我国物联网发展现状及前景分析如何

2023-07-04 12:35:02物联网097

我国物联网发展现状及前景分析如何,第1张

2006至2020年，物联网应用从闭环、碎片化走向开放、规模化，智慧城市、工业物联网、车联网等率先突破。中国物联网行业规模不断提升，行业规模保持高速增长，江苏、浙江、广东省行业规模均超千亿元。

截至到2019年，我国物联网市场规模已发展到15万亿元。未来巨大的市场需求将为物联网带来难得的发展机遇和广阔的发展空间。

近年来，我国政府出台各类政策大力发展物联网行业，不少地方政府也出台物联网专项规划、行动方案和发展意见，从土地使用、基础设施配套、税收优惠、核心技术和应用领域等多个方面为物联网产业的发展提供政策支持。在工业自动控制、环境保护、医疗卫生、公共安全等领域开展了一系列应用试点和示范，并取得了初步进展。

目前我国物联网行业规模已达万亿元。中国物联网行业规模超预期增长，网络建设和应用推广成效突出。在网络强国、新基建等国家战略的推动下，中国加快推动IPv6、NB-IoT、5G等网络建设，消费物联网和产业物联网逐步开始规模化应用，5G、车联网等领域发展取得突破。

政策推动我国物联网高速发展

自2013年《物联网发展专项行动计划》印发以来，国家鼓励应用物联网技术来促进生产生活和社会管理方式向智能化、精细化、网络化方向转变，对于提高国民经济和社会生活信息化水平，提升社会管理和公共服务水平，带动相关学科发展和技术创新能力增强，推动产业结构调整和发展方式转变具有重要意义。

以数字化、网络化、智能化为本质特征的第四次工业革命正在兴起。物联网作为新一代信息技术与制造业深度融合的产物，通过对人、机、物的全面互联，构建起全要素、全产业链、全价值链全面连接的新型生产制造和服务体系，是数字化转型的实现途径，是实现新旧动能转换的关键力量。

我国物联网行业呈高速增长状态未来将有更广阔的空间

自2013年以来我国物联网行业规模保持高速增长，增速一直维持在15%以上，江苏、浙江、广东省行业规模均超千亿元。中国通信工业协会的数据表明，随着物联网信息处理和应用服务等产业的发展，中国物联网行业规模已经从2013年的4896亿元增长至2019年的15万亿元。

虽然我国物联网发展显著，但我国物联网行业仍处于成长期的早中期阶段。目前中国物联网及相关企业超过3万家，其中中小企业占比超过85%，创新活力突出，对产业发展推动作用巨大。

物联网作为中国新一代信息技术自主创新突破的重点方向，蕴含着巨大的创新空间，在芯片、传感器、近距离传输、海量数据处理以及综合集成、应用等领域，创新活动日趋活跃，创新要素不断积聚。

物联网在各行各业的应用不断深化，将催生大量的新技术、新产品、新应用、新模式。未来巨大的市场需求将为物联网带来难得的发展机遇和广阔的发展空间。

在政策、经济、社会、技术等因素的驱动下，2020年GSMA移动经济发展报告预测，2019-2025年复合增长率为9%左右，2020年中国物联网行业规模目标16亿元，按照目前物联网行业的发展态势，十三五规划的目标有望超预期完成;预计到2025年，中国物联网行业规模将超过27万亿元。

未来物联网行业将向着多元方向发展

标准化是物联网发展面临的最大挑战之一，它是希望在早期主导市场的行业领导者之间的一场斗争。目前我国物联网行业百家争鸣，还未有一个统一的标准出现。因此在未来可能通过不断竞争将会出现限数量的供应商主导市场，类似于现在使用的Windows、Mac和Linux操作系统。

合规化同样是当下物联网面临的问题之一，特别是数据隐私问题。目前数据隐私已成为网络社会的一个关键词，各种用户数据泄露或被滥用的事件频发，特别是Facebook的丑闻引发了全球担忧。

因此在未来，我国各种立法和监管机构将提出更加严格的用户数据保护规定，，用户的敏感数据可能会随着时间的推移而受到更严格的监管。

安全化是指预防物联网软件遭受网络黑客攻击，在未来，以安全为重点的物联网设施将受到更多的关注，特别是某些特定的基础行业，如医疗健康、安全安防、金融等领域。

多重技术推动物联网技术创新

从技术创新趋势来看，物联网行业发展的内生动力正在不断增强。连接技术不断突破，NB-Iot、eMTC、Lora等低功耗广域网全球商用化进程不断加速;物联网平台迅速增长，服务支撑能力迅速提升;

区块链、边缘计算、人工智能等新技术题材不断注入物联网，为物联网带来新的创新活力。受技术和产业成熟度的综合驱动，物联网呈现“边缘的智能化、连接的泛在化、服务的平台化、数据的延伸化”等特点。

—— 以上数据来源于前瞻产业研究院《中国物联网行业应用领域市场需求与投资预测分析报告》

物联网就业前景很好，物联网产业具有产业链长、涉及多个产业群的特点，其应用范围几乎覆盖了各行各业。

物联网专业是教育部允许高校增设新专业后，高校申请最多的学校，这也说明了国家对物联网经济的重视和人才培养的迫切性。物联网的产业规模比互联网产业大20倍以上，而物联网技术领域需要的人才每年也将在百万人的量级。

物联网的基本特征从通信对象和过程来看，物与物、人与物之间的信息交互是物联网的核心。物联网的基本特征可概括为整体感知、可靠传输和智能处理。

整体感知—可以利用射频识别、二维码、智能传感器等感知设备感知获取物体的各类信息。

可靠传输—通过对互联网、无线网络的融合，将物体的信息实时、准确地传送，以便信息交流、分享。

智能处理—使用各种智能技术，对感知和传送到的数据、信息进行分析处理，实现监测与控制的智能化。

AIoT（人工智能物联网）未来发展前景十分广阔。它将使用AI技术实现对设备、数据和应用的连接，从而为企业带来新的发展机遇。AIoT可以帮助企业实现效率的大幅度提升，同时也可以帮助企业减少成本开销。此外，AIoT还能够帮助企业针对不断变化的需要快速作出决定和行动。

随着低代码技术成熟度提高，实践证明国产低代码开发平台在某些应用开发领域的降本增效作用，有效地促进了行业的发展。

从2016年开始，截止到去年。国内低代码开发平台行业的融资额从100万元增加到12亿元。

未来五年，在SaaS，PaaS，物联网应用等领域的增长带动下，国内低代码开发平台的融资规模可能保持96％的复合年增长率，预计在2024年会达到2亿的规模。JNPF快速开发平台，连续三年来年营收增长值突破300%+，前段时间将还入选了2022年低代码行业50强。

像这种低代码平台是任何行业都可以使用的，不限规模和业务，都可以使用JNPF完成项目的开发。

物联网、大数据及人工智能都是近年来互联网行业比较火热的话题，三者之间具有非常紧密的联系。想探讨物联网、大数据及人工智能之间如何融合，首先需要了解其基本概念。

概念

1、物联网

根据百度百科的解释，物联网（InternetofThings，IoT）是一个基于互联网、传统电信网等的信息承载体，它让所有能够被独立寻址的普通物理对象形成互联互通的网络（万物互联）。物联网网络架构设计由感知层、网络层及应用层组成，分别实现数据采集、数据传输及数据应用的功能。目前，物联网已经广泛应用于智慧医疗、智慧环保、智慧城市、智能家居及物流等领域。

2、大数据

大数据指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。大数据具有体量大（Volume）、及时性（Velocity）、多样性（Variety）、低价值密度（Value）及真实性（Veracity）的“5V”特性。

3、人工智能

人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。目前，人工智能正在改变各行各业的传统模式，作为人工智能分支的机器学习/深度学习已经广泛用于自然语言处理（NLP）、计算机视觉（CV）、机器翻译及推荐系统等领域。

深度融合

物联网、大数据、人工智能三者之间相辅相成，可以形成一个闭环通路。物联网作为智能感知层，主要负责采集现场的数据并将数据上传至分布式数据库中；大数据作为数据存储层，将经过ETL处理后的数据保存到分布式文件系统（HDFS）或数据仓库（HIVE）中；人工智能作为应用层，可利用sparkml或tensorflow实现相关的机器学习或深度学习算法，对存储在HDFS或HIVE中的数据进行数据挖掘。

应用案例

目前，物联网、大数据、人工智能已经广泛用于智慧城市、智慧环保、智慧交通等领域。以智慧环保中的空气预警为例，首先，物联网可以作为智慧感知层，安装在客户现场的空气监测设备采集的空气质量信息通过网络传输数据中心；而后，利用大数据ETL工具（spark、hive）进行数据清洗并存储至分布式数据库/文件系统/数据仓库中；最后，利用人工智能相关技术进行大数据分析（sparkml、tensorflow），预测未来若干天的空气质量，并以此辅助进行科学决策及改善环境。

现在的世界，已经进入了一个概念满天飞的年代。和工业大数据相关的概念非常多，包括工业40、物联网、云计算、人工智能、智能制造等等，接下来，我会追根溯源，把这些概念都理清楚，这样，我们才能更好地理解工业大数据。今天先聊一聊工业40是怎么回事。

工业40的概念来源比较清晰，不像大数据概念的来源，说不清，道不明。工业40是德国联邦教研部与联邦经济技术部在2013年汉诺威工业博览会上提出的概念。它实际上是德国人为了推广他们的工业技术而提出的一个营销概念。这个概念应该说提的非常成功，仿佛一夜之间，全世界都在讲自己的产品符合工业40的理念。

当时德国人提的工业40概念中，主要是描绘了制造业的未来愿景（注意，是制造业，而不是工业，德国人在这里其实偷换了概念，工业的范畴远比制造业大得多），提出了继蒸汽机、规模化生产、电子信息技术等三次工业革命后，人类即将迎来的以生产高度数字化、网络化、机器自组织为标志的第四次工业革命。

在德国人描述的四次工业革命中，第一次是以蒸汽机为动力的机械生产设备导致的第一次工业革命，该次工业革命与18世纪末基本结束。第二次是基于劳动力分工（即流水线），以电为动力的大规模生产为核心的第二次工业革命，该次革命始于20世纪初，第三次工业革命始于20世纪70年代，其标志是电子信息技术的大规模使用使得工业自动化程度大为提高，现在，德国人认为我们进入了第四次工业革命，在本次工业革命中，软件不再仅仅是为了控制仪器或者执行具体的工作而编写的，也不再仅仅被嵌入到产品和生产系统中。产品和服务借助于互联网和其他网络服务，通过软件、电子及环境的结合，生产处全新的产品和服务。越来越多的产品功能无需操作人员介入，而是可以自主进行生产。

从这个概念可以看出，工业40实际上是德国等先进制造业发达国家在进行一次大的制造业升级，以期保持其在国际竞争中的地位。因此，工业40概念提出之后，各国纷纷跟进，美国提出了工业物联网，中国提出了工业2025，其实都是想在这一次工业革命中保持或者进一步占领国际市场，获得竞争优势。

工业40中涉及到的技术概念有很多，大致可以通过下面这张图来进行描述。

从底层看，工业40包括互联网时代的三大底层基础设施，工业物联网（这是美国人的概念）、云计算、工业大数据，在具体应用上，包括两大硬件技术3D打印和工业机器人，两大软件技术工业网络和工作自动化，同时还囊括了未来的两大技术虚拟现实和人工智能。这些技术构成了工业40的技术图谱。

由此可以看出，工业大数据是工业40的一部分，它是为工业40提供软件技术支撑的，也是工业40的核心部分。由于工业40的最终目的是提高企业的生产力、生产效率及生产的灵活性，但又受制于生产的复杂性和复杂生产带来的超高难度的管理，因此，现代化的生产要求从产品、工具、运输、设备的每一个环节都配备传感器，并更够通过标准协议彼此通讯，在这种情况下，企业生产就必须依赖全新的软件系统，它可以覆盖整个产品生命周期，它可以协调海量的数据流程，它可以自主控制设备进行复杂化的、自定义的生产作业，而这和核心的一切，就是工业大数据。

到今天，工业大数据的概念已将慢慢的超越了工业40，工业大数据既是工业40的核心，也在独立的发展，既有重合的部分，也有超越的部分。

不管概念如何发展，以人工智能、大数据为标志的第四次工业革命已经在我们的身边展开了，通过这一次的工业革命，我们可以进行超级复杂流程的管理、大规模生产过程的优化和决策的快速执行，实现复杂生产和个性商业活动的高度整合，使人类的生产效率再上升一个数量级，使生产力得到进一步的释放。

一文读懂工业大数据的脉络

工业大数据不同于大数据，具有自己独特的特征。本文着重从工业大数据的定义与范畴、来源、特征、技术及应用领域、面临的问题等，全面剖析工业大数据的方方面面，让你一文读懂工业大数据的脉络！

工业大数据是指在工业领域中，围绕典型智能制造模式，从客户需求到销售、到订单、计划、研发、设计、工艺、制造、采购、供应、库存、发货和交付、售后服务、运维、报废或回收再制造等整个产品全生命各个环节所产生的各类数据及相关技术和应用的总称，其以产品数据为核心，极大延展了传统工业数据范围，同时还包括工业大数据相关技术和应用。

——工业大数据来源——

我们所谈的工业大数据，不完全等同于企业信息化软件中流淌的数据，从业界的共识看，主要来源有三类，第一类是企业经营相关的业务数据，这类数据来自企业信息化范畴，包括企业资源计划（ERP）、产品生命周期管理（PLM）、供应链管理（SCM）、客户关系管理（CRM）和环境管理系统（EMS）等，此类数据是工业企业传统的数据资产。

第二类是机器设备互联数据，主要是指工业生产过程中，装备、物料及产品加工过程的工况状态、环境参数等运营情况数据，通过MES系统实时传递，目前在智能装备大量应用的情况下，此类数据量增长最快。

第三类是企业外部数据，这包括了工业企业产品售出之后的使用、运营情况的数据，同时还包括了大量客户、供应商、互联网等数据状态。

——工业大数据特征——

笔者曾就工业大数据特征及数据驱动工业价值创造等话题，专门采访过工业大数据领域知名专家——美国科学基金会（NSF）智能维护系统（IMS）中心主任李杰教授，他表示：工业大数据与互联网大数据最大的区别在于工业大数据有非常强的目的性，而互联网大数据更多的是一种关联的挖掘，是更加发散的一种分析。

除此之外，两者在数据的特征和面临的问题方面也有不同。有别于互联网大数据，工业大数据的分析技术核心要解决“3B”问题：

1）Below Surface —— 隐匿性，即需要洞悉背后的意义

工业环境中的大数据与互联网大数据相比，最重要的不同在于对数据特征的提取上面，工业大数据注重特征背后的物理意义以及特征之间关联性的机理逻辑，而互联网大数据则倾向于仅仅依赖统计学工具挖掘属性之间的相关性。

2）Broken —— 碎片化，即需要避免断续、注重时效性

相对于互联网大数据的量，工业大数据更注重数据的全，即面向应用要求具有尽可能全面的使用样本，以覆盖工业过程中的各类变化条件、保障从数据中能够提取以反映对象真实状态的信息全面性。因此，工业大数据一方面需要在后端的分析方法上克服数据碎片化带来的困难，利用特征提取等手段将这些数据转化为有用的信息，另一方面，更是需要从数据获取的前端设计中以价值需求为导向制定数据标准，进而在数据与信息流通的平台中构建统一的数据环境。

3）Bad Quality —— 低质性，即需要提高数据质量、满足低容错性

数据碎片化缺陷来源的另一方面也显示出对于数据质量的担忧，即数据的数量并无法保障数据的质量，这就可能导致数据的低可用率，因为低质量的数据可能直接影响到分析过程而导致结果无法利用，但互联网大数据则不同，其可以只针对数据本身做挖掘、关联而不考虑数据本身的意义，即挖掘到什么结果就是什么结果，最典型的就是经过超市购物习惯的数据挖掘后啤酒货架就可以摆放在尿不湿货架的对面，而不用考虑他们之间有什么机理性的逻辑关系；

换句话说，相比于互联网大数据通常并不要求有多么精准的结果推送，工业大数据对预测和分析结果的容错率远远比互联网大数据低的多。互联网大数据在进行预测和决策时，仅仅考虑的是两个属性之间的关联是否具有统计显著性，其中的噪声和个体之间的差异在样本量足够大时都可以被忽略，这样给出的预测结果的准确性就会大打折扣。比如当我觉得有70％的显著性应该给某个用户推荐A类**，即使用户并非真正喜欢这类**也不会造成太严重的后果。但是在工业环境中，如果仅仅通过统计的显著性给出分析结果，哪怕仅仅一次的失误都可能造成严重的后果。

——工业大数据技术：算法与模型——

有了工业数据的大量积累，但并不等于直接的商业收益，中间隔着一道非常关键的通道——工业大数据技术。近几年，很多大数据专家和行业专家也在争执：数据量重要还是大数据算法更重要，双方各执一词。比如Googole就认为数据量的多寡至关重要，甚至直言：更多的数据胜过更好的算法。这种观点与我们意识认知中的“信息越多，就越靠近真相”类似。

而如《The Signal and the Noise》（信号与噪声，作者NateSilver），这本书里面的一个观点是“更多的数据意味着更多的噪声。信号是真相，噪声却使我们离真相越来越远。”所以，人们需要构建有效的算法和模型，去识别和认知何为真相。

在这里暂不讨论到底是数据量重要还是算法模型更重要，但针对工业大数据的有效利用，肯定离不开工业大数据的分析技术。

——工业大数据应用领域（场景）——

一、研发设计：主要用于提高研发人员的研发创新能力，研发效率和质量，支持协同设计，具体体现在：（1）、基于模型和仿真的研发设计；（2）、基于产品生命周期的设计；（3）、融合消费者反馈的设计

二、在复杂生产过程优化的应用：（1）、工业物联网生产线；（2）、生产质量控制；（3）、生产计划与排程；

三、在产品需求预测中的应用

四、在工业供应链优化中的应用

——工业大数据应用发展存在的主要问题——

《工业大数据白皮书2017年版》指出，研究与应用工业大数据，产品大数据是核心，物联大数据是实现手段，集成贯通是基础（业务模式、商业和价值驱动、关键抽取和应用）。而在实践过程中，这三个方面都存在不同程度的难点。

《工业大数据白皮书2017年版》封面

1、产品大数据：产品大数据是工业大数据的根源与核心，但工业制造业领域涵盖十分广泛，行业种类繁多，产品种类数量庞大且仍在不断增长，如何规范产品大数据的定义与分类方法，建立规范的、属性明确的、可查询可追溯可定位的产品大数据，将是顺利应用工业大数据的前提。

2、物联接入设备：物联大数据是实现工业大数据畅通流动的必要手段，但在工业实际应用中，工业软件、高端物联设备不具备国产自主可控性，物联接入的高端设备的读写不开放，形成设备信息的孤岛，数据流通不畅，突破这种束缚是实现工业大数据的关键。