呂達(dá)+董振江+楊勇

摘要：認(rèn)為隨著信息通信技術(shù)（ICT）的融合發(fā)展，M-ICT應(yīng)用的架構(gòu)、功能和服務(wù)形態(tài)都發(fā)生了重大變化，呈現(xiàn)出了智能化、去中心化、泛在化等主要特征。詳細(xì)闡述了在人工智能、區(qū)塊鏈和物聯(lián)網(wǎng)等方面M-ICT應(yīng)用的研究進(jìn)展，展望了其發(fā)展趨勢，并指出了當(dāng)前需要解決的關(guān)鍵技術(shù)問題。

關(guān)鍵詞： 人工智能；區(qū)塊鏈；萬物互聯(lián)

信息通信技術(shù)（ICT）融合、吸納各種跨界的新技術(shù)，并通過在ICT應(yīng)用中的探索和實(shí)踐，不斷催生各種新業(yè)務(wù)、新服務(wù)。ICT應(yīng)用已經(jīng)與移動(dòng)互聯(lián)網(wǎng)、云計(jì)算和大數(shù)據(jù)等技術(shù)領(lǐng)域深度融合，呈現(xiàn)出3個(gè)方面的技術(shù)趨勢：

（1）人工智能帶來的服務(wù)智能化與智慧化。在高性能計(jì)算、存儲(chǔ)、大數(shù)據(jù)和網(wǎng)絡(luò)技術(shù)迅猛發(fā)展的基礎(chǔ)之上，人工智能技術(shù)重新煥發(fā)出生命力，帶來了M-ICT應(yīng)用與服務(wù)的智能化、智慧化。

（2）以區(qū)塊鏈為特征的去中心化。以區(qū)塊鏈技術(shù)為代表的互聯(lián)網(wǎng)分布式數(shù)據(jù)技術(shù)，用于M-ICT應(yīng)用分布式構(gòu)建，并提供去中心化的安全可信服務(wù)，解決了互聯(lián)網(wǎng)環(huán)境交易信任的難題。

（3）萬物互聯(lián)化。4G網(wǎng)絡(luò)的商用部署和5G網(wǎng)絡(luò)的逐步推進(jìn)，使得萬物互聯(lián)成為現(xiàn)實(shí)，帶來更高的帶寬、更低的功耗、更低的時(shí)延，催生大量萬物互聯(lián)下的ICT新應(yīng)用、新服務(wù)、新形態(tài)，泛在的ICT應(yīng)用服務(wù)可滿足用戶隨時(shí)隨地、方便快捷、個(gè)性化的消費(fèi)，也將對(duì)ICT應(yīng)用架構(gòu)帶來深刻的影響。

1 人工智能及ICT應(yīng)用的智能化

人工智能從功能上可分為計(jì)算智能、感知智能和認(rèn)知智能，近些年人工智能的大發(fā)展是大數(shù)據(jù)、云計(jì)算和算法改進(jìn)的共同作用。

1.1 計(jì)算智能的發(fā)展趨勢分析

計(jì)算智能作為基礎(chǔ)通用性技術(shù)引擎，包含分布式計(jì)算與存貯、神經(jīng)網(wǎng)絡(luò)、分布式機(jī)器學(xué)習(xí)算法與模型、智能調(diào)度引擎和智能硬件加速等。計(jì)算智能近年有了較大進(jìn)展，有如下所述的主要表現(xiàn)。

（1）大數(shù)據(jù)[1]、云計(jì)算、硬件加速是計(jì)算智能的基礎(chǔ)支撐。大數(shù)據(jù)可揭示未知的關(guān)聯(lián)性或者規(guī)律，是人工智能的信息載體，而云計(jì)算則提供了充足的分布式計(jì)算和存儲(chǔ)能力。大數(shù)據(jù)與云計(jì)算的結(jié)合是機(jī)器學(xué)習(xí)技術(shù)在近年得到飛速發(fā)展的推動(dòng)力，再加上智能加速硬件的發(fā)展（如圖像處理器（GPU）和現(xiàn)場可編程邏輯門陣列（FPGA）芯片[2]），共同推動(dòng)人工智能從理論走向?qū)嶋H應(yīng)用。

（2）機(jī)器學(xué)習(xí)特別是深度學(xué)習(xí)是計(jì)算智能取得長足進(jìn)步的加速器[3]。機(jī)器學(xué)習(xí)以計(jì)算模式劃分，包含傳統(tǒng)的單機(jī)版機(jī)器學(xué)習(xí)（如開源的R、Python、Weka等），基于各種分布式計(jì)算框架的并行機(jī)器學(xué)習(xí)（如開源的Mahout、RHadoop等），以及目前熱門的開源框架（如Caffe、TensorFlow等）。以算法類型劃分，包含基礎(chǔ)應(yīng)用中的監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)，又包含高級(jí)應(yīng)用中的深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、集成學(xué)習(xí)、遷移學(xué)習(xí)等。目前深度學(xué)習(xí)的典型算法在圖像、語音取得突破性進(jìn)展，但是需要大量的人工標(biāo)注數(shù)據(jù)。

綜上所述，能夠得到如下結(jié)論。

（1）深度學(xué)習(xí)是當(dāng)前業(yè)界熱點(diǎn)，但傳統(tǒng)機(jī)器學(xué)習(xí)仍將占有一席之地。一方面，在金融、電信等傳統(tǒng)領(lǐng)域既需要提供高精度的模式識(shí)別/預(yù)測結(jié)論，又需要模型變量的清晰可控，所以傳統(tǒng)機(jī)器學(xué)習(xí)/統(tǒng)計(jì)科學(xué)方法仍有很大空間；另一方面，基于集成學(xué)習(xí)、增量學(xué)習(xí)的機(jī)器學(xué)習(xí)方法往往具有更好的魯棒性和更經(jīng)濟(jì)的使用成本。

（2）遷移學(xué)習(xí)和深度強(qiáng)化學(xué)習(xí)是未來機(jī)器學(xué)習(xí)研究和應(yīng)用的重要方向。遷移學(xué)習(xí)能夠讓我們把大數(shù)據(jù)得到的模型遷移到小數(shù)據(jù)上面，是在較小人工監(jiān)督代價(jià)下進(jìn)行機(jī)器學(xué)習(xí)的一種新策略；而強(qiáng)化學(xué)習(xí)在AlphaGo成功后重獲業(yè)界關(guān)注，在游戲、多輪語義對(duì)話、機(jī)器人的運(yùn)動(dòng)規(guī)劃和避障等中有廣闊的應(yīng)用前景。

（3）智能調(diào)度是計(jì)算智能中大規(guī)模數(shù)據(jù)訓(xùn)練與上線的服務(wù)保證。智能調(diào)度需要根據(jù)數(shù)據(jù)形態(tài)、算法實(shí)現(xiàn)、模型構(gòu)建，自動(dòng)選擇合適的并行計(jì)算框架及相應(yīng)算法/模型，實(shí)現(xiàn)最優(yōu)在線服務(wù)。人工智能的模型訓(xùn)練需要進(jìn)行若干次的實(shí)驗(yàn)才能達(dá)到最佳效果，而且在模型訓(xùn)練過程需要提供中間結(jié)果的可視化展示與應(yīng)用效果評(píng)估，考慮如何快速進(jìn)行自動(dòng)的超參數(shù)優(yōu)化等。

1.2 感知智能的發(fā)展趨勢分析

感知智能的目標(biāo)是讓機(jī)器能聽懂人類的語言，看懂世間萬象，典型的如自動(dòng)語音識(shí)別和圖像識(shí)別。感知智能是人工智能的基石，也是目前產(chǎn)業(yè)化前景最為看好的技術(shù)，其技術(shù)全貌如圖1所示。

隨著傳感器技術(shù)的進(jìn)步，一些新的傳感器也涌現(xiàn)出來，如深度攝像頭等。這些傳感器不斷地產(chǎn)生和收集多種類型的海量數(shù)據(jù)，為感知智能的發(fā)展奠定了數(shù)據(jù)基礎(chǔ)。

算法是感知智能計(jì)算的核心，從應(yīng)用的領(lǐng)域可以分為幾何理解、語義理解和意圖理解三大領(lǐng)域。

·幾何理解指根據(jù)視覺信息恢復(fù)環(huán)境的幾何信息，并可以對(duì)目標(biāo)進(jìn)行準(zhǔn)確定位和跟蹤，輸出6個(gè)自由度的空間位置信息；

·語義理解是對(duì)圖片或者視頻中的目標(biāo)進(jìn)行識(shí)別和分析，并輸出結(jié)構(gòu)化的有明確語義的信息；

·意圖理解是指對(duì)交互意圖的理解，目前成熟度最高是語音識(shí)別技術(shù)，除此之外，姿態(tài)手勢和情感也是重要的交互手段，在游戲中得到了初步應(yīng)用。

感知智能，特別是語音識(shí)別、人臉識(shí)別近年取得了很大突破，主要依賴于深度學(xué)習(xí)的蓬勃發(fā)展[4-5]。深度學(xué)習(xí)取得成功，首先是因?yàn)榇髷?shù)據(jù)在很大程度上緩解了訓(xùn)練過擬合的問題，其次在于飛速發(fā)展的計(jì)算機(jī)硬件所提供的強(qiáng)大計(jì)算能力，使得訓(xùn)練大規(guī)模神經(jīng)網(wǎng)絡(luò)成為可能。此外，神經(jīng)網(wǎng)絡(luò)的模型設(shè)計(jì)和訓(xùn)練方法也取得了長足進(jìn)步，非監(jiān)督和逐層的預(yù)訓(xùn)練等訓(xùn)練方法能加速收斂。

感知智能雖然在指定的數(shù)據(jù)集上準(zhǔn)確率不斷提高，但是實(shí)際工程應(yīng)用中還有許多問題需要解決。深度學(xué)習(xí)現(xiàn)在已經(jīng)有一些很好的開放模型可以解決一些通用問題，但是圖像識(shí)別中需要對(duì)于不同的目標(biāo)構(gòu)造不同的特征提取和分類器模型，沒有通用的準(zhǔn)則。實(shí)際工程中為獲得較高性能，需要針對(duì)目標(biāo)特性，構(gòu)造核心的損失函數(shù)和監(jiān)督規(guī)則，同時(shí)需要大量的專業(yè)領(lǐng)域知識(shí)和經(jīng)驗(yàn)。

感知智能有以下發(fā)展趨勢：

（1）采用弱監(jiān)督/半監(jiān)督學(xué)習(xí)框架提升數(shù)據(jù)利用率。

大數(shù)據(jù)中標(biāo)注樣本少，人工進(jìn)行多屬性標(biāo)注耗時(shí)久、花費(fèi)大，如何有效利用無標(biāo)簽數(shù)據(jù)進(jìn)行學(xué)習(xí)成為提升深度神經(jīng)網(wǎng)絡(luò)的關(guān)鍵問題。自2016年以來，以生成對(duì)抗網(wǎng)絡(luò)（GAN）為代表的無監(jiān)督學(xué)習(xí)方法成為深度學(xué)習(xí)研究的主流方向，但是GAN訓(xùn)練存在極大的不穩(wěn)定性，用于圖像識(shí)別的效果并不好。結(jié)合聚類等傳統(tǒng)無監(jiān)督方案，研究如何在深度學(xué)習(xí)框架下結(jié)合現(xiàn)有的標(biāo)注樣本進(jìn)行弱監(jiān)督或半監(jiān)督學(xué)習(xí)成為一個(gè)重要思路。

（2）多模型集成或者多模態(tài)加權(quán)提升任務(wù)目標(biāo)的準(zhǔn)確率。

在一些特定領(lǐng)域，如支付，對(duì)準(zhǔn)確率要求非常高，目前人臉識(shí)別僅僅作為一種輔助手段，在這種情況下，單一模型由于深度學(xué)習(xí)自身原因容易陷入局部最優(yōu)解的問題，在錯(cuò)誤拒絕率和正確接受率之間很難做到兼顧?？梢钥紤]采用多模型集成學(xué)習(xí)的策略進(jìn)行準(zhǔn)確率提升，或者采用多種生物特征如聲紋識(shí)別進(jìn)行安全性加強(qiáng)。

（3）從單一算法模塊向端到端的深度神經(jīng)網(wǎng)絡(luò)框架演進(jìn)。

深度學(xué)習(xí)最初用來進(jìn)行特征學(xué)習(xí)，視頻和圖像分析任務(wù)由多個(gè)算法構(gòu)成，單一算法性能提升在軟硬件架構(gòu)上無法做到統(tǒng)一，導(dǎo)致實(shí)時(shí)性較差。進(jìn)行端到端的神經(jīng)網(wǎng)絡(luò)構(gòu)造，是深度學(xué)習(xí)的演進(jìn)方向。如在目標(biāo)檢測分類領(lǐng)域單純地從特征提取，發(fā)展到引入專門的池化層來解決尺寸歸一化問題，進(jìn)一步分類和定位任務(wù)聯(lián)合設(shè)計(jì)損失函數(shù)，最后將侯選框選取也納入目標(biāo)檢測網(wǎng)絡(luò)，在性能上也會(huì)有非?？捎^的提升。

圖像的采集從數(shù)據(jù)源方面極易受到光照、天氣等的干擾，導(dǎo)致識(shí)別率下降，如何從數(shù)據(jù)源側(cè)提升采集的質(zhì)量，也是感知智能系統(tǒng)方案設(shè)計(jì)中非常重要的環(huán)節(jié)。

針對(duì)感知智能的新的服務(wù)器架構(gòu)和終端硬件，是計(jì)算智能發(fā)展重點(diǎn)方向。數(shù)據(jù)、硬件和算法構(gòu)成了感知智能的三架馬車，在未來的人工智能產(chǎn)業(yè)蓬勃發(fā)展的時(shí)代里，感知智能會(huì)一如既往成為科技進(jìn)步，改變產(chǎn)業(yè)格局的最重要的技術(shù)原動(dòng)力之一。

1.3 認(rèn)知智能的發(fā)展趨勢分析

認(rèn)知智能，即對(duì)人類深思熟慮行為的模擬，包括記憶、推理、規(guī)劃、決策與知識(shí)學(xué)習(xí)等高級(jí)智能行為，代表了人工智能的更高層次。近年來，自然語言處理（NLP）取得了較為明顯的技術(shù)突破[6-7]，相關(guān)的智能應(yīng)用層出不窮，例如智能問答和智能機(jī)器人等。典型的自然語言處理系統(tǒng)如圖2所示。

（1）自然語言理解。

模塊功能是真正理解用戶輸入的語義和意圖。從用戶的輸入來講，一般問題分為3種類型：基于特定領(lǐng)域的知識(shí)問答型，基于特定目的的任務(wù)型和完全開放的閑聊型。

·基于特定領(lǐng)域的知識(shí)型，又分為一問一答和上下文交互兩種形式，均可以采用基于知識(shí)圖譜加上傳統(tǒng)檢索模型的方式。

·基于特定目的的任務(wù)型，對(duì)于任務(wù)型的一般所需的參數(shù)或條件是非常明確的，可以將參數(shù)或條件抽象成幀插槽，采用插槽填充的方式進(jìn)行問答。

·完全開放的閑聊型。對(duì)于閑聊型的，是意圖最不容易把握的，通常采用傳統(tǒng)檢索模型加上深度學(xué)習(xí)方式進(jìn)行問答。

（2）自然語言對(duì)話。

·引導(dǎo)交互?；谀撤N營銷或推薦目的，引導(dǎo)用戶聊天內(nèi)容。也可以在理解用戶意圖前提下，缺失部分或全部必要元素，采用引導(dǎo)方式追問達(dá)到用戶目的。

·對(duì)話管理。基于當(dāng)前對(duì)話狀態(tài)確定系統(tǒng)動(dòng)作，目前研究主流的方式是基于深度強(qiáng)化學(xué)習(xí)來實(shí)現(xiàn)對(duì)話管理，如部分可觀測馬爾科夫決策過程（POMPD）。

（3）自然語言生成。

自然語言生成一般主要用在開放閑聊型中，對(duì)于常見問題（FAQ）庫中無法找到答復(fù)的就自動(dòng)生成，最流行的解決方案是“seq2seq+attention”。一般答復(fù)和生成比例在8：2左右，自動(dòng)生成的使用率并不高，除技術(shù)難度高之外，還存在缺乏聊天機(jī)器人的評(píng)價(jià)標(biāo)準(zhǔn)，缺乏標(biāo)準(zhǔn)化的大規(guī)模訓(xùn)練數(shù)據(jù)等問題。此外，基于深度學(xué)習(xí)來構(gòu)建聊天機(jī)器人的技術(shù)研發(fā)還處于初期階段。

（4）海量異構(gòu)知識(shí)挖掘。

基于特定領(lǐng)域的問答或者知識(shí)性、事實(shí)性問答，需要基于知識(shí)圖譜來實(shí)現(xiàn)。對(duì)海量異構(gòu)數(shù)據(jù)進(jìn)行解析后，從中挖掘出概念、關(guān)系、屬性、語義等語言單元，然后采用知識(shí)圖譜的方式進(jìn)行知識(shí)表示和存儲(chǔ)。知識(shí)圖譜在知識(shí)的查找、推理和管理方面有明顯的優(yōu)勢。

認(rèn)知智能技術(shù)的發(fā)展趨勢有以下4點(diǎn)。

（1）從淺層語義分析到深層語義分析的自然語言處理。

傳統(tǒng)的語義分析通常采用符號(hào)抽取和匹配的思路來進(jìn)行，或者采用簡單的機(jī)器學(xué)習(xí)。局限性在于在有限樣本和計(jì)算的情況下，對(duì)復(fù)雜函數(shù)表示能力有限，復(fù)雜分類泛化能力受限，同時(shí)還需要人工抽取特征。目前，NLP領(lǐng)域深度學(xué)習(xí)受到極大重視，深度學(xué)習(xí)不僅可以自動(dòng)抽取特征，同時(shí)以更緊湊簡潔方式表達(dá)比淺層復(fù)雜的函數(shù)集合，NLP將不斷從傳統(tǒng)的淺層語義分析向深層語義分析發(fā)展。

（2）從單一的智能機(jī)器學(xué)習(xí)到混合的智能學(xué)習(xí)。

AlphaGo的成功背后，其技術(shù)更加讓人震撼，它將深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)進(jìn)行結(jié)合使用，突破了傳統(tǒng)單一方法的效果。同樣的，在處理NLP時(shí)，由于NLP大部分是復(fù)雜問題或者XOR問題，因此需要多種算法的組合來解決問題，揚(yáng)長避短，機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的結(jié)合，將在NLP中發(fā)揮出更大的優(yōu)勢。

（3）從單一知識(shí)獲取方式到多通道融合獲取方式。

最傳統(tǒng)的問答系統(tǒng)交互性差，技術(shù)實(shí)現(xiàn)上通?；陬愃朴谒阉饕娴乃饕龣z索方式，很難理解用戶意圖，主要原因在于粗粒度檢索，準(zhǔn)確率受限，另外也缺乏知識(shí)推理和知識(shí)引導(dǎo)交互。通過已結(jié)構(gòu)化的知識(shí)圖譜來進(jìn)行語義理解、獲取答案，甚至可以進(jìn)行知識(shí)推理，不僅可以精確匹配答案并推理，同時(shí)也能處理非結(jié)構(gòu)化文檔，支持結(jié)構(gòu)也更復(fù)雜。

（4）從人工學(xué)習(xí)知識(shí)到半監(jiān)督的人機(jī)協(xié)作知識(shí)自學(xué)習(xí)。

互聯(lián)網(wǎng)產(chǎn)生的大量的非結(jié)構(gòu)化數(shù)據(jù)，通常被以文件形式存儲(chǔ)到到文件系統(tǒng)，以進(jìn)行搜索、查詢，對(duì)于文檔中的知識(shí)價(jià)值則需要人去理解消化，其局限性在于管理成本高，知識(shí)無法共享傳遞價(jià)值。而采用知識(shí)挖掘工具或者知識(shí)圖譜等技術(shù)，就可以實(shí)現(xiàn)半自動(dòng)的非結(jié)構(gòu)化文件知識(shí)挖掘，同時(shí)采用圖的形式進(jìn)行知識(shí)表示和存儲(chǔ)，只需人工校對(duì)就能使大家共用數(shù)據(jù)，發(fā)揮知識(shí)價(jià)值。

1.4 人工智能在ICT領(lǐng)域中的應(yīng)用

人工智能技術(shù)已經(jīng)走進(jìn)了工業(yè)生產(chǎn)和人們生活的方方面面。在傳統(tǒng)的電信網(wǎng)絡(luò)領(lǐng)域，基于人工智能的網(wǎng)絡(luò)智能運(yùn)維及智慧運(yùn)營成為各個(gè)電信運(yùn)營商的主要目標(biāo)之一。特別地，基于人工智能技術(shù)對(duì)各類網(wǎng)絡(luò)數(shù)據(jù)的實(shí)時(shí)處理，自動(dòng)學(xué)習(xí)，主動(dòng)優(yōu)化和提升，將通信網(wǎng)絡(luò)從“靈活網(wǎng)絡(luò)”升級(jí)至“自動(dòng)網(wǎng)絡(luò)”，最后演進(jìn)成為“知化網(wǎng)絡(luò)”，全面提升運(yùn)行服務(wù)能力和效率。

在行業(yè)領(lǐng)域。人工智能首先將在如行業(yè)客服、安防、金融等各行業(yè)深化應(yīng)用。例如視頻分析、反恐與情報(bào)分析、地鐵等大流量區(qū)域的監(jiān)測控制比對(duì)；自動(dòng)客服機(jī)器人，減少人力的成本，實(shí)現(xiàn)7×24自動(dòng)智能客服；金融領(lǐng)域的遠(yuǎn)程開戶、刷臉支付、金融大數(shù)據(jù)采集、處理、人工智能自動(dòng)交易、資產(chǎn)管理等。

在智慧家庭領(lǐng)域，智慧家居產(chǎn)品將因?yàn)槿斯ぶ悄芗夹g(shù)而更加智能，各種可聽、可看、可行走、能理解、能執(zhí)行的智慧家居產(chǎn)品，能全面服務(wù)于家庭娛樂、看護(hù)和生活助手等多種個(gè)性化需求。

在終端領(lǐng)域，語音交互、語義理解、自動(dòng)學(xué)習(xí)，將會(huì)改變終端的交互方式。個(gè)人助手業(yè)務(wù)的興起，意味著終端業(yè)務(wù)的用戶體驗(yàn)將深受人工智能技術(shù)影響。特別是5G到來后，網(wǎng)絡(luò)提速后的“寬”和“快”，將極大提升人機(jī)之間響應(yīng)速度。結(jié)合“類人腦”的智能云服務(wù)，極大地提升了用戶體驗(yàn)。

2 區(qū)塊鏈技術(shù)

區(qū)塊鏈?zhǔn)且环N分布式賬本[8-9]，賬本以區(qū)塊形式存在，每個(gè)區(qū)塊以哈希值連接成一根鏈條，因此得名區(qū)塊鏈，它是基于密碼學(xué)、分布式系統(tǒng)和對(duì)等網(wǎng)絡(luò)的綜合技術(shù)。其去中心化、數(shù)據(jù)不易篡改、數(shù)據(jù)可追溯等新特性，將會(huì)為ICT應(yīng)用的架構(gòu)帶來新的變化。

盡管區(qū)塊鏈技術(shù)的還存在一些重要的問題還需要繼續(xù)突破，但是這并不妨礙區(qū)塊鏈技術(shù)在各行各業(yè)的應(yīng)用，其應(yīng)用前景非常廣闊，典型的應(yīng)用場景如下所述。

·數(shù)字貨幣：提供更多的匯兌手段，流轉(zhuǎn)通暢；

·支付交易：優(yōu)化交易過程，降低交易成本；

·大數(shù)據(jù)交易：數(shù)據(jù)資產(chǎn)流通和隱私保護(hù)，通過應(yīng)用程序編程接口（API）保護(hù)“裸”數(shù)據(jù)；

·物聯(lián)網(wǎng)：自我服務(wù)、自我維持，設(shè)備間自主交易和共享；

·身份認(rèn)證：杜絕網(wǎng)絡(luò)和電信詐騙、反洗錢，提供可信憑證；

·權(quán)益登記和轉(zhuǎn)移：明確所有權(quán)，提供溯源依據(jù)，保護(hù)合法權(quán)益；

·信用交易：減少交易糾紛，推動(dòng)互聯(lián)網(wǎng)金融行業(yè)進(jìn)一步發(fā)展；

·公共領(lǐng)域：車位共享、學(xué)歷證明、環(huán)保眾籌、供應(yīng)鏈等，智能合約提供信任保障；

·醫(yī)療領(lǐng)域：醫(yī)療記錄、死亡證明，杜絕篡改和作假。

區(qū)塊鏈技術(shù)的演進(jìn)，目前已經(jīng)從1.0進(jìn)入2.0階段，區(qū)塊鏈2.0的架構(gòu)如圖3所示。

以上各層中，共識(shí)層、網(wǎng)絡(luò)層和數(shù)據(jù)層是需要重點(diǎn)關(guān)注的技術(shù)方向。

（1）共識(shí)層。

共識(shí)機(jī)制最初源于比特幣的工作量證明機(jī)制（POW），該機(jī)制耗時(shí)耗能。后期發(fā)展出了基于權(quán)益的共識(shí)機(jī)制（POS）?；谌鸩ㄋ惴ǎ≧IPPLE）和拜占庭算法（PBFT）的共識(shí)機(jī)制也是當(dāng)前使用非常廣泛的技術(shù)。從性能、可靠性和安全性等多個(gè)方面考慮，基于PBFT的共識(shí)算法應(yīng)該是以后的主流算法。

（2）網(wǎng)絡(luò)層。

根據(jù)現(xiàn)有的測試數(shù)據(jù)分析，節(jié)點(diǎn)數(shù)量的增加帶來了指數(shù)級(jí)增長的網(wǎng)絡(luò)流量，從而嚴(yán)重影響到了共識(shí)算法的性能。此外，區(qū)塊鏈節(jié)點(diǎn)的驗(yàn)證機(jī)制也嚴(yán)重依賴于網(wǎng)絡(luò)層的性能和安全。當(dāng)然效率和可靠性是一對(duì)矛盾，業(yè)界很多企業(yè)宣稱的性能指標(biāo)，脫離了業(yè)務(wù)應(yīng)用、復(fù)雜網(wǎng)絡(luò)、系統(tǒng)異常等場景的指標(biāo)，是沒有意義的，除了關(guān)注峰時(shí)性能還要關(guān)注平均性能數(shù)據(jù)，這是目前的難點(diǎn)，也是重點(diǎn)研究方向，性能提升可以從打包、異步、并行、分離等幾個(gè)方面考慮。

（3）數(shù)據(jù)層。

為了提升區(qū)塊鏈的性能和效率，區(qū)塊上需要存儲(chǔ)的是價(jià)值數(shù)據(jù)、可信數(shù)據(jù)，而對(duì)于其他數(shù)據(jù)需要結(jié)合傳統(tǒng)數(shù)據(jù)庫和文件存儲(chǔ)技術(shù)，需要在兩者間做好橋梁和同步機(jī)制，同時(shí)對(duì)于投票節(jié)點(diǎn)和普通節(jié)點(diǎn)可采用輕節(jié)點(diǎn)和完全節(jié)點(diǎn)保存數(shù)據(jù)的方法，減少數(shù)據(jù)量的大規(guī)模同步。數(shù)據(jù)安全是另一大核心技術(shù)，也是區(qū)塊鏈技術(shù)賴以生存的根本，是數(shù)據(jù)層需要重點(diǎn)解決的問題。隨著量子計(jì)算機(jī)的研制成功，密碼學(xué)技術(shù)需要繼續(xù)研究出新的抗量加密技術(shù)。

3 萬物互聯(lián)下的ICT服務(wù)泛在化

當(dāng)前全球物聯(lián)網(wǎng)技術(shù)體系、商業(yè)模式、產(chǎn)業(yè)生態(tài)仍在不斷演變和探索中。低功率廣域網(wǎng)（LPWAN）技術(shù)在全球范圍內(nèi)快速興起并逐步商用，面向物聯(lián)網(wǎng)廣覆蓋、低時(shí)延場景的5G技術(shù)標(biāo)準(zhǔn)化進(jìn)程加速，各種物聯(lián)網(wǎng)垂直應(yīng)用逐漸成熟，推動(dòng)物聯(lián)網(wǎng)的發(fā)展進(jìn)入萬物互聯(lián)的新時(shí)代[10-11]。平臺(tái)化服務(wù)、泛在化連接、智慧化終端成為物聯(lián)網(wǎng)應(yīng)用發(fā)展的主要特征。產(chǎn)業(yè)生態(tài)進(jìn)入以水平化環(huán)節(jié)為核心，垂直一體化布局為模式的構(gòu)建階段，如圖4所示。

在物聯(lián)網(wǎng)的發(fā)展過程中，標(biāo)準(zhǔn)的地位舉足輕重。全球物聯(lián)網(wǎng)相關(guān)標(biāo)準(zhǔn)化組織眾多，標(biāo)準(zhǔn)化體系框架已基本建立，如圖5[12]所示。

·平臺(tái)層。作為業(yè)界最大的標(biāo)準(zhǔn)組織，oneM2M已發(fā)布兩個(gè)版本標(biāo)準(zhǔn)，并在繼續(xù)研制新的版本；W3C也已完成了相關(guān)工作，并在物聯(lián)網(wǎng)語義方面繼續(xù)研究。

·網(wǎng)絡(luò)層。主要由第3代合作伙伴（3GPP）等主要標(biāo)準(zhǔn)化組織推動(dòng)，已凍結(jié)的標(biāo)準(zhǔn)有：面向中低速率機(jī)器通信的eMTC，面向窄帶移動(dòng)場景的窄帶物聯(lián)網(wǎng)（NB-IoT）和面向車聯(lián)網(wǎng)應(yīng)用的V2V。此外，低功耗、長距離通信技術(shù)也是標(biāo)準(zhǔn)化熱點(diǎn)，如LoRa、sigfox等。

·行業(yè)應(yīng)用。國際電信聯(lián)盟（ITU）成立了SG20推動(dòng)物聯(lián)網(wǎng)和智慧城市相關(guān)標(biāo)準(zhǔn)的制定，工業(yè)互聯(lián)網(wǎng)聯(lián)盟（IIC）完成工業(yè)領(lǐng)域的標(biāo)準(zhǔn)化，KNX定義了智能家居標(biāo)準(zhǔn)。

各標(biāo)準(zhǔn)組織間也加大了協(xié)調(diào)合作，協(xié)同推進(jìn)標(biāo)準(zhǔn)的落地。此外，物聯(lián)網(wǎng)開源興起，如短距離通信領(lǐng)域的OCF和AllSeen，平臺(tái)標(biāo)準(zhǔn)oneM2M、W3C的開源等。開源軟件成為標(biāo)準(zhǔn)落地、構(gòu)建和擴(kuò)大生態(tài)、增加企業(yè)影響力的重要手段。

在萬物互聯(lián)的進(jìn)程中，仍然面臨一些技術(shù)挑戰(zhàn)。比如：工業(yè)制造、安全生產(chǎn)中的高可用性和可靠性，車聯(lián)網(wǎng)和智能家居中的安全與隱私問題等。具體來說，有以下關(guān)鍵技術(shù)需要重點(diǎn)研究：

·邊緣計(jì)算。在靠近物或數(shù)據(jù)源頭的網(wǎng)絡(luò)邊緣側(cè)，就近提供智能互聯(lián)服務(wù)，聚焦實(shí)時(shí)、短周期數(shù)據(jù)的分析和處理，滿足行業(yè)在處理的敏捷性、業(yè)務(wù)智能化、數(shù)據(jù)聚合與互操作、安全與隱私保護(hù)等方面的關(guān)鍵需求。

·運(yùn)動(dòng)智能技術(shù)。通過融合各種外部傳感器數(shù)據(jù)評(píng)估機(jī)器人位姿和環(huán)境地圖的概率分布，實(shí)現(xiàn)地圖構(gòu)建和機(jī)器人定位，在未知環(huán)境的自主移動(dòng)和避障導(dǎo)航。基于運(yùn)動(dòng)智能，結(jié)合感知智能與認(rèn)知智能，服務(wù)機(jī)器人將在金融、零售、養(yǎng)老、政務(wù)等領(lǐng)域大展身手。

·物聯(lián)網(wǎng)認(rèn)知計(jì)算。物聯(lián)網(wǎng)商業(yè)模式將以各種方式利用“設(shè)備”所收集的信息，以便了解顧客行為，提供服務(wù)或改善產(chǎn)品，或用來辨識(shí)及把握商機(jī)。隨著數(shù)據(jù)量的持續(xù)增加，需要全新的分析方法、工具與運(yùn)算法則，如數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等。

·物聯(lián)網(wǎng)安全。物聯(lián)網(wǎng)應(yīng)用環(huán)境復(fù)雜，終端計(jì)算和存儲(chǔ)能力有限，無法應(yīng)用常規(guī)的安全防護(hù)手段。如何保護(hù)物聯(lián)網(wǎng)設(shè)備免于遭受攻擊破壞，通信過程加密，“冒名設(shè)備”、會(huì)耗盡電池的拒絕休眠攻擊等新型挑戰(zhàn)將成為重點(diǎn)考慮的安全技術(shù)。

4 結(jié)束語

網(wǎng)絡(luò)通信和智能終端技術(shù)的發(fā)展使得通信技術(shù)（CT）應(yīng)用和信息技術(shù)（IT）應(yīng)用深度融合，這可以看作是ICT應(yīng)用服務(wù)出現(xiàn)的第1次巨大變革；寬帶高性能移動(dòng)通信網(wǎng)絡(luò)的發(fā)展，以及云計(jì)算基礎(chǔ)設(shè)施服務(wù)的成熟使得人工智能應(yīng)用于ICT應(yīng)用，勢必將促進(jìn)ICT應(yīng)用服務(wù)發(fā)生第2次重大的變革。區(qū)塊鏈技術(shù)作為分布式去中心化的數(shù)據(jù)支撐技術(shù)，將會(huì)在金融、能源、電力等公共行業(yè)領(lǐng)域催生出一批全新架構(gòu)的ICT應(yīng)用服務(wù)。盡管目前還存在一些關(guān)鍵技術(shù)需要深入研究和突破，但是萬物互聯(lián)，隨時(shí)隨地享受各種安全、方便、快捷的ICT服務(wù)將使人類走向智慧生活的新時(shí)代。

致謝

感謝賈霞、吉鋒、陳虹、王曄、韋薇和王永銀等在文章撰寫過程中給予的大力支持。

參考文獻(xiàn)

[1] 郭平， 王可， 羅阿理， 等. 大數(shù)據(jù)分析中的計(jì)算智能研究現(xiàn)狀與展望[J]. 軟件學(xué)報(bào)， 2015， 26（11）：3010-3025. DOI： 10.13328/j.cnki.jos.004900

[2] 丁科， 譚營. GPU通用計(jì)算及其在計(jì)算智能領(lǐng)域的應(yīng)用[J]. 智能系統(tǒng)學(xué)報(bào)， 2015， 10（1）：1-11.DOI： 10.3969/j.issn.1673-4785.201403072

[3] 孫志遠(yuǎn)， 魯成祥， 史忠植， 等. 深度學(xué)習(xí)研究與進(jìn)展[J]. 計(jì)算機(jī)科學(xué)， 2016， 43（2）：1-8. DOI：

10.11896/j.issn.1002-137X.2016.2.001

[4] SUN Y， WANG X， TANG X. Deep Learning Face Representation from Predicting 10000 Classes[C]// 2014 IEEE Conference on Computer Vision and Pattern Recognition. USA：IEEE， 2014：1891-1898. DOI： 10.1109/CVPR.2014.244

[5] GIRSHICK R， DONAHUE J， DARRELL T， et al. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation[C]// 2014 IEEE Conference on Computer Vision and Pattern Recognition. USA：IEEE， 2014：580-587. DOI： 10.1109/CVPR.2014.81

[6] 陳熙霖，胡事民等，面向真實(shí)世界的智能感知與交互[J]. 中國科學(xué)：信息科學(xué)，2016，46（8）：969-981

[7] 奚雪峰， 周國棟. 面向自然語言處理的深度學(xué)習(xí)研究[J]. 自動(dòng)化學(xué)報(bào)， 2016， 42（10）：1445-1465. DOI： 10.16383/j.aas.2016.c150682

[8] 共識(shí)-價(jià)值互聯(lián)的不變協(xié)議[R]. 畢馬威， 2016

[9] 袁勇， 王飛躍. 區(qū)塊鏈技術(shù)發(fā)展現(xiàn)狀與展望[J]. 自動(dòng)化學(xué)報(bào)， 2016， 42（4）：481-494. DOI： 10.16383/j.aas.2016.c160158

[10] 物聯(lián)網(wǎng)白皮書[R]. 北京：中國信息通信研究院， 2016

[11] ZOL智能家居. CES2017： 物聯(lián)網(wǎng)+人工智能 智能家居迎來新高度[EB/OL]. （2017-01-06）[2017-02-09]. http：//sh.zol.com.cn/622/6228932.html

[12] 物聯(lián)網(wǎng)白皮書[R]. 北京：中國信息通信研究院， 2016