在地球生命演化過程中，寒武紀生命大爆發是最絢麗的一幕。寒武紀之前，漫長演化過程的生命簡單、原始、緩慢令人乏味。但是在短短2000萬年，數十個動物門類批量出現，在不到地球生命史千分之一的時間內，建立起完整生命之樹，為當今地球生物圈形成奠定了基礎。
生物學家專門用一個詞來描述：生命湧現。所謂湧現，就是指一個系統內個體間預設的簡單互動行為所造就的無法預知的複雜樣態的現象。
生命湧現的原因有各種解釋，其中最重要的就是個體生命進化出了對環境感知和反應的能力，並且通過有性繁殖和自然選擇將這種能力發展壯大。
將這個理論外推到物聯網世界，物聯網創新的湧現，其實也需要兩個基本前提：出現能對環境感知和反應的智能個體；無數個體通過網絡連接衍生出複雜的場景和功能，並強化智能個體的能力。
從阿里雲AIoT近一年的發展中，我們能看到AI賦予了物對環境的感知和反應，豐富的連接和雲構成一個大系統，在大系統上正幻化出無窮的場景和創新空間。
當這兩個前提滿足後，我們可以預見，物聯網創新湧現即將到來。
阿里雲AIoT產品：突破連接障礙
一輛汽車大概有100多個傳感器，這些傳感器以及對應的執行機構和ECU構成了汽車電子的主體。今天，汽車行業創新85%以上來自汽車電子。
這還只是一個很小的系統。在涉及生產、生活的物理世界，需要的傳感器種類和數量不計其數。用阿里雲產品總經理何雲飛的話來說：「目前可能99%都沒有連接。」
沒有連接的原因無非就兩個：連接有困難，連接完了效益有限。其實簡單說就是沒有經濟性。
比如傳統嵌入系統都是用Linux，系統的規模有幾十兆上百兆，功耗和成本限制了嵌入系統的應用規模。在一些低功耗低價值的系統了，傳統嵌入系統無法落地。
阿里雲推出的AliOS Things開源作業系統，系統的規模可以縮減到幾十K到幾K。AliOS Things採用微內核架構，能夠將在智能硬體上運行的軟體容器化和在線化升級，軟硬體可以快速解耦、運維，極大地降低了硬體廠商的生產與維護成本。截止到2019年3月，AliOS Things突破了 1 億設備連接量。9月，AliOS Things3.0發布，並且集成了最新的平頭哥 AI 晶片架構。
不過這只是解決連接問題第一塊基石。在9月份的雲棲大會上，何雲飛在分析智能設備上網的場景挑戰時，就舉了菜鳥物流園區的例子。在一個園區，部署了上萬個低功耗傳感器，這些傳感器區間超過幾公裡。用WiFi或藍牙顯然無法連接這些傳感器。另外，園區裡還有高速移動的自動駕駛AVT車，時速能達到100Km，這些車輛也需要聯網並且是大帶寬的聯網。還有比如景區，所謂無限風光在險峰，很多景區沒有運營商網絡覆蓋。這些場景下，需要專有的廣域網連接支持。
在另一些場景下，比如10億以上國產的智能設備出口到全世界，這些設備激活的時候需要分別配置不同的激活地址，這對廠商來說也是不小的成本。而阿里雲提供統一地址的激活中心，支持8種語言，3400多種APP面板。這樣出口智能設備利用阿里雲激活中心，就能大大簡化並降低成本。
另外還有很多傳統設備，他們是依靠串口來上報數據，為了數據上報而替換設備顯然不可行。在這種場景下，需要網關來完成數據收集和協議轉換。
所以，在阿里雲的產品地圖上，可以看到支持廣域網連接的Link WAN。可接入管理LoRaWAN、蜂窩物聯網卡、LTE-U等通訊技術。目前Link WAN已經有超過2000萬網管設備接入，200多個生態認證模組。比如前面提到的類似菜鳥物流園區，用LoRaWAN網關，3個網關可以覆蓋20萬平方米，支持1萬個以上的傳感器。
還可以看到支持邊緣接入的Link IoT Edge。Link IoT Edge是邊緣計算領域的核心軟體產品，其核心功能是提供多種通訊協議框架，支持開發者快速完成通訊開發；另外也支持設備數據本地處理，結合阿里雲的大數據、AI、語音、視頻等能力，打造出雲邊端三位一體的計算體系。
還有Link Platform幫助完成設備數據採集上雲，以及設備管理能力，可以對設備進行遠程調試和運維。目前Link Platform每天處理的上下行消息100億條以上。
阿里雲的產品布局包括端側，例如物聯網作業系統；包括邊緣，例如Link IoT Edge；包括網絡，例如Link WAN；也包括雲端的管理運維，例如Link Platform。產品覆蓋端邊網雲，並不是說阿里雲一家包打天下，而是阿里雲的重點在於補齊物聯網共用的基礎設施。因為這部分投資都比較大，一般企業不可能承受這麼大的投資強度。
比如面向全球銷售的智能設備，要保證全球用戶的體驗，那麼延時就必須控制在一個可靠的範圍。在全球範圍內做到延時可控，這需要巨大的基礎設施投入。一般企業單獨做成本會很高，而阿里雲本來就有大平臺有大基礎設施，利用它就可以了。
所以對阿里雲AIoT而言，產品布局考慮的是填補基礎設施上的空白，掃除物聯網上雲過程中的障礙。
阿里雲AIoT技術：連線成面
正如何雲飛所講，解決連接問題，是切入的第一步。提供更豐富的功能，智能和安全，才是AIoT的價值所在。
以Link IoT Edge為例，這個產品增加了豐富的通訊協議支持，簡化了企業連接開發，這是基礎。更重要的是，Link IoT Edge將阿里雲很多重要的能力放到了邊緣。比如邊緣網關集群，支持多網關協同接入設備，支持分布式計算，通過靈活配置計算的優先級，可以分布式接入設備數據的同時集中式計算；比如邊緣熱主備，通過本地雙機熱備份防止單點故障，主備切換邏輯可配置，切換事件雲端記錄；比如雲邊一體計算，雲端配置和管理計算規則和本地業務應用，通過部署功能同步到邊緣網關並自動運行。
這些能力單獨拿出來，市面上都有很多成熟解決方案。但是整合到物聯網的大環境下，考慮到端邊雲的協同，國內基本上就沒有成熟的供應商。中長期來看，阿里雲還有更豐富的雲計算能力可以遷移到邊緣計算中。Link IoT Edge最大的價值是提供了一整套雲邊協同的計算框架，可以非常容易的根據企業的需求將計算能力平滑的在邊和雲之間協同分配。這提供了非常高的靈活性。
這些功能看起來沒有AI那麼高大上，但是其適用的領域很廣，是企業組織數位化繞不過去的坎。比如在工廠，傳統的設備數據上報和指令下發，就可以用邊緣網關完成協議轉換，這樣傳統設備就可以完成上雲、遠程管理。再比如一些實時要求高的場景，例如生產線控制，就不太可能把數據回傳到雲端，等雲端處理完成再反應，確保延時就得把計算貼近現場。還有一些場景，數據量太大，例如基於視頻的各種檢測執行，將所有數據回傳雲端沒人任何經濟性可言，所以在邊緣布置視頻計算就是必然選擇。
當然，這些還是降低成本方面。物聯網要發展，更重要的是用AI增加能力。
阿里雲已經在多個城市落地的城市大腦，就是對城市進行全局實時分析，自動調配公共資源，修正城市運行中的缺陷，成為治理城市的超級人工智慧。但是城市大腦第一步要完成的就是，利用阿里雲AIoT將交通、能源、供水等基礎設施全部數據化，連接散落在城市各單元的數據資源，打通「神經網絡」。城市大腦依賴從基礎設置中獲取的數據做出判斷推理，而最後的落地也需要AIoT連接的各個執行單元去實現，資源優化調度才能得以實現。
但是AI的發展非常迅速，最新的算法應用到生產場景一般也就6-12個月時間。比如Facebook何凱明團隊最新發表的圖像分割算法論文，不但精度提高而且算力僅需要傳統算法的2.6%。再比如Facebook田淵棟團隊發表的彩票假設論文，該論文驗證了在不同數據集彩票假設的存在，利用適當的方法可以將神經網絡縮小10-100倍。算力的節省，模型的縮小，不但意味著更好的經濟性，更意味著很多之前難以在邊緣部署的應用可以部署。技術就是生產力在AI領域體現得很明顯。
不過跟蹤最前沿的研究，將論文變成代碼在雲端訓練成可用的模型，然後根據需要將模型分發到邊緣，在邊緣變成一個個應用場景。顯然，這對大多數硬體設備生產商來說，都不大可能。但是在阿里雲AIoT的框架下，就是自然的結果。
Link Visual就是這樣的框架之一。
Link Visual包括基礎能力和視頻智能分析兩大類功能。在基礎能力方面，提供雲轉碼，點對點傳輸，支持H.264和H.265視頻標準，提供雲存儲，查詢、回放、下載、定位、快慢放，以及語音對講、事件報警、消息推送等信令通道，在視頻設備端提供Link Visual Device SDK支持視頻設備接入，在用戶端提供SDK和雲智能APP，合作夥伴或者供應商只需要很低的代碼量就具有了全套的視頻基礎能力。
在智能分析方面，利用阿里雲算法生態提供算法評估、樣本標註、模型訓練、模型分發和算法市場。在邊緣端提供算法容器、邊緣推理、算力調度容器。
不論是用戶自行研發的算法，還是阿里雲提供的算法，或者第三方ISV提供的算法，在包括寒武紀、英特爾或者英偉達硬體平臺上，都可以在阿里雲平臺上訓練模型，通過模型分發到邊緣，構建一整套視頻智能開發、訓練、分發、維護、升級的方案。
在一個箱包廠，這個套方案得到實際驗證。箱包生產有80道工序，工廠數位化程度很低，現場管理比較困難，各工序之間的銜接調度就會影響整個工廠效率。使用Link Visual的視覺計數方案後，各工序進度實時統計，工廠實時調度，提升了工廠效率。
在很多美劇裡，可以看到很多入侵是從一個個不起眼的小傳感器開始。接入的終端越多，安全防護的面就越廣。所以一個靠譜的物聯網還需要全流程的安全方案。阿里雲物聯網可信執行環境Link TEE提供可信應用程式的硬體隔離，提供數據和密鑰安全增強保護，可以為客戶提供符合GP TEE Protection Profile全配置的商業TEE安全解決方案。
物聯網涉及技術面非常寬廣，往下有硬體晶片往上有軟體應用，既有積累了數十年的傳統設備，也有還是剛剛才發表的技術論文。阿里雲AIoT依託阿里雲，理清端邊網雲，智能和安全的線條，並同合作夥伴一起將這些技術線條構成一個完整的物聯網技術支撐面。經過3年的發展，阿里雲AIoT已經基本成型，越來越多行業和應用正在上面生長。
阿里雲AIoT行業應用：四處開花
智能秒停應用，就是生長在阿里雲AIoT平臺上一個典型的創新湧現。
所謂智能秒停，就是當汽車處在違停範圍時，系統在50秒內會給車主發送一條簡訊，簡訊內容除了提醒車主正在違章停車外，還提供就近的停車場供車主選擇。如果車主選擇停車場，停車場會預留停車位，並在車主手機上跳轉到高德地圖，自動導航到停車場。
單獨拆開看，上面的功能都非常常見，比如視頻錄製，拍照，判斷是否違章；比如高德導航，比如停車場車位管理等等。這些都是現成的功能。
智能秒停首先將交通違章攝像頭智能化，通過邊緣計算實時完成車牌識別，違章行為判定，然後將事件上報雲端。雲端會結合車管所的車主登記信息，從停車場採集的車位信息，觸發簡訊通知。整個過程就是利用物聯網、AI、大數據、雲計算、無感支付等技術能力，將「非現場執法」、「全域停車調度」、「信用停車」三個產品完全融合打通。
這是阿里雲的一小步，卻是社會治理的一大步。有了這套系統，普遍被人詬病的「以罰代管」現象就不會發生，疏堵結合的方式就會大大提高社會治理水平。
這也是何雲飛在多個場合反覆說的三化：硬體智能化、設備在線化和設備數據化。通過這三化，管理效能能得到極大提升，在生產領域就是生產效率的提升，用在社會管理就是治理水平的提升。目前這套系統已經落地到杭州雲棲小鎮。
在雲棲大會期間，利用智能停車管理，引導來賓規劃好停車位和行車線路，避免了一開會就交通擁擠，到處交通管制，街面上撒滿保安協管還是讓來賓暈頭轉向。
夢想小鎮馬拉松比賽，是一個更複雜，更立體的物聯網參與社會管理的案例。
去年10月20日，2019杭州夢想小鎮半程馬拉鬆開賽，近萬名選手參加了此次賽事。
阿里雲「鷹眼」系統是本次活動的綜合應急調度指揮系統，它依託IoT、5G、AR、地理信息等新一代信息技術，將賽道信息和賽事活動現場的選手、醫務人員、救護車、醫療設備等關鍵資源狀態實時映射到數字世界，讓賽事現場救援更加精準、高效。
在夢馬大數據指揮中心的現場，無人機航拍實時回傳賽事現場視頻，通過AR技術實時展現參賽人員行進方向、自動除顫機分布、救護車輛、救護人員位置等信息的動態變化。當賽事現場發生緊急事件時，夢馬大數據指揮中心能第一時間收到提醒、全局調配保障資源、實時跟進現場處理進展，保障救援準確高效執行，做到秒級救助。
傳統馬拉松指揮中心是靠對講機進行指揮，不清楚現場的真實情況，指揮人員無法及時掌握醫療、急救資源分布和現場情況作出快速的調度和決策。通過「鷹眼」系統，能夠實現賽事現場全要素信息全局掌握、高效調度，救援準確率大大提升。
可以設想，隨著城市管理數位化水平越來越高，掌握信息並能做出及時反應的一線人員，在整個資源調配和利用中將會有越來越多的權限。後臺或者指揮中心將越來越多的承擔支持和支援的角色。社會組織更加扁平高效，社會治理水平也將更高。
其實以服務聞名以服務成功的海底撈也是這樣。這樣做能提高整個組織的敏捷性，提高資源利用率，提高客戶滿意度。但是這樣做的前提是組織數位化。沒有數位化的支撐，一線員工掌握不了產成本的全局數據，決策就無從談起。沒有數位化，一線員工就沒有事後的評估追溯機制，整個組織就會處於失控狀態，災難就會在不經意間降臨。英國百年歷史的巴林銀行，不就因為一個衍生期貨交易員的交易而倒閉嗎。
其實在幫助企業數位化過程中，阿里雲AIoT也有更多的案例正在上演。
除了前面提到的箱包廠，在重慶某汽車發動機生產過程，就利用了視頻智能分析，做鑄造件的質量檢測。
還有德恩精工，德恩精工生產大規模定製皮帶輪、齒輪、鏈輪、減速電機、床身、主軸箱、齒輪箱等非標產品。作為典型的「多品種、小批量、全工序」離散型製造企業，德恩精工面臨「三高」難題——「高交期、高庫存、高成本」。
在阿里雲的幫助下，德恩精工打通了銷售、生產、研發、庫存、物流等原本分隔的IT系統，實現了企業數據的存儲、匯集和共享，從而提高上述環節的效率。以工廠的「生產排程」為例，通過設備物聯網採集反映的適時製造產能數據，人工智慧算法綜合計算訂單交期、訂單優先級、工藝成組技術、生產中心歷史良品率等數據，從而實現了訂單的交付峰值以及銷售額預測。
何雲飛說，阿里雲AIoT就是通過物本身對世界的感知，能夠進一步的搜集更多的數據，讓企業知道用戶、產品、生產過程、營銷過程是不是在正常進行，能夠讓他更好的決策。阿里雲AIoT在企業數位化中的定位，就是做基礎設施，把通用的基礎設施做好以後，讓這些生態裡面的各個環節的合作夥伴可以擁有同樣的能力。
正如本文開頭提到，寒武紀生命大爆發之前，有性繁殖和個體對環境的感知反應，已經在漫長的生命進化過程中逐漸形成，但是當這兩個前提條件逐漸成熟，臨界點到來，生命湧現開始出現。
目前阿里雲AIoT賦予物的感知與智能，廣泛連接推動整個社會組織數位化，這兩個條件也正在發展成熟，我們正在接近臨界點。
（註：圖片由阿里雲授權中國日報網使用）
來源：中國日報網