物联网中的人工智能：如何构建智能自主系统

物联网已经把大量设备、机器和传感器连接成了时刻在线的系统，但连接并非终点。给这些系统融入人工智能，就能打造出AIoT系统，让从仪表板展示到决策制定等一系列环节，都能更快速、更安全地进行，还能减少人力投入。

这篇文章适合软件公司里负责为连接产品添加LLM功能的CTO和IT安全负责人阅读，无论你所在的是2015年后成立的小团队、以研发为主的科技公司、推出新产品的中型企业，还是需要对遗留系统进行现代化改造的SMB。在这里，你会了解到关键的AIoT应用，知晓如何在边缘、云和混合环境中合理布局智能，明白必须遵守的安全与合规要求，以及从试点迈向生产的实际路径。

我是心玥软件公司的解决方案架构师和.NET团队负责人，有着超过15年的生产系统交付经验，以及10年以上的团队领导经验。我擅长构建云原生、AI驱动和物联网解决方案，从ESP32固件、边缘服务，到ASP.NET后端、React前端以及Azure基础设施，我都能一手操办，并且始终专注于安全、性能，以及清晰、可解释的架构设计。

9个物联网应用中的人工智能

你所做的不只是连接设备，而是在构建一个能够感知、推理并行动的环境。下面介绍的是核心的AIoT应用，也就是物联网人工智能，它将感知与自主性完美结合。随着设备数量的迅猛增长，据物联网分析预测，到2030年，物联网设备将达到400亿个。要是不实现理解过程的自动化，你很容易就会被数据淹没。

以下是你的团队在从试点到生产过程中会评估的AI在物联网中的核心应用。这些应用可以在云端、边缘或混合拓扑中运行，具体的选择要依据延迟、成本和安全限制来决定。

基于AI的物联网数据处理

物联网设备会生成大量非结构化和半结构化信号，像摄像头、仪表、可编程逻辑控制器（PLC）以及可穿戴设备，会实时发送事件，不会等待批处理窗口。物联网中的AI能实时压缩、清理并丰富这些数据流。

我们可以把轻量级模型推送到设备或网关，让其提取特征，只转发重要信息。这样既能减少带宽占用，又能让分析系统聚焦高价值信号，同时还能保留足够的上下文信息，方便下游决策。

大规模数据分析

单纯的“收集和可视化”迟早会失效，你需要能对风险进行排名、预测状态，以及发现人类容易忽略的相关性的模型。将时间序列预测、异常评分和因果提示结合起来，推动主动行动，而不是被动应对。

以工业环境为例，这其中的差别就好比是“生产线停了”和“轴承将在下周三失效”。规划人员可以依据预测安排维护、重新订购零件，并预分配工作人员，把预测性见解融入日常运营，而不是当作一次性项目。

边缘人工智能（智能设备）

边缘AI将智能带到离行动更近的地方。在争分夺秒的情况下，决策无需往返云端，而是在网关、微服务器甚至微控制器（MCU）上运行模型和量化网络，实现本地化决策。

这不仅能减少延迟，还能限制数据暴露，帮助在网络连接受限或间歇性连接的情况下正常操作。比如在医务保养领域，边缘处理可以在本地标记重要读数，同时将摘要同步到临床系统。

当边缘更具优势的场景：

 - 超低延迟：安全联锁、运动控制和视觉门要求在约100毫秒内响应。

 - 间歇性连接：矿井、船舶和偏远站点可在本地推理和缓冲的支持下离线运行。

 - 数据本地化 & Cos：敏感视频或受保护的健康信息（PHI）留在本地，边缘特征提取能削减带宽。

自动化和智能控制

在物联网的人工智能应用中，一旦信任信号和预测，就可以形成闭合回路。代理会自动设置执行器状态、更新PLC参数或提交维护工单。同时，定义好安全界限、政策和升级路径，系统在保证安全的同时，减少重复的人工操作。

智能灌溉控制器就是个很好的例子，湿度、天气和土壤剖面等数据直接驱动浇水决策。团队从手动切换转变为监督政策，日常事务由代理处理，运营人员只需审查例外情况。

异常检测

传统的阈值规则在面对数据漂移、季节性变化和多变量复杂性时会失效。基于机器学习的异常检测能在上下文中学习基准，并随条件变化进行调整。可以将无监督检测器与监督分类器搭配使用，减少假阳性，揭示重要事件。

在安全方面也是如此，异常的设备通信、奇怪的协议使用或突然的固件更改，几分钟内就能被标记出来。这为安全运营中心（SOC）提供了可行动的安全信息流，而不是那些需要花费几周时间才能调整的海量警报。

预测性维护

预测性维护是物联网中资产密集型运营的重要人工智能应用。通过将传感器数据映射到故障模式，评估风险并估算剩余使用寿命，规划人员可以在故障发生前安排干预措施，避免昂贵的非计划停机时间。

随着时间推移，相关方案会不断完善。早期模型可能依赖供应商曲线和一般阈值，之后可以通过训练自己的设备故障数据和上下文，与技术人员合作，实现更高的精度和可信度。

安全性

每增加一个新设备和API，攻击面就会扩大。AI通过学习每个设备类型、固件版本和网络段的正常行为来提供帮助。当出现异常情况，如C2信标、奇怪的DNS请求、暴力攻击尝试等，就能得到优先处理的事件，而不是原始日志。

同时，要保护机器学习堆栈和网络，监控推理漂移、对抗性探针和模型滥用，将模型注册视为重中之重，严格进行角色分配和审计。目标是采用分层防御，让设备状态、加密链接、零信任和AI驱动的检测协同工作。

深度防御措施：

 - 设备姿势：安全启动，签名固件，硬件/根信任认证。

 - 传输与网络：mutual TLS (mTLS)、分段/零信任、速率限制和异常感知防火墙。

 - 模型和数据：对特征存储和注册表、推理监控、完整审计记录的访问控制。

运营优化

除了预防故障，还能对流程进行优化。在仓库中，AI可以为自主移动设备规划路线，平衡各区域的取货密度；在工厂里，模型能够调整能源使用、生产线速度和换线时间，在满足需求的同时避免超支。

当把优化与模拟——数字孪生相结合时，就能在安全环境中测试各种“如果”情景，将战略规划变成可重复的实践，而不是一年一次的线下活动。

模型、数据和部署

从计划自动化的决策出发，选择能支持这些决策的功能和模型。对于时间序列，梯度提升树和变压器都可行，要选择在准确度、推理成本和可维护性之间达到平衡的混合模型。数据质量比模型新颖性更重要，要标记失败情况，跟踪配置更改，并及时更新单元元数据。

模型放置要遵循约束条件：对于亚100毫秒或间歇性连接的场景，选择边缘部署；大量重新训练放在云端。混合模式通常更优，即在本地打分，集中学习，并按控制节奏重新同步。

5个行业中的物联网 (IoT) 人工智能 (AI) 应用案例

AIoT可应用于多个领域，它不是单一产品，而是一组在不同传感器、约束条件和利益相关者之间重复出现的模式。以下是目前同行正在实施的代表性场景。

智能家居和城市中的人工智能和物联网

智能家居借助边缘计算机视觉技术受益良多。摄像头能够识别人物，检测运动模式，并忽略宠物以避免误报。结合门、窗和环境传感器，就能打造出积极响应而非嘈杂的安全系统。

城市层面也应用类似理念。交通控制器利用人工智能根据实时流量调整信号灯，而非依赖固定时间表。垃圾桶可以报告填充水平，收集路线也能实时调整。在这两种情况下，物联网中的机器学习无需重建基础设施，就能减少拥堵、排放和延迟服务。

零售中的AI和IoT

在实体层面，传感器可以测量人流量、停留时间和产品互动情况。人工智能将这些数据转化为商店团队可采取的行动，比如在此处补充库存，在那里移动展示架，对五号通道异常热图进行调查等。

库存管理也变得更加智能。射频识别（RFID）或智能货架为预测需求和标记损耗提供数据，从静态的再订购点转变为与当地模式和季节性相关的动态阈值，从而减少损失销售和降低库存成本。

医用保养中的人工智能和物联网

物联网和人工智能在医务保养领域的应用必须平衡速度和安全性。远程监控设备可以跟踪生命体征，早期发现令人担忧的趋势，例如心电图（ECG）峰值或氧气下降，会触发警报和符合临床协议的指导分诊流程。

诊断方面受益于多模态融合，影像、实验室检查和可穿戴设备数据可以一起评估，为临床医生提供比单一来源更清晰的图景。可解释性在此非常重要，模型应展示关键信号和置信水平，而不是给出黑盒评分。

工业应用中的人工智能和物联网

预测性维护只是个开端，还可以优化产量、能源使用和工人安全。热成像仪能捕捉过热组件，声学传感器能在人类察觉之前听到异常，振动曲线能在轴承磨损可见之前揭示问题。

供应链中的人工智能和物联网将这种智能扩展到整个网络。托盘、容器和卡车可以报告位置和状态，然后模型会提出改变路线、分配码头和合并移动的建议，在不增加运输成本的前提下缩短交货时间。

能源和公用事业中的AI和物联网

电网和设备依赖预测准确性。人工智能有助于平衡负载、安排发电，并预测变压器和断路器的故障。变电站的边缘推理能缩短反应时间，云重新训练可以捕捉长期季节性变化。

对于公用事业公司，客户设备成为系统的一部分。智能电表和恒温器形成需求响应表面，可以利用激励措施进行调控。当风暴来临时，停电检测结合设备ping和现场摄像头的计算机视觉技术，能够加速恢复。

AI在物联网应用中的5大好处

将AI与IoT结合，价值集中在AI在IoT中最具影响力的应用上。具体的组合取决于资产、风险状况和客户期望，但优势是一致的。

 - 运营效率和自动化：闭合回路接管检查、记录和票务工作，让团队能专注于异常和安全问题；一致的政策执行减少人为错误，便于清理根本原因分析。

 - 增强客户体验：物理空间变得更具响应性，库存处于合适位置，服务主动，等待时间缩短。在B2B领域，这意味着更严格的SLA和更少的升级情况。

 - 数据驱动决策：实时信号取代过时报告，计划每分钟更新，不确定性降低，随着对数据管道信心的增加，团队从“证明它”转变为“发布它”。

 - 可扩展性与创新：一个AIoT架构可驱动多个功能，今天是预测性维护，明天可以是能源优化。每次成功都能加速下一次创新，无需重建堆栈。

 - 合规与风险管理：早期警报和可解释的日志能改进审计，更快遏制事件，提高系统韧性，使系统能优雅地应对失败，而非灾难性崩溃。

市场笔记：预计物联网中的人工智能市场在未来十年将急剧增长，从2024年的92.5亿美元增长到2033年的477.8亿美元，这与CTOs报告的AI功能从“锦上添花”变为“预期”的情况相符。

在物联网中实施人工智能的8个挑战

AIoT需要严谨对待。创造价值的要素，如数据量、自主性和物理影响，同时也带来了风险。要把这些挑战看作持续的工作流，而非一次性障碍。

 - 数据质量和上下文：若不监控，传感器漂移、校准错误和元数据缺失会悄然降低模型性能。通常，提升数据质量最有效的方法是更好的标签和更清晰的语义。共享数据字典和设备目录能避免“PSI与毫巴”这类跨站点部署中常见的错误。

 - 安全性端到端：设备、网关、网络、API和模型都需要控制，一个薄弱环节就会削弱整个链条。从一开始就要规划好证书轮换、安全启动和最小权限原则。检测应具备模型意识，像监控端口扫描一样监控对抗性探针、奇怪的提示和未经授权的再训练。

 - 边界约束：内存、计算和功耗预算有限，必须做出权衡。量化和蒸馏有帮助，但必须在真实环境中分析。实验室结果无法捕捉射频噪声或电源brownouts。要设计更新方案，确保设备不会变砖，优雅的回滚路径比微小的精度提升更有价值。

 - 模型漂移和治理：环境不断变化，无保障的再培训可能放大噪音或偏见。在全球发布前，要跟踪模型血统、批准和Canary性能。日志不仅要解释输出，还要说明所使用的功能和阈值，以便无猜测地解决问题。

 - 集成复杂性：企业资源规划（ERP）、客户关系管理（CRM）、制造执行系统（MES）和监控与数据采集（SCADA）系统各有自己的语言。松耦合和明确的合同能使项目顺利进行，避免只有唯一工程师理解的隐藏点对点逻辑。不确定时，使集成具有幂等性，确保在不可靠网络下重试安全。

 - 延迟和可靠性：实时不是口号，要定义推理、超时重试以及模型或链接失败时的优雅降级的SLA。测试要选在一周中最糟糕的时刻，而不是最安静的时候。在最混乱的时刻，可靠性会赢得认可。

 - 才华与变革管理：运营商和工程师必须信任系统。培训、可解释性和明确的升级规则能使采用过程更顺畅。一个好模型若发布不当，数月内都会表现不佳。要认识到人员适应需要过程，自主性会随着经验和信心的增加而扩展。

 - 投资回报率捕获：好处涉及维护、能源、物流等多个预算领域，财务需要一种记录实际收益的方法，而不只是“账面节约”。将KPI与能推动其变化的团队对齐，关注推理成本，不可持续的巧妙功能会损害单位经济效益。

如何在物联网中实施人工智能：8步路线图

一个有效的路线图应从结果出发，而非算法。每个阶段要足够小以便学习，又要足够真实才有意义。目标是形成一个飞轮，让更好的数据喂养更好的模型，而模型又创造更好的数据。

1. 定义业务目标：将AIoT与具体目标关联，如减少停机时间、缩短周期时间或改善SLA。先选择高价值、可见的用例，以便早期建立势头。为每个目标指定负责人，问责制能加速决策。

2. 评估基础设施和数据准备情况：列出设备、协议和现有的Business Intelligence（BI），确定连接性、可观测性和治理方面阻碍干净试点的差距。明确每个用例中“良好数据”的标准，避免过度装饰不直接影响结果的管道。

3. 选择架构和平台：决定推理位置（边缘、云端或混合）以及编排方式。选择模块化解决方案，避免未来受限。供应商解决方案适合解决管道问题，自定义代码能包含独特卖点。将互操作性作为必需条件，确保明天的集成更便宜而非更困难。

4. 建立试点：实现一个狭义用例的端到端流程，包括数据流、模型和行动。定义明确的成功指标和回滚计划，并设定明确的时间框架。试点应轻触生产途径，若无法看到现实世界的噪音，就无法证明现实世界的价值。

5. 验证和强化：进行负载测试、渗透测试和现场测试。增加对数据漂移、延迟和假阳性的监控，确保发布后不盲目运行。记录已知的“不良情况”，未来会有帮助。

6. 规模化和整合：连接到ERP、CRM、销售点（POS）、仓库管理系统（WMS）和供应链系统，让洞察力落实到人们工作的地方。自动化部署和模型更新，避免增长导致工作量成倍增加。

7. 确保治理、安全和合规：正式化访问、保留和审计追踪。像保护其他重要资产一样保护模型注册表，将提示、配置和功能视为受变更管理的资产。将安全演习常规化，真正事件发生时可降低紧张气氛。

8. 进行持续优化：从操作员处建立反馈循环，改进功能，刷新标签，探索数字孪生和自主控制等先进理念。停止不提升指标的实验，专注是关键。