系统架构设计师学习（一）未来信息综合技术

一、引言

　　本来是想着按教材顺序来进行编写的，但是出于个人喜好，我阅读的第一章即本文所描述的未来信息综合技术走向，所以就按我阅读的顺序来进行整理了。

　　2024年其实我个人感觉到非常大的危机了，不管是大环境还是AI对我们行业的冲击，我觉得有必要要重新审视当前的自己并做出一些调整和改变。一方面着手与技术广度探索并适应行业发展走向，另一方面也要有针对性地进行阅读和充实自己。

　　本文也是架构师教程学习系列的第一章，在此以我个人的阅读背景作为引子，和各位同行一起学习和总结当下架构师需要掌握的知识点吧，共勉！

二、信息物理系统技术

信息物理系统的概念

　　来源：1992年提出，信息物理系统（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。

　　本质：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。【搭建信息与物理设备连接的桥梁，通过数据分析精准赋能。】

　　定义：通过集成先进的信息技术和自动控制技术，构建物理空间与信息空间高效协同的复杂系统，实现资源配置优化整合。

　　目标：解决生产制造、应用服务过程中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。

信息物理系统的实现

体系架构

• 单元级：不可分割性的CPS最小单元，通过软件最终控制物理实体，形成物理世界和信息世界的融合交互。【如：一个智能部件、一个工业机器人等】
• 系统级：多个最小单元通过工业网络互联互通，进一步提高制造资源优化配置的广度、深度和精度。
• SoS级：由多个系统级CPS组成，主要实现数据汇聚，实现内部资产优化并对外形成运营优化服务。

技术体系

• CPS总体技术：系统架构、异构系统集成、安全、试验验证技术等
• CPS支撑技术：智能感知、嵌入式软件、数据库、人机交互、物联网、大数据等
• CPS核心技术：虚实融合控制、智能装备、数字孪生、工业以太网等

“一硬一软一网一平台”

• 硬：感知和自动控制【智能感知（传感器）、虚实融合控制】
• 软：工业软件【专用于工业领域的软件】
• 网：工业网络【分布式的、智能设备间相互连接形成的网络服务】
• 平台：工业云和智能服务平台【边缘计算、雾计算、大数据分析等】

信息物理系统的建设和应用

应用场景

• 智能设计：产品及工艺设计、生产线/工厂设计
• 智能生产：设备管理、生产管理、柔性制造
• 智能服务：健康管理、智能维护、远程征兆性判断、协同优化、共享服务
• 智能应用：无人装备、产业链互动、价值链共赢

CPS建设路径

• 1、CPS体系设计
• 2、单元级CPS建设
• 3、系统级CPS建设
• 4、SoS级CPS建设

三、人工智能技术

人工智能概念

　　定义：利用数字计算机或其控制的机器，模拟和扩展人的智能、并使用知识获得最佳结果的一种理论、方法、技术和应用系统。

　　目标：产出一种近似人类智能方式做出反应的智能机器。

弱人工智能

　　定义：不能真正实现推理和解决问题的智能机器。

　　特征：没有自主意识。

　　阶段：在某些特定方面的应用已实现重大突破。

强人工智能

　　定义：真正能思维的智能机器。

　　特征：有知觉和自主意识。

　　分类：

• 类人：机器的思考方式和推理类似人的思维
• 非类人：机器产生了和人完全不一样的知觉和意识，使用和人完全不一样的推理方式

　　阶段：暂未能有所进展

人工智能发展历程

• 1956年在达特茅斯学院提出，标志着人工智能研究领域的诞生
• 1968年提出首个专家系统，将人工智能的研究推向新高潮
• 20世纪70年代，受限于物理资源，人工智能发展进入寒冬
• 20世纪80年代，随着专家系统商业化成功，人工智能进入第二次浪潮
• 20世纪90年代末，人工智能进入平稳发展时期，基于规则的人工智能实现新突破（IBM深蓝战胜国际象棋冠军）
• 2010年开始，人工智能进入爆炸式发展阶段，随着物理资源设备愈发强大和算力的提升，人工智能开始“遍地开花”
• 2020年开始，人工智能昭示着未来已来，数字赋能各行各业，带来极大的冲击与机遇

人工智能关键技术

• 自然语言处理：研究实现人与计算机之间用自然语言进行有效通信的各种理论和方法。
• 计算机视觉：使用计算机模仿人类视觉系统，将图像分析任务分解成便于管理的小块任务。
• 知识图谱：图数据结构，提供了从“关系”的角度去分析问题的能力。
• 人机交互：人和计算机之间的信息交换。
• 虚拟现实或增强现实：结合相关科学技术，生成与真实环境在视觉、听觉等方面高度近似的数字化环境。
• 机器学习：以数据为基础，通过研究样本寻找规律，并根据所得规律对未来数据进行预测。
  • 监督学习：用已标记的有限训练数据集进行训练。
  • 无监督学习：用无标记的有限数据集进行训练，让机器自己分析关联关系。
  • 半监督学习：少量标注样本和大量未标识样本训练和分类，提高学习能力。
  • 强化学习：学习环境状态到行为的映射，通过“奖惩”机制来引导智能体根据场景分析并推理最佳行为。

四、机器人技术

机器人的定义

• 1、机器人是一种具有移动性、个体性、智能性、通用性、半机械人性、自动姓、奴隶性等7个特征的柔性机器。
• 2、具有如下3个条件可以称为机器人：
  • （1）具有脑、手、脚等三要素的个体
  • （2）具有非接触传感器（用眼、耳接收远方信息）和接触传感器
  • （3）具有平衡觉和固有觉得传感器

机器人的发展历程

• 第一代机器人（示教再现型机器人）：通过示教存储程序信息，重复示教行为。
• 第二代机器人（感觉型机器人）：第一代的基础上加入了感觉，可以识别工件的形态。
• 第三代机器人（智能型机器人）：带有多种传感器，可以进行复杂的逻辑推理、判断和决策。
• 第四代机器人（云化机器人）：云端大脑分布在各个地方，利用边缘计算，提供高性价比服务。

第四代机器人核心技术

• 1、云-边-端无缝协同计算：
  • 云侧：提供高性能计算和知识存储
  • 边缘侧：进一步处理数据并实现协同和共享
  • 机器人端：完成实时操作的功能
• 2、持续学习与协同学习：通过少量数据来建立基本的识别能力，自主地去找到更多的相关数据并进行自动标注。
• 3、知识图谱：机器人从“关系”的角度去分析问题过程中，知识图谱的演化也应发展为更加动态和个性化，并与机器人的感知和决策相结合。
• 4、场景自适应：场景预测能力-通过主动观察场景内人和物的变化，预测可能发生的事件，从而影响之后的行动模式。
• 5、数据安全：既要保证端到端的安全传输，也要保障服务器端的安全存储。

机器人分类

• 1、操作机器人
• 2、程序机器人
• 3、示教再现机器人
• 4、智能机器人
• 5、综合机器人
  • 工业机器人
  • 服务机器人
  • 特殊领域机器人

五、边缘计算

　　概念：将数据的处理、应用程序的运行、一些服务的实现由网络中心下放到网络边缘的节点上。

　　定义：一种将主要处理和数据存储放在网络的边缘节点的分布式计算形式。

　　特点：联接性、数据第一入口、约束性、分布性。

　　边缘安全：

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

　　应用场合：智慧园区、安卓云与云游戏、视频监控、工业互联网、Cloud VR

六、数字孪生

　　发展历程：

• 1960-21世纪初【技术准备期】：CAD/CAE建模仿真、传统系统工程等预先技术的准备。
• 2002-2010年【概念产生期】：数字孪生体模型出现、英文术语名称的确定。
• 2010-2020年【领先应用期】：NASA、军方、航空航天等机构领先使用。
• 2020-2030【深度开发和多规模扩展应用期】：智能制造、智慧城市、数字政府等遍地开花。

　　定义：物理实体对象的数字模型。

　　行为：

• 实测、仿真、数据分析：实时感知、诊断、预测物理实体对象的状态。
• 优化、指令：调控物理实体对象的行为
• 数字模型间相互学习：调优、进化自身，改进利益相关方在物理实体对象生命周期内的决策。

　　关键技术：

• 建模：将我们对物理世界的理解进行简化和模型化。
• 仿真：验证和确认建模的正确性和有效性。
• 其他技术：VR、数字线程、云计算、大数据等

　　应用：智能制造、全产业链、智慧城市、战场

七、云计算和大数据

云计算

相关概念

　　“云计算”是同时描述一个系统平台或者一类应用程序的术语。

　　按需进行动态部署、配置、重新配置以及取消服务等。

　　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。

服务方式

• 软件即服务【SaaS】：提供应用软件并部署。
• 平台即服务【PaaS】：提供分布式开发环境与平台作为服务。（包含开发环境、服务器平台、硬件资源等）
• 基础设施即服务【IaaS】：将多台服务器组成的“云端”基础设施作为计量服务提供给客户。（包含内存、I/O设备、存储、计算能力等整合为一个虚拟资源池）

部署方式

• 公有云：云基础设施公开，可自由地分配给公众。
• 社区云：云基础设施分配给一些共同关注任务、安全需求政策信息等的社区组织。
• 私有云：云基础设施分配给有多种用户组成的单个组织。
• 混合云：公有云、私有云、社区云的组合。

大数据

　　定义：大小和复杂性无法通过现有工具和手段对其进行捕获、管理和处理的数据集。

　　分析步骤：

• 1、数据获取和记录
• 2、信息抽取和清洗
• 3、数据集成、聚集和表示
• 4、查询处理、数据建模和分析
• 5、解释

　　应用领域：

• 制造业：智慧化制造、降本增效。
• 服务业：生成智慧解决方案、用户行为分析。
• 交通行业：智慧交通，动态规划最佳出行方式和路线。
• 医疗行业：智慧医疗，决策支持（专家系统）选择最佳医疗护理解决方案。