M—ICT應用發展趨勢及其關鍵技術分析

呂達+董振江+楊勇

摘要：認為隨著信息通信技術（ICT）的融合發展，M-ICT應用的架構、功能和服務形態都發生了重大變化，呈現出了智能化、去中心化、泛在化等主要特征。詳細闡述了在人工智能、區塊鏈和物聯網等方面M-ICT應用的研究進展，展望了其發展趨勢，并指出了當前需要解決的關鍵技術問題。

關鍵詞： 人工智能；區塊鏈；萬物互聯

信息通信技術（ICT）融合、吸納各種跨界的新技術，并通過在ICT應用中的探索和實踐，不斷催生各種新業務、新服務。ICT應用已經與移動互聯網、云計算和大數據等技術領域深度融合，呈現出3個方面的技術趨勢：

（1）人工智能帶來的服務智能化與智慧化。在高性能計算、存儲、大數據和網絡技術迅猛發展的基礎之上，人工智能技術重新煥發出生命力，帶來了M-ICT應用與服務的智能化、智慧化。

（2）以區塊鏈為特征的去中心化。以區塊鏈技術為代表的互聯網分布式數據技術，用于M-ICT應用分布式構建，并提供去中心化的安全可信服務，解決了互聯網環境交易信任的難題。

（3）萬物互聯化。4G網絡的商用部署和5G網絡的逐步推進，使得萬物互聯成為現實，帶來更高的帶寬、更低的功耗、更低的時延，催生大量萬物互聯下的ICT新應用、新服務、新形態，泛在的ICT應用服務可滿足用戶隨時隨地、方便快捷、個性化的消費，也將對ICT應用架構帶來深刻的影響。

1 人工智能及ICT應用的智能化

人工智能從功能上可分為計算智能、感知智能和認知智能，近些年人工智能的大發展是大數據、云計算和算法改進的共同作用。

1.1 計算智能的發展趨勢分析

計算智能作為基礎通用性技術引擎，包含分布式計算與存貯、神經網絡、分布式機器學習算法與模型、智能調度引擎和智能硬件加速等。計算智能近年有了較大進展，有如下所述的主要表現。

（1）大數據[1]、云計算、硬件加速是計算智能的基礎支撐。大數據可揭示未知的關聯性或者規律，是人工智能的信息載體，而云計算則提供了充足的分布式計算和存儲能力。大數據與云計算的結合是機器學習技術在近年得到飛速發展的推動力，再加上智能加速硬件的發展（如圖像處理器（GPU）和現場可編程邏輯門陣列（FPGA）芯片[2]），共同推動人工智能從理論走向實際應用。

（2）機器學習特別是深度學習是計算智能取得長足進步的加速器[3]。機器學習以計算模式劃分，包含傳統的單機版機器學習（如開源的R、Python、Weka等），基于各種分布式計算框架的并行機器學習（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，包含基礎應用中的監督學習、非監督學習、半監督學習，又包含高級應用中的深度學習、強化學習、集成學習、遷移學習等。目前深度學習的典型算法在圖像、語音取得突破性進展，但是需要大量的人工標注數據。

綜上所述，能夠得到如下結論。

（1）深度學習是當前業界熱點，但傳統機器學習仍將占有一席之地。一方面，在金融、電信等傳統領域既需要提供高精度的模式識別/預測結論，又需要模型變量的清晰可控，所以傳統機器學習/統計科學方法仍有很大空間；另一方面，基于集成學習、增量學習的機器學習方法往往具有更好的魯棒性和更經濟的使用成本。

（2）遷移學習和深度強化學習是未來機器學習研究和應用的重要方向。遷移學習能夠讓我們把大數據得到的模型遷移到小數據上面，是在較小人工監督代價下進行機器學習的一種新策略；而強化學習在AlphaGo成功后重獲業界關注，在游戲、多輪語義對話、機器人的運動規劃和避障等中有廣闊的應用前景。

（3）智能調度是計算智能中大規模數據訓練與上線的服務保證。智能調度需要根據數據形態、算法實現、模型構建，自動選擇合適的并行計算框架及相應算法/模型，實現最優在線服務。人工智能的模型訓練需要進行若干次的實驗才能達到最佳效果，而且在模型訓練過程需要提供中間結果的可視化展示與應用效果評估，考慮如何快速進行自動的超參數優化等。

1.2 感知智能的發展趨勢分析

感知智能的目標是讓機器能聽懂人類的語言，看懂世間萬象，典型的如自動語音識別和圖像識別。感知智能是人工智能的基石，也是目前產業化前景最為看好的技術，其技術全貌如圖1所示。

隨著傳感器技術的進步，一些新的傳感器也涌現出來，如深度攝像頭等。這些傳感器不斷地產生和收集多種類型的海量數據，為感知智能的發展奠定了數據基礎。

算法是感知智能計算的核心，從應用的領域可以分為幾何理解、語義理解和意圖理解三大領域。

·幾何理解指根據視覺信息恢復環境的幾何信息，并可以對目標進行準確定位和跟蹤，輸出6個自由度的空間位置信息；

·語義理解是對圖片或者視頻中的目標進行識別和分析，并輸出結構化的有明確語義的信息；

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

感知智能，特別是語音識別、人臉識別近年取得了很大突破，主要依賴于深度學習的蓬勃發展[4-5]。深度學習取得成功，首先是因為大數據在很大程度上緩解了訓練過擬合的問題，其次在于飛速發展的計算機硬件所提供的強大計算能力，使得訓練大規模神經網絡成為可能。此外，神經網絡的模型設計和訓練方法也取得了長足進步，非監督和逐層的預訓練等訓練方法能加速收斂。

感知智能雖然在指定的數據集上準確率不斷提高，但是實際工程應用中還有許多問題需要解決。深度學習現在已經有一些很好的開放模型可以解決一些通用問題，但是圖像識別中需要對于不同的目標構造不同的特征提取和分類器模型，沒有通用的準則。實際工程中為獲得較高性能，需要針對目標特性，構造核心的損失函數和監督規則，同時需要大量的專業領域知識和經驗。

感知智能有以下發展趨勢：

（1）采用弱監督/半監督學習框架提升數據利用率。

大數據中標注樣本少，人工進行多屬性標注耗時久、花費大，如何有效利用無標簽數據進行學習成為提升深度神經網絡的關鍵問題。自2016年以來，以生成對抗網絡（GAN）為代表的無監督學習方法成為深度學習研究的主流方向，但是GAN訓練存在極大的不穩定性，用于圖像識別的效果并不好。結合聚類等傳統無監督方案，研究如何在深度學習框架下結合現有的標注樣本進行弱監督或半監督學習成為一個重要思路。

（2）多模型集成或者多模態加權提升任務目標的準確率。

在一些特定領域，如支付，對準確率要求非常高，目前人臉識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習自身原因容易陷入局部最優解的問題，在錯誤拒絕率和正確接受率之間很難做到兼顧。可以考慮采用多模型集成學習的策略進行準確率提升，或者采用多種生物特征如聲紋識別進行安全性加強。

（3）從單一算法模塊向端到端的深度神經網絡框架演進。

深度學習最初用來進行特征學習，視頻和圖像分析任務由多個算法構成，單一算法性能提升在軟硬件架構上無法做到統一，導致實時性較差。進行端到端的神經網絡構造，是深度學習的演進方向。如在目標檢測分類領域單純地從特征提取，發展到引入專門的池化層來解決尺寸歸一化問題，進一步分類和定位任務聯合設計損失函數，最后將侯選框選取也納入目標檢測網絡，在性能上也會有非常可觀的提升。

圖像的采集從數據源方面極易受到光照、天氣等的干擾，導致識別率下降，如何從數據源側提升采集的質量，也是感知智能系統方案設計中非常重要的環節。

針對感知智能的新的服務器架構和終端硬件，是計算智能發展重點方向。數據、硬件和算法構成了感知智能的三架馬車，在未來的人工智能產業蓬勃發展的時代里，感知智能會一如既往成為科技進步，改變產業格局的最重要的技術原動力之一。

1.3 認知智能的發展趨勢分析

認知智能，即對人類深思熟慮行為的模擬，包括記憶、推理、規劃、決策與知識學習等高級智能行為，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突破[6-7]，相關的智能應用層出不窮，例如智能問答和智能機器人等。典型的自然語言處理系統如圖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：基于特定領域的知識問答型，基于特定目的的任務型和完全開放的閑聊型。

·基于特定領域的知識型，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圖譜加上傳統檢索模型的方式。

·基于特定目的的任務型，對于任務型的一般所需的參數或條件是非常明確的，可以將參數或條件抽象成幀插槽，采用插槽填充的方式進行問答。

·完全開放的閑聊型。對于閑聊型的，是意圖最不容易把握的，通常采用傳統檢索模型加上深度學習方式進行問答。

（2）自然語言對話。

·引導交互。基于某種營銷或推薦目的，引導用戶聊天內容。也可以在理解用戶意圖前提下，缺失部分或全部必要元素，采用引導方式追問達到用戶目的。

·對話管理。基于當前對話狀態確定系統動作，目前研究主流的方式是基于深度強化學習來實現對話管理，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，對于常見問題（FAQ）庫中無法找到答復的就自動生成，最流行的解決方案是“seq2seq+attention”。一般答復和生成比例在8：2左右，自動生成的使用率并不高，除技術難度高之外，還存在缺乏聊天機器人的評價標準，缺乏標準化的大規模訓練數據等問題。此外，基于深度學習來構建聊天機器人的技術研發還處于初期階段。

（4）海量異構知識挖掘。

基于特定領域的問答或者知識性、事實性問答，需要基于知識圖譜來實現。對海量異構數據進行解析后，從中挖掘出概念、關系、屬性、語義等語言單元，然后采用知識圖譜的方式進行知識表示和存儲。知識圖譜在知識的查找、推理和管理方面有明顯的優勢。

認知智能技術的發展趨勢有以下4點。

（1）從淺層語義分析到深層語義分析的自然語言處理。

傳統的語義分析通常采用符號抽取和匹配的思路來進行，或者采用簡單的機器學習。局限性在于在有限樣本和計算的情況下，對復雜函數表示能力有限，復雜分類泛化能力受限，同時還需要人工抽取特征。目前，NLP領域深度學習受到極大重視，深度學習不僅可以自動抽取特征，同時以更緊湊簡潔方式表達比淺層復雜的函數集合，NLP將不斷從傳統的淺層語義分析向深層語義分析發展。

（2）從單一的智能機器學習到混合的智能學習。

AlphaGo的成功背后，其技術更加讓人震撼，它將深度學習和強化學習進行結合使用，突破了傳統單一方法的效果。同樣的，在處理NLP時，由于NLP大部分是復雜問題或者XOR問題，因此需要多種算法的組合來解決問題，揚長避短，機器學習、深度學習和強化學習的結合，將在NLP中發揮出更大的優勢。

（3）從單一知識獲取方式到多通道融合獲取方式。

最傳統的問答系統交互性差，技術實現上通常基于類似于搜索引擎的索引檢索方式，很難理解用戶意圖，主要原因在于粗粒度檢索，準確率受限，另外也缺乏知識推理和知識引導交互。通過已結構化的知識圖譜來進行語義理解、獲取答案，甚至可以進行知識推理，不僅可以精確匹配答案并推理，同時也能處理非結構化文檔，支持結構也更復雜。

（4）從人工學習知識到半監督的人機協作知識自學習。

互聯網產生的大量的非結構化數據，通常被以文件形式存儲到到文件系統，以進行搜索、查詢，對于文檔中的知識價值則需要人去理解消化，其局限性在于管理成本高，知識無法共享傳遞價值。而采用知識挖掘工具或者知識圖譜等技術，就可以實現半自動的非結構化文件知識挖掘，同時采用圖的形式進行知識表示和存儲，只需人工校對就能使大家共用數據，發揮知識價值。

1.4 人工智能在ICT領域中的應用

人工智能技術已經走進了工業生產和人們生活的方方面面。在傳統的電信網絡領域，基于人工智能的網絡智能運維及智慧運營成為各個電信運營商的主要目標之一。特別地，基于人工智能技術對各類網絡數據的實時處理，自動學習，主動優化和提升，將通信網絡從“靈活網絡”升級至“自動網絡”，最后演進成為“知化網絡”，全面提升運行服務能力和效率。

在行業領域。人工智能首先將在如行業客服、安防、金融等各行業深化應用。例如視頻分析、反恐與情報分析、地鐵等大流量區域的監測控制比對；自動客服機器人，減少人力的成本，實現7×24自動智能客服；金融領域的遠程開戶、刷臉支付、金融大數據采集、處理、人工智能自動交易、資產管理等。

在智慧家庭領域，智慧家居產品將因為人工智能技術而更加智能，各種可聽、可看、可行走、能理解、能執行的智慧家居產品，能全面服務于家庭娛樂、看護和生活助手等多種個性化需求。

在終端領域，語音交互、語義理解、自動學習，將會改變終端的交互方式。個人助手業務的興起，意味著終端業務的用戶體驗將深受人工智能技術影響。特別是5G到來后，網絡提速后的“寬”和“快”，將極大提升人機之間響應速度。結合“類人腦”的智能云服務，極大地提升了用戶體驗。

2 區塊鏈技術

區塊鏈是一種分布式賬本[8-9]，賬本以區塊形式存在，每個區塊以哈希值連接成一根鏈條，因此得名區塊鏈，它是基于密碼學、分布式系統和對等網絡的綜合技術。其去中心化、數據不易篡改、數據可追溯等新特性，將會為ICT應用的架構帶來新的變化。

盡管區塊鏈技術的還存在一些重要的問題還需要繼續突破，但是這并不妨礙區塊鏈技術在各行各業的應用，其應用前景非常廣闊，典型的應用場景如下所述。

·數字貨幣：提供更多的匯兌手段，流轉通暢；

·支付交易：優化交易過程，降低交易成本；

·大數據交易：數據資產流通和隱私保護，通過應用程序編程接口（API）保護“裸”數據；

·物聯網：自我服務、自我維持，設備間自主交易和共享；

·身份認證：杜絕網絡和電信詐騙、反洗錢，提供可信憑證；

·權益登記和轉移：明確所有權，提供溯源依據，保護合法權益；

·信用交易：減少交易糾紛，推動互聯網金融行業進一步發展；

·公共領域：車位共享、學歷證明、環保眾籌、供應鏈等，智能合約提供信任保障；

·醫療領域：醫療記錄、死亡證明，杜絕篡改和作假。

區塊鏈技術的演進，目前已經從1.0進入2.0階段，區塊鏈2.0的架構如圖3所示。

以上各層中，共識層、網絡層和數據層是需要重點關注的技術方向。

（1）共識層。

共識機制最初源于比特幣的工作量證明機制（POW），該機制耗時耗能。后期發展出了基于權益的共識機制（POS）。基于瑞波算法（RIPPLE）和拜占庭算法（PBFT）的共識機制也是當前使用非常廣泛的技術。從性能、可靠性和安全性等多個方面考慮，基于PBFT的共識算法應該是以后的主流算法。

（2）網絡層。

根據現有的測試數據分析，節點數量的增加帶來了指數級增長的網絡流量，從而嚴重影響到了共識算法的性能。此外，區塊鏈節點的驗證機制也嚴重依賴于網絡層的性能和安全。當然效率和可靠性是一對矛盾，業界很多企業宣稱的性能指標，脫離了業務應用、復雜網絡、系統異常等場景的指標，是沒有意義的，除了關注峰時性能還要關注平均性能數據，這是目前的難點，也是重點研究方向，性能提升可以從打包、異步、并行、分離等幾個方面考慮。

（3）數據層。

為了提升區塊鏈的性能和效率，區塊上需要存儲的是價值數據、可信數據，而對于其他數據需要結合傳統數據庫和文件存儲技術，需要在兩者間做好橋梁和同步機制，同時對于投票節點和普通節點可采用輕節點和完全節點保存數據的方法，減少數據量的大規模同步。數據安全是另一大核心技術，也是區塊鏈技術賴以生存的根本，是數據層需要重點解決的問題。隨著量子計算機的研制成功，密碼學技術需要繼續研究出新的抗量加密技術。

3 萬物互聯下的ICT服務泛在化

當前全球物聯網技術體系、商業模式、產業生態仍在不斷演變和探索中。低功率廣域網（LPWAN）技術在全球范圍內快速興起并逐步商用，面向物聯網廣覆蓋、低時延場景的5G技術標準化進程加速，各種物聯網垂直應用逐漸成熟，推動物聯網的發展進入萬物互聯的新時代[10-11]。平臺化服務、泛在化連接、智慧化終端成為物聯網應用發展的主要特征。產業生態進入以水平化環節為核心，垂直一體化布局為模式的構建階段，如圖4所示。

在物聯網的發展過程中，標準的地位舉足輕重。全球物聯網相關標準化組織眾多，標準化體系框架已基本建立，如圖5[12]所示。

·平臺層。作為業界最大的標準組織，oneM2M已發布兩個版本標準，并在繼續研制新的版本；W3C也已完成了相關工作，并在物聯網語義方面繼續研究。

·網絡層。主要由第3代合作伙伴（3GPP）等主要標準化組織推動，已凍結的標準有：面向中低速率機器通信的eMTC，面向窄帶移動場景的窄帶物聯網（NB-IoT）和面向車聯網應用的V2V。此外，低功耗、長距離通信技術也是標準化熱點，如LoRa、sigfox等。

·行業應用。國際電信聯盟（ITU）成立了SG20推動物聯網和智慧城市相關標準的制定，工業互聯網聯盟（IIC）完成工業領域的標準化，KNX定義了智能家居標準。

各標準組織間也加大了協調合作，協同推進標準的落地。此外，物聯網開源興起，如短距離通信領域的OCF和AllSeen，平臺標準oneM2M、W3C的開源等。開源軟件成為標準落地、構建和擴大生態、增加企業影響力的重要手段。

在萬物互聯的進程中，仍然面臨一些技術挑戰。比如：工業制造、安全生產中的高可用性和可靠性，車聯網和智能家居中的安全與隱私問題等。具體來說，有以下關鍵技術需要重點研究：

·邊緣計算。在靠近物或數據源頭的網絡邊緣側，就近提供智能互聯服務，聚焦實時、短周期數據的分析和處理，滿足行業在處理的敏捷性、業務智能化、數據聚合與互操作、安全與隱私保護等方面的關鍵需求。

·運動智能技術。通過融合各種外部傳感器數據評估機器人位姿和環境地圖的概率分布，實現地圖構建和機器人定位，在未知環境的自主移動和避障導航。基于運動智能，結合感知智能與認知智能，服務機器人將在金融、零售、養老、政務等領域大展身手。

·物聯網認知計算。物聯網商業模式將以各種方式利用“設備”所收集的信息，以便了解顧客行為，提供服務或改善產品，或用來辨識及把握商機。隨著數據量的持續增加，需要全新的分析方法、工具與運算法則，如數據挖掘、機器學習等。

·物聯網安全。物聯網應用環境復雜，終端計算和存儲能力有限，無法應用常規的安全防護手段。如何保護物聯網設備免于遭受攻擊破壞，通信過程加密，“冒名設備”、會耗盡電池的拒絕休眠攻擊等新型挑戰將成為重點考慮的安全技術。

4 結束語

網絡通信和智能終端技術的發展使得通信技術（CT）應用和信息技術（IT）應用深度融合，這可以看作是ICT應用服務出現的第1次巨大變革；寬帶高性能移動通信網絡的發展，以及云計算基礎設施服務的成熟使得人工智能應用于ICT應用，勢必將促進ICT應用服務發生第2次重大的變革。區塊鏈技術作為分布式去中心化的數據支撐技術，將會在金融、能源、電力等公共行業領域催生出一批全新架構的ICT應用服務。盡管目前還存在一些關鍵技術需要深入研究和突破，但是萬物互聯，隨時隨地享受各種安全、方便、快捷的ICT服務將使人類走向智慧生活的新時代。

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

[1] 郭平， 王可， 羅阿理， 等. 大數據分析中的計算智能研究現狀與展望[J]. 軟件學報， 2015， 26（11）：3010-3025. DOI： 10.13328/j.cnki.jos.004900

[2] 丁科， 譚營. GPU通用計算及其在計算智能領域的應用[J]. 智能系統學報， 2015， 10（1）：1-11.DOI： 10.3969/j.issn.1673-4785.201403072

[3] 孫志遠， 魯成祥， 史忠植， 等. 深度學習研究與進展[J]. 計算機科學， 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，面向真實世界的智能感知與交互[J]. 中國科學：信息科學，2016，46（8）：969-981

[7] 奚雪峰， 周國棟. 面向自然語言處理的深度學習研究[J]. 自動化學報， 2016， 42（10）：1445-1465. DOI： 10.16383/j.aas.2016.c150682

[8] 共識-價值互聯的不變協議[R]. 畢馬威， 2016

[9] 袁勇， 王飛躍. 區塊鏈技術發展現狀與展望[J]. 自動化學報， 2016， 42（4）：481-494. DOI： 10.16383/j.aas.2016.c160158

[10] 物聯網白皮書[R]. 北京：中國信息通信研究院， 2016

[11] ZOL智能家居. CES2017： 物聯網+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] 物聯網白皮書[R]. 北京：中國信息通信研究院， 2016