大規模的運算體系。這個新型的計算體系對一個企業對云、管、端的控制力和動態管理能力提出了新的要求。

　　霧計算在物聯網應用中的優勢

　　霧計算在物聯網商業運用方面的優勢很大，主要表現在四個方面。

　　1.降低能耗，云計算把大量數據放到“云”里去計算或存儲，“云”的核心是裝有大量服務器和存儲器的“數據中心”。由于目前半導體芯片和其他配套硬件還很耗電，全球數據中心的用電功率，相當于30個核電站的供電功率，其中90%的耗電量都被浪費，因為效率很低。谷歌位于全球數據中心的用電功率就達到3億瓦特，這一數字超過了3萬戶美國家庭的用電量。當未來數據傳輸量進一步成指數式增長，云中心會無法再維持下去。這個數據傳輸，指大量無線終端和“云”之間的傳輸。

　　2、提升效率，隨著物聯網的到來，各行各業包括家庭電器、可穿戴設備、汽車周邊、工業農業、商用設備等等各種需要連網的終端設備數量的增長，將產生極其大量的數據發送和接收，可能造成數據中心和終端之間的I/O（輸入輸出）瓶頸，傳輸速率大大下降，甚至造成很大的延時，一些需要實時響應的設備將無法保證正常運行，比如：無人機、安防報警、監護設備等。

　　3、數據分析，大量企業對于海量數據采集需求的解決辦法是減少數據采集的頻率和總量，比如每10分鐘采樣一次，一天下來可能就采集上百次，精準度和效率會大打折扣，一些需要海量、不間斷數據采集的設備就會降低本身的服務價值，而一些需要及時決策的設備在等待全部數據上傳云端運算決策后再返回設備端會大大降低服務能力。

　　4、升級安全，在沒有成熟技術平臺時，大部分設備怎么計算，出廠時就已經定型了，除非用一個很重的辦法去遠程升級它的整套系統，但這種升級效率低，也很危險，有可能一換操作系統，市面上上百萬臺設備就永遠失聯了。

　　機智云的成功案例

　　機智云有超過6年的物聯網技術積累和創新經驗，目前平臺支撐超過700萬臺物聯網設備，在技術創新和應用上一直處于國際領先水平，隨著IoT產業的不斷發展，連網設備的計算能力也在不斷增加，機智云把“霧計算”的應用在IoT領域往前推進一步，以滿足客戶產品的特定功能需求。機智云作為全棧的物聯網技術平臺（Full Stack IoT Platform），對云、管、端三者有很強的控制力，這是平臺落地霧計算非常特別的優勢。

　　機智云對霧計算的落地策略不同于思科等通信設備供應商。思科主要靠路由器和交換機來部署霧計算，但這些“管道型“的設備適合扮演數據搬運的工作，對數據無法解析，也無法影響智能終端和云端的操作，很難把“霧計算”應用起來。而機智云現在的“霧計算”的發力點落在了數量更為龐大的通訊模組DTU（Data Transfer Unit）和網關 （Networking Gateway） 上。這些設備都是機智云直接可控的計算單元， “霧計算”就是從云端向這些邊緣設備動態分配計算和存儲能力。

　　機智云另外一個創新點是把動態部署運算的能力賦予給低級處理器，就連幾塊錢的普通單片機（MCU）也可以參與到霧計算。機智云ECE霧計算框架，在DTU或網關上嵌入了一個“微容器”，可以執行以Javascript，Python，Lua等輕量級的腳本語言構成的“微應用”。這些“微應用”可以做數據處理、協議轉換、以及實現設備之間的互聯互通。開發者可以直接在云端編寫各種腳本，可以通過ECE系統方便地推送到微應用容器中，就可以實時把運算能力部署到設備端，設備不用重啟，也不需要原先的整個系統OTA固件升級，而是只需要更新它在霧端的算法和微應用。

　　具備“微應用”的設備可以根據業務需求，實現毫秒級數據采集分析，提供更大的可分析數據量，并具備本地判斷能力，精確度與效率得到大大提高。但這種設備端的計算并不會取代云端運算，而是設備端經過微應用數據處理，將已經處理好的有用數據發送到云端，云端再去做數據匯總，設備端有效放大了云端的匯總能力。現在，通過霧計算的方式，云端可以快速靈活地更新它在霧端的微應用，有效地把“軟件定義硬件”升級到“云端定義硬件”。

　　人工智能的發展前景

　　物聯網每時每刻都會產生大量數據，數據越來越多時就需要機器做處理，這就不得不提到人工智能、深度學習，現有的人機交互的公司，像蘋果Siri的使用人群還比較少，所以人工智能目前真正能做到有商業價值的不多。未來能夠為企業創造價值的才是好的技術，所以人工智能的未來肯定不能夠只是抓眼球。

　　人工智能中的算法從時間維度或者包含關系來理解，可以分為三層：一是泛人工智能。各種各樣的模擬人類行為作出識別、決策、規劃、預測的算法都可以統稱為人工智能;二是機器學習。是人工智能的一個分支，它是對一個數據和多維度數據長時間的存儲和分析之后，讓機器自行歸納并挖掘出數據的內在規律的行為，這是機器學習的領域;三是深度學習。其實是針對機器學習中神經網絡的進一步演化。強調的是通過模擬人的大腦神經系統，構造出復雜并且層次較深的神經網絡模型。不同于簡單的淺層學習，深度學習的網絡可以達到幾百層甚至上千層，由此而來的模型對數據的歸納理解能力也是大大超越機器學習的。

　　對于做工具的公司來講，就是把復雜的大道理變成功能模塊，所以定義了物聯網領域，剛才說的應用場景里面，有哪些算法是比較通用，而且能夠實用的，包括調度、異常檢測，還有推薦、降維，這些就比較復雜了，就是當你有很多數據，為了能夠更快速的得到決策就要降它的維度，這都是做人工智能的方法論，可以把它變成一些標準化的模塊。這些算法可以把它工具化，把人工智能定義成做工具的方向，把行業里用得上的算法變成一個一個的工具模塊，然后結合。

　　下面用一個案例做具體分析。

　　早些年，谷歌收購Nest，Nest核心的技術優勢是通過快速的改造傳統的溫控器，把家里所有的空調設備跟冷暖設備協同起來，通過了解家里使用能源的特性，能夠預測什么時候把家里的溫度控制到什么程度，這樣的方法就可以讓家里節能。

　　如何應用？熱水器有三個比較重要的問題，第一是電熱水器熱水比較慢。第二是不同廠家的加熱能耗不太一樣。熱水器里的處理器不會是像無人機里面的雙核、四核的，它只是一個簡單的MCU，是一個簡單的處理器。現在賦予它通信的能力，能連到機智云上面，結合算法，讓它真正更加節能、使用更加方便。

　　如何節能？首先要做一個用戶模型，知道什么時候用多少水，一般用的家用熱水器沒有流水的傳感器，不知道它用了多少水，只能用算法根據溫度預測它，根據復雜的模型、多個維度的數據聚合之后，得出這家人過去一個月用水的形狀長什么樣子。

　　下一步就要開始做預測了，目標是通過一個月的學習，可以預測到明天的任何一分鐘用水的可能性和用水量。也就是用水的探測，用算法來模擬，通過用戶模型的搭建，用推薦引擎和預測引擎做決策，讓這個產品可以自動的去跑優化的算法。

　　未來百億級的物聯網的終端設備都是所謂的低等生物，里面的傳感器可能是低功耗的，運算單元也是低功耗的，做復雜的深度學習會很麻煩。現在的做法是數據采集用低等生物來做，把一部分的預算在低等生物上做預處理，讓預處理跟特征處理在這里處理，在云端上反應更快，未來百億級的設備會越來越聰明，而且不會因為網絡的不穩定而受影響。

　　機智云平臺上的機器學習叫做Giga Machine Learning，可以分配到百萬、千萬甚至是幾億、十幾億的設備上面去。把一些算法放到低地等生物的SKU里，低等生物采集頻率很高，如果做預處理可以把特征值扔到云端做聚合處理，算法進行實時更新，把算法推送到端部，數據上了云端再動態的跟其他的數據結合起來。