前面的两周，我用连续两篇文章拆解了思科扔下的数颗物联网重磅炸弹。其中第一篇文章揭示的趋势是“实时物联网”，第二篇文章谈到的概念是“基于意图的网络（IBNS）”。
从反馈来看，基于意图的网络（IBNS），这个话题比较超前，尚需时间的淬炼和验证，现在过多的预测和评价也难免苍白。但是实时物联网RT-IoT与之不同，看似远在天边，实则近在眼前。讲真，再不关注，你就老了！
物联网普遍通过云平台提供各种分析决策，而这种惯常的做法往往限制了IoT的应用范围，尤其是在某些对反馈的实时性要求较高的领域，可以说普通的物联网并不具备实时性。
所谓实时物联网，是实时处理技术与物联网相结合的领域。顾名思义，实时物联网的一个重要特性就是实时性，包括数据的实时性和反馈的实时性，它不仅要满足物联网的各种约束和条件，还对物联网产生决策的时间有严格限制。如果实时物联网未满足时间约束，则认为该物联网方案失效。
所以，本文解读的重点只有一个：实时物联网RT-IoT。
谈了两周思科，我也不想狗尾续貂了，这次咱们不妨把它晾晾，看看其他公司的所作所为。
人工智能正在走下云端，把自己逼向边缘“绝境”
在文章《IoT圈的东邪西毒，一个只活“一天”，一个专造“导弹”》中，我曾经谈到，IoT正在“倒逼”人工智能逐渐向边缘渗透，不必通过云端的运算能力来实现AI，而是就近在边缘设备端完成。
话音刚落，本周四，7月20日，英特尔就“应声”发布了第二代Movidius神经计算棒，世界上首个AI人工智能加速器产品系列，为边缘设备提供深度神经网络处理功能。Movidius是一家位于爱尔兰都柏林的深度学习技术公司，去年曾经发布U盘型第一代深度学习计算棒Movidius Fathom，随后被Intel收购。
第二代Movidius神经计算棒内置的Myriad 2 VPU，可以在1瓦的功率下提供超过每秒1000亿次浮点运算的性能，以便在边缘设备上低功耗的运行实时深度神经网络，这使得各种人工智能应用都能离线部署。
英特尔认为将人工智能计算能力融合到边缘设备之中可以带来很多好处，因此除了神经计算棒之外，Intel® HD Graphics、Intel® Iris™ Graphics和Intel® Iris™ Pro Graphics等图形处理器，也能满足智能摄像头、机器人、无人驾驶车辆等边缘设备的深度学习需求，并且Intel还提供了可被调用的深度学习工具包Intel® Computer Vision SDK Beta。
摩托罗拉也注意到越来越多的物联网设备需要在本地使用AI处理数据，例如与自动驾驶或者安全监控相关的应用都有严格的实时性要求，必须在数据的“保鲜期”迅速做出反应。本周一，7月17日，摩托罗拉宣布与Neurala合作，提供具有实时人工智能功能的智能摄像头。
Neurala的AI系统不依赖云平台，可在边缘设备上实时检测行人和车辆的状态。也就是说，Neurala通过结合不同的神经网络结构，实现了动态学习，无论有没有云服务器，都可以直接在设备上完成学习任务。这种学习方法不依赖网络传输，与网隔绝的独立性保证了较高的可靠性和隐私安全。更进一步，它还解决了神经网络学了新的、忘了旧的这一问题。
通过摩托罗拉与Neurala的合作，许多行业的智商都会发生不可思议的突增。如果一个孩子失踪了，他的父母可以给警察一张孩子的照片，警察的随身智能相机就会立即“知道”孩子的长相，并将数据发送到附近其他警官的智能相机中，迅速形成一个AI实时“搜救团队”。
获得软银投资的ARM公司，认为鉴于云端的延迟和功耗，边缘节点的机器学习拥有更大的潜力。因此ARM正在积极投入资金用于提升边缘设备端的AI性能。它不仅在下一代的芯片架构中引入了人工智能技术，预计到2020年搭载DynamIQ技术的ARM下一代芯片将在人工智能表现上有50倍的性能提升。6月27日，ARM还与20多家生态系统合作伙伴发起成立了ARM人工智能生态联盟（AIEC），围绕具体应用场景，加速人工智能产业化。
再往前看，6月6日，苹果也发布了新型平台Core ML，将AI带到了边缘“绝境”，它坚持不在云端实现机器学习，加速在边缘设备上的人工智能任务。这类平台对设备性能进行了优化，在不降低AI性能的情况下，减少内存占用和功耗。仅在边缘设备上运行的做法，确保了用户数据的隐私，并且能保证各种应用在没有网络连接时也能够工作和响应。
曾经有观点认为，一步上“云”，才能使物联网设备享受人工智能的红利。然而，随着人工智能内部的激烈分化，如果仅以立足“云端”还是走向“边缘”来分析人工智能的发展格局似乎太过表面，不要忘记物联网才是人工智能真正的下半场。随着人工智能把自己逼向边缘“绝境”，超低延迟、稳定可靠的“实时物联网”主角正要粉墨登场。
新的东西不是真的，真的东西不是新的。鉴于在上篇文章的评论中，很多人认为实时物联网也是在炒多年前的冷饭，多年前不少企业都在持续研究，一直没有取得多大进展，因此这里再多说两句。
的确，实时物联网不是新鲜玩意儿，也并非全新技术，提出多年也未见真正落地。但是，随着以思科Kinetic和SAP公司的Leonardo IoT Bridge为代表的IoT传输运营平台对边缘设备连接和实时数据获取能力的改进，以Intel Movidius和ARM DynamIQ为代表的硬件技术将人工智能运算能力下沉到边缘节点，实时物联网的外延和内涵都发生了本质变化，可以量变的积累已将其发展成了一个全新的“事物”。
对待一个新的趋势，大多数人的第一反应都是认知惯性和惰性延迟。面对新事物时缺乏辨识能力，习惯性的用旧的思维和格局去理解，陷入死循环的怪圈。尤其在当下这个技术日新月异的时代。很容易一叶障目、不见泰山，从而被抛于人后，淹没于时代洪流。
举个由认知延迟造成灭顶之灾的极端例子，2011年，很多人在研究数码相机，但是没有取得突破性进展，柯达公司在该年度的胶卷相机销售额更是达到了历史峰值。于是柯达盲目乐观地认为胶卷行业还有较好的前景，没有采取任何转型措施。但是事实正好相反，短时间内情况急转直下，销售额虚高只是因为竞争对手纷纷退出胶卷市场，使得不多的市场份额全部集中在柯达公司身上而已。在当时当事，走出惯性和惰性的舒适区，有魄力看清局势，才能使柯达破局而出。
反观人工智能和物联网，前者走下云端，后者迈向边缘，实时物联网是殊途同归的必由之路。说到此处，我们有必要重新认识一下实时物联网，以及它将率先落地的场景。
工业物联网的竞争焦点，即将升级到“实时物联网”
物联网提供了对物体全面的感知和分析能力，以往这种能力往往通过云端提供服务，如果直接获取边缘设备的实时信息，通过实时物联网建立对数据进行可靠传输和实时智能的处理能力，将大大提升终端业态的智商。
纵观消费物联网、工业物联网、农业物联网等多个领域，我认为工业领域拥有适合实时物联网生根发芽的“肥沃”土壤。由于工业现场的数据普遍“保鲜期”很短，快速响应关键数据产生的实时决策的需求也最为迫切，好钢用在刀刃上，只有用好实时数据，才能充分发挥工业物联网的潜力，创造真正的价值。
不得不说，与消费物联网相比，工业物联网对鲁棒性、可靠性、可扩展性、安全性…等等非人性的要求更高。尽管工业领域难度超高，实时物联网这一量身定做的神助攻却不离不弃、不畏艰险，陪它走过了最艰难的“初恋”。在这些潜藏多年的实时物联网企业中，创新型项目为数众多，大多数企业均将人工智能融入工业实时数据分析。这里只摆事实，不讲道理，直接给出10家典型代表，献给物女心经的长情读者（这些公司中亦不乏工业人工智能IAI的典型代表，关注IAI的同学也可一并研究）。
1. Foghorn https://www.foghorn.io/
工业物联网公司Foghorn本周刚刚发布了最新的机器学习平台。FogHorn Lightning ML软件平台将机器学习能力嵌入到边缘设备，为石油天然气、公共设施、智能建筑、工业制造等领域的终端用户提供流程优化、成本优化、质量改进等服务。FogHorn Lightning ML仅有256MB大小，使得机器学习模型能够运行在计算能力高度受限的边缘设备上，例如PLC、工业PC、Raspberry Pi系统和多种IoT网关。
2. Sight Machine http://sightmachine.com/
只要看过Sight Machine的网站，就能让你爱上它。这家公司定位于制造业客户，通过提供软件分析系统，帮助客户充分挖掘记录产品质量的图像、压力温度、运动控制传感器、可编程逻辑控制器、流水线机器等方面的已经封装好的各项数据。挖掘数据并过滤出有价值的信息反馈给制造商，让工厂们依据信息监测并改善生产过程。这套流程所处理的数据都是实时的，由实时数据产生的信息，比如质量报告、跟踪性报告、OEE趋势、SPC趋势等，将通过Web页面直接送到工厂管理层手中。
3. OSIsoft http://www.osisoft.cn/
这是一家历经沧桑的公司，好在不久之前，软银完成了对OSIsoft数十亿美元的投资。OSIsoft是世界领先的实时性能管理软件PI System的提供商。该平台跨越企业界线，整合并直观地显示定制的实时事件数据，为商务决策过程提供了很好的帮助，有利于决策和理性的行动。
OSIsoft的PI System是一个可扩充的软件平台，它通过结合实时事件和推动整个企业各级机构的智能活动实现企业性能管理，与一般图形界面的传统数据库不同，PI System专门针对那些要求高的任务关键性应用，包括发电与输送、化学处理、高级制造以及其他产业，满足其收集、处理、分析和分发高速与实时信息的需求。全球10,000多家用户采用PI System，将其作为改进组织架构性能和通过实时传输信息来释放潜在价值的基础。
4. Bright Wolf http://brightwolf.com/
名字和LOGO都非同一般的Bright Wolf公司，为工业企业的物联网项目提供完整的设计咨询、项目开发、系统集成服务和生产运营支持。Bright Wolf公司的IoT数据管理平台Bright Wolf Strandz提供完整的数据建模和管理功能，高级决策和访问权限控制，实现设备生命周期管理和系统集成。
在亚马逊推出Greengrass之后，Bright Wolf随即与之进行了集成，为大型工业企业部署AWS IoT提供增强功能。具体包括：实现PLC之间边缘协议接口的转化，保持数据采集的标准统一；利用亚马逊Lambda在边缘节点动态调整设备行为；在远程采矿和石油/天然气生产场景中，提高数据的完整性和传输的可靠性等。
5. AGT International https://www.agtinternational.com/
AGT International是一家总部位于瑞士苏黎世的私营跨国公司，专门从事物联网事业，包括物联网分析、应用和专业服务。AGT开发了一种基于大数据的方法，从边缘设备中提取原始数据，建立一个分布式的智能网络，最大限度的减少检测与分析的时间延迟。AGT的边缘分析实验室可以提供异常检测、行为分析、模式学习等能力。
6. Bit Stew Systems http://www.beta.bitstew.com/
Bit Stew Sytems是GE最近收购的一家AI初创公司。Bit Stew从2009年开始运营，专门利用传感器，从复杂工业系统中的“连接设备”收集数据，帮助公司开展预测性的维护，将服务中断时间最小化。它在2011年取得了最初的成效和认可，BC Hydro选择了Bit Stew为公司客户部署180万部“智能电表”。通用电气在2015年5月领投了Bit Stew 1720万美元的B轮融资，并成为它最大的客户之一。据行业专家估计，Bit Stew的规模以平均每年翻两番的速度快速成长。
7. ClearBlade https://www.clearblade.com/
按照ClearBlade霸气外露的表述，它提供的是全球唯一一个与云计算无关的IoT平台，采用边缘计算连接所有设备。ClearBlade让企业能够快速构建IoT解决方案，通过将业务规则和机器学习相结合，提供可视化和系统集成能力，充分发挥实时数据的效用。全球最大工具和五金企业史丹利百得在18个月前评估了大约8种边缘网络IoT平台，最后选择了初创公司ClearBlade的方案，足见其竞争力。
8. Falkonry http://falkonry.com/
Falkonry发现、识别并预测边缘设备的运营状态。Falkonry对传感器数据执行信号处理和机器学习，以确定条件并进行分类。就像Facebook在复杂图像中识别人脸，并在学习后对人脸正确加上标签一样，Falkonry能够识别复杂信号中的状态，并在这些状态发生后正确报告。Falkonry通过预测性维护、故障预防、威胁检测和性能优化来提高系统可用性，并减少运营费用。
9. Flowthings.io https://flowthings.io/
Flowthings.io提供了一个服务接口，使得其它应用或设备可以调用并嵌入这个服务，来实现对物联网数据的实时收集、事件处理和数据分发等。早在去年5月，Flowthings.io就推出了第一个在边缘和云端同时提供实时数据分析的IoT平台，并与IBM、Dell等企业开展了深度合作。
10. Infinite Uptime http://www.infinite-uptime.com/
Infinite Uptime公司创立短短1年，首款基于大数据和智能分析的设备震动监测产品就已经被应用于富士康、西门子、印度TATA等大型企业。该公司生产的传感器主要用在机器设备监控和预防性维护，实现震动、噪音、温度的实时监控，当检测到设备异常，通过Wi-Fi或蓝牙传输给工程师和控制器，即时做出反馈和调整，防止事故发生。
工业中随处可见的“铁疙瘩”，正在成为实时物联网的改造对象
新的机会来临时，大处着眼，小处着手。那么工业实时物联网的着手点何在？
我的好友麦总，上个月在日本东京机械要素展上观察到了一个有趣的趋势：工业中随处可见的、与智能化最不搭嘎的“铁疙瘩”正在迅速接入物联网，而且一上来就是实时物联网。
比如这款联轴器产品，它和普通的联轴器外观并没有什么不同，但它其实是一款自带感知能力的智能型机械传动产品，内置了扭矩检测功能。
它借助传动链中的机械传动组件自身具备的运动感知能力，将检测到的运行状态信息实时反馈给设备系统，帮助设备在运行时获得实时的有关传动轴的预防性维护数据；在不增加太多应用成本的情况下，为企业提供更丰富的设备诊断监测数据。
由于麦总是IIoT业内专家，我挑了两个核心的问题请教了这名老司机。第一，怎么看待“铁疙瘩”的智能化？第二，“铁疙瘩”的智能化有哪些实际价值？他的回答如下：
1. 怎么看待“铁疙瘩”的智能化？
经过这两年工业 4.0、智能制造发展趋势的各种*，大部分人应该都很了解物联网和信息化的价值了。所以我们看到在工业制造领域，各类产品都在呈现物联网化的趋势，以提升企业运营的决策效率。
在我们的生产设备中，包含大量的机械零部件，尤其是那些帮助实现设备运转的各类传动组件，例如：联轴器、减速机...等等，它们在设备运行过程中的各种数据状况信息，对设备的生产运营管理和决策来说，是十分重要的。
2. “铁疙瘩”的智能化有哪些实际价值？
这就要谈到对这些机械部件进行状态监控的应用场景了。
以联轴器为例，尽管通过电机获得的系统负载数据，也能够帮助我们在一定程度上实现对设备的预防性维护，但对于较为复杂的生产设备来说，要能够在出现系统异常时，快速精准的找到机械传动的故障点，并有效的采取预防措施，就需要对多级传动组件中的各个环节的运行状况进行实时动态的监控和诊断。
如果在机械中有类似智能联轴器这样的传动产品，那么我们就可以直接从负载获得一手信息，不仅能够实时检测状况，还能够根据反馈数据变化趋势的分析和预判，提前对可能出现状况的传动环节采取相应的预防措施，以减少设备的意外停机，并提升生产效率。
另外，由于联轴器是连接电机轴输出和机械负载的动力传动组件，确保其在应用过程中尤其是在高速运转时输入、输出轴之间的同心度和直线度，对于生产设备的高效稳定运行也是至关重要的。
联轴器自带感知，那么我们就可以基于其自身反馈的状态信息实现上述的预防性维护检测，而无需在传动部件上增加额外的检测元器件和相应的线路敷设，这将在一定程度上降低对传动系统状态检测的应用难度和总体成本。
回答完毕。
好了，至此为止，我分别从传输通讯的角度、人工智能的角度、工业物联网应用落地的角度、初创企业典型代表的角度、智能化改造发挥最大效力的角度、从小处着手如何切入的角度，论述了“实时物联网”这一近在眼前的趋势。建议你把本文收藏，睡前睡后、餐前餐后随时翻翻，常读常新。
半年之后咱们再来重启“基于意图的网络（IBNS）”这个话题，到时不见不散。