【系统架构设计师（第2版）】十一、未来信息综合技术

未来信息综合技术是指近年来新技术发展而提出的一些新概念、新知识、新产品，主要包括信息物理系统（CPS）、人工智能（AI）、机器人、边缘计算、数字孪生、云计算和大数据等技术。这些技术涉及多学科、多领域，具有很强的技术综合性，但其核心还是计算机信息技术的延伸，也是当前应用技术发展的前沿。

11.1 信息物理系统技术概述

11.1.1 信息物理系统的概念

信息物理系统（Cyber-Physical Systems，CPS）是控制系统、嵌入式系统的扩展与延伸，其涉及的相关底层理论技术源于对嵌入式技术的应用与提升。为了适应新一代生产装备信息化和网络化的需求，急需对计算、感知、通信、控制等技术进行更为深度的融合。因此，在云计算、新型传感、通信、智能控制等新一代信息技术的迅速发展与推动下，信息物理系统顺势出现。

CPS的定义：CPS通过集成先进的感知、计算、通信、控制等信息技术和自动控制技术，构建了物理空间与信息空间中人、机、物、环境、信息等要素相互映射、适时交互、高效协同的复杂系统，实现系统内资源配置和运行的按需响应、快速迭代、动态优化。

CPS是多领域、跨学科不同技术融合发展的结果。基于硬件、软件、网络、工业云等一系列工业和信息技术构建起的智能系统其最终目的是实现资源优化配置。CPS的本质就是构建一套信息空间与物理空间之间基于数据自动流动的状态感知、实时分析、科学决策、精准执行的闭环赋能体系，解决生产制造、应用服务过程的复杂性和不确定性问题，提高资源配置效率，实现资源优化。

11.1.2 CPS的实现

1、CPS的体系架构

单元级：单元级CPS是具备可感知、可计算、可交互、可延展、自决策功能同时不可分割性的CPS最小单元，其本质是通过软件对物理实体及环境进行状态感知、计算分析，并最终控制到物理实体，构建最基本的数据自动流动的闭环，形成物理世界和信息世界的融合交互。
系统级：系统级CPS基于多个单元级CPS的状态感知、信息交互、实时分析，实现了局部制造资源的自组织、自配置、自决策、自优化。在单元级CPS功能基础上，系统级CPS还主要包含互联互通、即插即用、边缘网关、数据互操作、协同控制、监视和诊断等功能。
SoS级：多个系统级CPS的有机组合构成了SoS级CPS。SoS级CPS主要是西安数据汇聚，从而对内进行资产的优化和对外形成运营优化服务。SoS级CPS可以通过大数据平台，实现跨平台、跨平台的互联、互通和互操作，促成了多源异构数据的集成、交换和共享的闭环自动流动，在全局范围内实现信息全面感知、深度分析、科学决策和精准执行。

2、CPS的技术体系

CPS技术体系主要分为CPS总体技术、CPS支撑技术、CPS核心技术。

CPS总体技术：包括系统架构、异构系统集成、安全技术、试验验证技术等，是CPS的顶层设计技术；
CPS支撑技术：包括智能感知、嵌入式软件、数据库、人机交互、中间件、SDN（软件定义网络）、物联网、大数据等，是CPS应用的支撑；
CPS核心技术：包括虚实融合控制、智能装备、MBD、数据孪生技术、现场总线、工业以太网等，是CPS的基础技术。

上述技术体系可以分为四大核心技术要素：

“一硬”：感知和自动控制
- 智能感知技术：传感器技术
- 虚实融合控制技术：建立在状态感知基础上的多层”感知-分析-决策-执行“循环
“一软”：工业软件
“一网”：工业网络
“一平台”：工业云和智能服务平台

3、信息物理系统的建设和应用

智能设计
智能生产
智能服务
智能应用

11.2 人工智能技术概述

11.2.1 人工智能的概念

人工智能（Aritificial Intelligence，AI）是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能的目标是了解智能的实质，并生产出一种新的能以人类智能相似方式做出反应的智能机器。该领域的研究包括机器人、自然语言处理、计算机视觉和专家系统等。
根据人工智能是否能真正实现推理、思考和解决问题，可以将人工智能分为弱人工智能和强人工智能。

弱人工智能：弱人工智能是指不能真正实现推理和解决问题的智能机器。
强人工智能：强人工智能是指真正能思维的智能机器，并且认为这样的机器是有知觉和自我意识的。

11.2.2 人工智能的发展历程

1950年，艾伦*图灵提出了著名的图灵测试：如果一台机器能够与人类展开对话（通过电传设备）而不被辨别出其机器身份，那么称这台机器具有智能；
1956年，在人工智能夏季研讨会上正式使用了"人工智能"这一术语，标志着人工智能研究领域的诞生；
1959年，提出了机器学习，将传统的制造智能演化为通过学习能力来获取智能，推动人工智能进入了第一次繁荣期；
1968年，提出了首个专家系统，并对知识库给出了初步的定义，实现可人工智能从理论研究走向实际应用的重大突破，将人工智能的研究推向了新高潮；
20世纪70年代，由于计算机的运算能力不足，人工智能的研究者遭遇了无法克服的基础性障碍，人工智能的发展进入“寒冬”。
20世纪80年代初，人工智能因专家系统（自我学习的双陆棋程序）的商业成功而复兴，进入了第二次浪潮；
20世纪80年代中期，机器学习方法的发展，出现了具有更强可视化效果的决策树模型和突破早期感知局限的多层人工神经网络，由此带来了人工智能的有一次繁荣期；
1987年，LISP机市场崩溃，专家系统进展缓慢，人工智能又进入了萧瑟期；
20世纪90年代末，IBM深蓝战胜国际象棋世界冠军，代表了基于规则的人工智能的胜利，人工智能技术开始进入平稳发展时期。
2010年开始，得益于大数据时代的到来，运算能力和算法得到提高，需要先进的机器学习技术得到了成功应用，产业界开始不断涌现出新的研究成果，人工智能进入爆炸式发展阶段。
…

11.2.3 人工智能关键技术

1、自然语言处理（Natural Language Processing，NLP）

自然语言处理涉及的领域主要包括机器翻译（利用计算机实现从一种自然语言和另外一种自然语言的翻译）、语义理解（利用计算机理解本篇内容，并回答相关问题）和问答系统（让计算机可以像人类一样用自然语言与人交流）等。

2、计算机视觉（Computer Vision，CV）

计算机视觉是使用计算机模拟人类视觉系统的科学，让计算机拥有类似人类提取、处理、理解和分析图像以及图形序列的能力，将图像分析任务分解为便于管理的小块任务。近年来随着深度学习的发展，预处理、特征提取与新算法处理渐渐融合，形成端到端的人工智能算法技术。

3、知识图谱（Knowledge Graph）

知识图谱本质上是结构化的语义知识库，是一种由节点和边组成的图数据结构，以符号形式描述物理世界中的概念及其相互关系。知识图谱就是把所有不同种类的信息连接在一起而得到的一个关系网络，提供了从“关系”的角度去分析问题的能力。

4、人机交互（Human-Computer Intercation， HCI）

人机交互主要研究任何计算机间的信息交换，包括人到计算机和计算机到人的两部分信息交换，是人工智能领域的重要的外围技术。人机交互式与认知心理学、人机工程学、多媒体技术、虚拟现实技术等密切相关的综合学科的交叉。人机交互技术除了传统的基础交互和图形交互外，还包括语音交互、情感交互、体感交互及脑机交互等技术。

5、虚拟现实和增强现实（Virtual Reality/Augmented Reality, VR/AR）

虚拟现实和增强现实式以计算机为核心的新型视听技术。结合相关科学技术，在一定范围内生成与真实环境在视觉、听觉等方面高度近似的数据字化环境。

6、机器学习（Machine Learning，ML）

机器学习是人工智能的核心研究领域之一，是一份涉及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科。其最初研究的动机是为了让计算机系统具有人的学习能力以便实现那人工智能。具体来说，机器学习是以数据为基础，通过研究样本数据寻找规律，并根据所得规律对未来的数据进行预测。目前机器学习广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别等领域。

广义上来说，机器学习指专门研究计算机怎么模拟或实现人类的学习行为以获取新的知识或技能的学科，使计算机重新组织已有的组织结构并不断改善自身的性能。更精确的说，一个机器学习程序就是可以从经验数据E中对任务T进行学习的算法，它在任务T上的性能度量P会随着对于经验数据E的学习而变好。

按学习模式不同，机器学习可以分为：

监督学习：监督学习是利用已标记的有限训练数据集，通过某种学习策略/方法建立一个模型，从而实现对新数据/实例的标记（分类）/映射。最典型的监督学习算法包括回归和分类等；
无监督学习：无监督学习是利用无标记的有限数据描述隐藏在未标记数据中的结构/规律。无监督学习常见算法包括Apriori算法、KMeans算法、随机森林、主成分分析等；
半监督学习：半监督学习是可以利用少量的标注样本和大量的未标识样本进行训练和分类，从而达到较少标注代价、提高学习能力的目的。典型算法有图论推理算法、拉普拉斯支持向量机等；
强化学习：强化学习可以学习从环境状态到行为的映射，使得智能体选择的行为能够获得环境的最大奖赏，最终目标是使用外部环境对学习系统在某种意义下的评价最佳。强化学习的常见算法有Q-Leamning、时间差学习等；

按学习方法不同，机器学习可以分为：

传统机器学习：从一些观测（训练）样本触发，试图发现不能通过原理分析获得的规律，实现对未来数据行为或趋势的准确预测；
深度学习：深度学习更注重特征学习的重要性，典型的深度学习算法包括卷积神经网络（CNN）、循环神经网络（RNN）等；

最后机器学习的常见算法还包括：

迁移学习：迁移学习是指当某些领域无法取得足够多的数据进行模型训练时，利用另一领域数据获得的关系进行的学习。迁移学习可以把已训练好的模型参数迁移到新的模型指导新模型训练，更有效的学习底层规则，减少数据量；
主动学习：主动学习通过一定的算法查询最有用的未标记样本，并交由专家进行标记，然后用查询到的样本训练分类模型来提高模型的精度。主动学习能够选择性的获取知识，通过较少的训练样本获得高性能的模型；
演化学习：演化学习时基于演化算法提供的优化工具设计机器学习算法，针对机器学习任务中存在大量的复杂优化问题，应用于分类、聚类、规则发现、特征选择等机器学习与数据挖掘问题中。

11.3 机器人技术概述

11.3.1 机器人的概念

机器人的英文单词Robot最早出现在1920年捷克作家所写的剧本中，剧中人造劳动者取名为Robot，捷克语为“苦力”，“奴隶”。英语中的Robot由此而来，以后世界各国都使用Robot作为机器人的代名词。

11.3.2 机器人的定义和发展历程

第一代机器人：20世界40年代后的示教再现型机器人，可以重复地根据人的示教结果，再做出相应的动作；
第二代机器人：20世纪70年代后的感觉型机器人，这种机器人拥有类似人在某种功能的感觉，如力觉、触觉、滑觉、视觉、听觉等，它能够通过感觉来感受和识别工件的形状、大小、颜色；
第三代机器人：20世纪90年代以来的智能型机器人，这种机器人带有多种传感器，可以进行复杂的逻辑推算、判断及决策，在变化的内部状态与外部环境中，自主决定自身的行为。

经过了几十年的发展，机器人技术已经形成了一门新的综合性学科——机器人学（Robotics）。机器人学包括有基础研究和应用研究两个方面，主要的研究内容包括：

机械手设计；
机器人运动学、动力学和控制；
轨迹设计和路径规划；
传感器；
机器人视觉；
机器人语言；
装置与系统结构；
机器人智能；
*…

11.3.3 机器人4.0的核心技术

所谓机器人4.0时代，就是把云端大脑分布在各个地方，充分利用边缘计算的优势，提高性价比的服务，把要完成任务的记忆场景的知识和常识很好的组合起来，实现规模化部署。特别强调机器人除了具有感知能力实现智能协作，还应该具有一定的理解和决策能力，进行更加自主的服务。

机器人4.0主要有以下几个核心技术：

云-边-端的无缝协同计算：云-边-端一体的机器人系统是面向大规模机器人的服务平台，云侧可以提供高性能的计算和知识存储，边缘侧用来进一步处理数据并实现协同和共享，机器人端只用完成实时操作的功能；
持续学习与协同学习：在机器人4.0时代，我们希望机器人可以通过少量数据来建立基本的识别能力，然后可以自主地去找到更多的相关数据并进行自动标准。同时也要采用大数据和云端的处理能力，让各种机器人之间的数据进行共享，保证机器人持续学习与协同学习的能力，进一步提高机器人学习的速度与精度；
知识图谱：机器人4.0时代知识图谱需要更加动态和个性化的知识，需要和机器人的感知与决策能力相结合，帮助机器人实现更高级的持续学习能力；
场景自适应：通过对当前场景进行三维语义理解的基础上，主动观察场景内人和物之间的变化，预测可能发生的事件，从而影响之后的行动模式；
数据安全：云-边-端融合的机器人系统需要完整的数据安全保障机制，既要保证端到端的安全传输，也要保障服务端的安全存储，同时也要保障用户原始的隐私数据和推理得出的个性化数据。

11.3.4 机器人的分类

按照要求的控制方式分类：

操作机器人
程序机器人
示教再现机器人
智能机器人
综合机器人

按应用行业分类：

工业机器人
服务机器人
特殊领域机器人

11.4 边缘计算概述

11.4.1 边缘计算概念

边缘计算将数据的处理、应用程序的运行甚至一些功能服务的实现，由网络中心下放到网络边缘的节点上。在网络边缘侧的智能网关上就近采集并且处理数据，不需要将大量未处理的原生数据上传到远处的大数据平台。

11.4.2 边缘计算的定义

1、边缘计算产业联盟（ECC）对边缘计算的定义

边缘计算的业务本质是云计算在数据中心之外汇聚节点的延伸和演进，主要包括云边缘、边缘云和云化网关三类落地形态；以“边云协同”和“边缘智能”为核心能力发展方向；软件平台需要考虑导入云理念、云架构、云技术，提供端到端实时、协同式智能、可信赖、可动态重置等能力；硬件平台需要考虑异构计算能力。

2、OpenStack社区的定义概念

边缘计算是为应用开发者和服务提供上在网络的边缘侧提供云服务和IT环境服务；目标是在靠近数据输入或用户的地方提供计算、存储和网络带宽。

3、ISO/IEC JTC1/SC38对边缘计算给出的定义

在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的开放平台，就近提供边缘智能服务，满足行业数字化在敏捷连接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。

4、国际标准组织的定义

ETSI（European Telecommunications Standards Institute，欧洲电信标准协会）提供了移动网络边缘IT服务环境和计算能力，强调靠近移动用户，以减少网络操作和服务交付的时延，提高用户体验。

11.4.3 边缘计算的特点

联接性：具备丰富的联接功能，充分借鉴吸收网络领域先进研究成果，还要考虑与现有的各种工业总线的互联互通；
数据第一入口：作为物理世界到数字世界的桥梁，拥有大量、实时、完整的数据；
约束性：需要适配工业现场相对恶劣的工作环境与运行环境，同时对功耗、成本、空间也有较高的要求；
分布式：边缘计算需要支持分布式计算与存储、实现分布式资源的动态调度与统一管理、支撑分布式智能、具备分布式安全等能力；

11.4.4 边云协同

边缘计算和云计算各有所长，云计算擅长全局性、非实时、长周期的大数据处理与分析，能够在长周期、业务决策支撑等领域发挥优势；边缘计算更适用局部性、实时、短周期数据的处理与分析，能更好的支撑本地业务的实时智能化决策与执行。
边云协同的能力与内涵涉及LaaS、PasS、SaaS各个层面的协同，主要包括六种：

资源协同
数据协同
智能协同
应用管理协同
业务管理协同
服务协同

11.4.5 边缘计算的安全

边缘安全是边缘计算的重要保障，边缘安全涉及跨越云计算和边缘计算纵深的安全防护体系，增强边缘基础设施、网络、应用、数据识别和抵抗各种安全威胁的能力，为边缘计算的发展构建安全可信环境，加速并保障边缘计算产业发展。
边缘计算的价值体现在四个方面：

提供可信的基础设施
为边缘应用提供可信赖的安全服务
保障安全的设备接入和协议转换
提供安全可信的网络及覆盖

11.4.6 边缘计算应用场合

智慧园区
安卓云与云游戏
视频监控
工业物联网
Cloud VR

11.5 数字孪生体技术概述

数字孪生技术是跨层级、跨尺度的现实世界和虚拟世界建立沟通的桥梁，是第四次工业革命的通用目的技术和核心技术体系之一，是支撑万物互联的综合技术体系，是数字经济发展的基础，是未来智能时代的信息基础设施。未来十年将成为“数字孪生体时代”。

11.5.1 数字孪生体发展历程

1960-21世纪初，是数字孪生体的技术准备期，主要指CAD/CAE建模仿真、传统系统工程等预先技术的准备；
2002-2010年，是数字孪生体的概念产生期，数字孪生体模式的出现和英文术语名称的确定，预先技术继续程序，出现了仿真驱动设计、基于模型的系统工程等先进设计范式；
2010-2020年，是数字孪生体的领先应用期，NASA、美军方和GE等航空航天、国防军工机构领先领用数字孪生体技术；同时也是物联网、大数据、机器学习、区块链、云计算等外围使能技术的准备期；
2020-2030年，将是数字孪生体技术的深度开发和大规模扩展应用期，数字孪生体技术的开发正与上述外围使能技术深度融合，其应用领域也正从智能制造等工业化领域向智慧城市、数字政府等城市化、全球化领域扩展。

11.5.2 数字孪生体的定义

数字孪生体是现有或将有的物理实体对象的数字模型，通过实测、仿真和数据分析来实时感知、诊断、预测物理实体对象的状态，通过优化和指令来调控物理实体对象的行为，通过相关的数字模型间的相关学习来进化自身，同时改进利益相关方在物理实体对象生命周期内的决策。

11.5.3 数字孪生体的关键技术

建模、仿真和基于数据融合的数字线程是数字孪生体的三项核心技术。能够做到统领建模、仿真和数字线程的系统工程和MBSE，成为了数字孪生体的顶层框架技术；物联网是数字孪生体的底层伴生技术；而云计算、机器学习、大数据、区块链则成为数字孪生体的外围使能技术。

11.5.4 数字孪生体的应用

制造：提高设计的准确性，验证产品在真实环境中的性能；构建数字生产线，实现生产过程的仿真、数字化、关键指标的监控和过程能力的评估；
产业：构建实体的数字镜像，最终实现“服务型制造”和“数字经济”等产业发展目标；
城市：在现实世界和数字世界之间全面建立实时联系，对城市物理实体全生命周期的变化进行数字化、模型化和可视化，建立新型智慧城市；
战场：辅助战争决策；用于装备的研发、维护和保养；完成或服务战场目标的达到；

11.6 云计算和大数据技术概述

大数据和云计算已成为IT领域的两种主流技术。“数据是重要资产”这一概念已成为大家的共识，众多公司争相分析、挖掘大数据背后的重要财富。

11.6.1 云计算技术概述

1、云计算相关概念

云计算（Cloud Computing）是同时描述一个系统平台或者一类应用程序的术语。云计算平台按需进行动态部署、配置、重新配置以及取消服务等。在云计算平台中的服务器可以是物理或虚拟服务器。高级的计算云通常包含一些其他的计算资源，例如存储区域网络，网络设备，防火墙以及其他安全设备等。在应用方面，云计算描述了一类可以通过互联网进行访问的可扩展应用程序，这类云应用基于大规模数据中心及高性能服务器来运行网络应用程序与Web服务，用户可以通过合适的互联网接入设备以及标准的浏览器访问到云计算应用程序。