未来信息综合
本章导读
本章介绍新兴信息技术的核心概念，包括信息物理系统（CPS）、人工智能、机器人、边缘计算、数字孪生和云计算大数据。这些技术代表了信息技术的发展方向，重点掌握 CPS 四大核心要素、人工智能关键技术、边缘计算特点及边云协同、云计算三种服务模式。
学习目标
- 掌握 CPS 的四大核心技术要素
- 理解人工智能的定义、分类和关键技术
- 了解机器人的发展历程和分类
- 掌握边缘计算的特点和边云协同的六个方面
- 理解数字孪生体的概念、核心技术和应用
- 掌握云计算的三种服务模式和四种部署模式
1. 信息物理系统（CPS）
1.1 CPS 概述
CPS（Cyber-Physical Systems，信息物理系统）是计算、网络和物理环境的深度融合系统。
1.2 四大核心技术要素 ⭐
mindmap
root((CPS 核心要素))
一硬
感知和自动控制
硬件支撑
一软
工业软件
CPS 核心
一网
工业网络
网络载体
一平台
工业云和智能服务平台
支撑上层解决方案| 要素 | 名称 | 作用 |
|---|---|---|
| 一硬 | 感知和自动控制 | CPS 实现的 硬件支撑 |
| 一软 | 工业软件 | CPS 的 核心 |
| 一网 | 工业网络 | 网络 载体 |
| 一平台 | 工业云和智能服务平台 | 支撑 上层解决方案 的基础 |
记忆技巧
"硬软网平"：硬件感知 → 软件核心 → 网络载体 → 平台支撑
2. 人工智能技术
2.1 人工智能的定义
人工智能定义
人工智能是利用数字计算机或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。
2.2 人工智能分类
| 分类 | 特点 |
|---|---|
| 弱人工智能 | 只能在特定领域完成特定任务，不具备真正的推理思考能力 |
| 强人工智能 | 能真正实现推理、思考和解决问题 |
2.3 人工智能关键技术 ⭐
graph TB
A[人工智能关键技术] --> B[自然语言处理]
A --> C[计算机视觉]
A --> D[知识图谱]
A --> E[人机交互]
A --> F[VR/AR]
A --> G[机器学习]
G --> G1[监督学习]
G --> G2[无监督学习]
G --> G3[半监督学习]
G --> G4[强化学习]| 技术 | 说明 |
|---|---|
| 自然语言处理 | 让计算机理解和生成人类语言 |
| 计算机视觉 | 让计算机理解图像和视频内容 |
| 知识图谱 | 结构化知识的表示和存储 |
| 人机交互 | 人与计算机之间的信息交换方式 |
| 虚拟现实/增强现实 | VR/AR 沉浸式体验技术 |
| 机器学习 | 从数据中学习规律的算法 |
2.4 机器学习分类
2.4.1 按学习模式分类
| 模式 | 特点 | 示例 |
|---|---|---|
| 监督学习 | 需要提供 标注样本集 | 分类、回归 |
| 无监督学习 | 不需要 提供标注的样本集 | 聚类、降维 |
| 半监督学习 | 需提供 少量 标注的样本集 | 部分标注数据的分类 |
| 强化学习 | 需 反馈机制 | 游戏 AI、机器人控制 |
2.4.2 按学习方法分类
| 方法 | 特点 |
|---|---|
| 传统机器学习 | 需 手动 完成特征工程 |
| 深度学习 | 需大量训练数据集和强大 GPU 服务器提供算力，自动学习特征 |
2.4.3 常见算法
| 算法 | 说明 |
|---|---|
| 迁移学习 | 将一个领域学到的知识应用到另一个领域 |
| 主动学习 | 主动选择最有价值的样本进行标注 |
| 演化学习 | 基于生物进化原理的学习算法 |
3. 机器人技术
3.1 机器人定义
机器人具备以下三要素：
graph LR
A[机器人三要素] --> B[脑]
A --> C[手]
A --> D[脚]传感器类型：
| 传感器类型 | 用途 |
|---|---|
| 非接触传感器 | 感知周围环境 |
| 接触传感器 | 感知接触物体 |
| 平衡觉传感器 | 保持平衡 |
| 固定觉传感器 | 位置感知 |
3.2 机器人发展历程
timeline
title 机器人发展历程
第一代 : 示教再现型机器人
第二代 : 感觉型机器人
第三代 : 智能型机器人3.3 机器人 4.0 核心技术
| 技术 | 说明 |
|---|---|
| 云—边—端无缝协同计算 | 云计算、边缘计算、终端协同工作 |
| 持续学习与协同学习 | 不断学习提升，多机器人协作学习 |
| 知识图谱 | 结构化知识表示 |
| 场景自适应 | 自动适应不同使用场景 |
| 数据安全 | 保护机器人数据安全 |
3.4 机器人分类
| 类型 | 特点 |
|---|---|
| 操作机器人 | 由人直接操控 |
| 程序机器人 | 按预设程序工作 |
| 示教再现机器人 | 学习后重复动作 |
| 智能机器人 | 具有感知和决策能力 |
| 综合机器人 | 综合多种功能 |
| 类型 | 应用场景 |
|---|---|
| 工业机器人 | 制造业、装配、焊接 |
| 服务机器人 | 家庭服务、医疗护理 |
| 特殊领域机器人 | 军事、救援、太空探索 |
4. 边缘计算
4.1 边缘计算定义
边缘计算定义
边缘计算是将数据的处理、应用程序的运行以及一些功能服务的实现，由 网络中心下放到网络边缘节点 上。
4.2 不同组织的定义
| 组织 | 定义要点 |
|---|---|
| 边缘计算产业联盟 | 云计算在数据中心之外汇聚节点的延伸，包括 云边缘、边缘云、云化网关 三类形态 |
| OpenStack 社区 | 在网络边缘侧提供云服务和 IT 环境服务 |
| ISO/IEC JTC1/SC38 | 靠近物或数据源头，融合网络、计算、存储、应用核心能力的 开放平台 |
| 国际标准组织 | 提供移动网络边缘 IT 服务和计算能力，靠近移动用户 |
4.3 边缘计算的四大特点 ⭐
graph TB
A[边缘计算特点] --> B[联接性]
A --> C[数据第一入口]
A --> D[约束性]
A --> E[分布性]| 特点 | 说明 |
|---|---|
| 联接性 | 联接物理对象多样，需具备丰富的联接功能（网络接口、协议等） |
| 数据第一入口 | 拥有大量、实时、完整的数据，支撑预测性维护、资产管理等创新应用 |
| 约束性 | 需适配工业现场恶劣环境，对功耗、成本、空间有较高要求 |
| 分布性 | 天然具备分布式特征，支持分布式计算与存储 |
4.4 边云协同 ⭐
边缘计算与云计算协同工作，包括 六个方面：
graph TB
subgraph 边云协同
A[资源协同] --> B[数据协同]
B --> C[智能协同]
C --> D[应用管理协同]
D --> E[业务管理协同]
E --> F[服务协同]
end| 协同类型 | 边缘侧职责 | 云侧职责 |
|---|---|---|
| 资源协同 | 本地资源调度管理 | 资源调度管理策略下发 |
| 数据协同 | 数据采集、初步处理、上传 | 海量数据存储、分析、价值挖掘 |
| 智能协同 | 执行推理，实现分布式智能 | 模型训练，模型下发 |
| 应用管理协同 | 应用部署与运行环境，本地生命周期管理 | 应用开发测试环境，全局生命周期管理 |
| 业务管理协同 | 提供模块化、微服务化的应用实例 | 按需求实现业务编排能力 |
| 服务协同 | 按云端策略实现部分 ECSaaS 服务 | SaaS 服务分布策略，承担云端 SaaS 服务 |
记忆技巧
边云协同六个方面可记为："资数智应业服"
- 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
4.5 边缘计算的安全价值
| 价值 | 说明 |
|---|---|
| 可信基础设施 | 提供可信的基础设施 |
| 可信安全服务 | 为边缘应用提供可信赖的安全服务 |
| 安全网络覆盖 | 提供安全可信的网络和覆盖 |
4.6 边缘计算应用场景
| 场景 | 说明 |
|---|---|
| 智慧园区 | 园区智能化管理 |
| 安卓云与云游戏 | 低延迟游戏体验 |
| 视频监控 | 实时视频分析处理 |
| 工业物联网 | 工业数据实时处理 |
| Cloud VR | 云端渲染 VR 内容 |
5. 数字孪生体技术
5.1 数字孪生体定义
数字孪生体定义
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
- 通过相关数字模型间的 相互学习 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
理解要点
数字孪生体的本质是 "虚实映射"：物理世界的实体在数字世界有一个对应的"镜像"，两者之间实时同步、双向交互。
5.2 核心技术 ⭐
数字孪生体依赖三大核心技术支撑：
graph LR
A[数字孪生体核心技术] --> B[建模]
A --> C[仿真]
A --> D[基于数据融合的数字线程]
B -.-> B1[构建物理实体的数字模型]
C -.-> C1[模拟物理实体的行为与状态]
D -.-> D1[连接全生命周期数据流]| 技术 | 作用 | 说明 |
|---|---|---|
| 建模 | 创建物理实体的数字模型 | 是数字孪生体的基础，描述实体的结构与属性 |
| 仿真 | 模拟物理实体的行为 | 在数字空间中预演实体的运行状态与变化 |
| 数字线程 | 基于数据融合，连接全生命周期数据 | 贯穿设计、制造、运维等各阶段的数据通道 |
记忆技巧
"建仿线"：先 建 模型，再 仿 真模拟，最后用数字 线 程串联全生命周期数据。
5.3 主要应用领域
数字孪生体技术已广泛应用于以下四大领域：
| 领域 | 典型应用 | 价值 |
|---|---|---|
| 制造 | 产品设计、生产优化 | 缩短研发周期，降低试错成本 |
| 产业 | 产业链协同、供应链管理 | 提升协同效率，优化资源配置 |
| 城市 | 智慧城市建设 | 城市规划、应急管理、交通优化 |
| 战场 | 军事仿真、作战推演 | 提升作战决策效率，降低实战风险 |
5.4 数字孪生生态系统 ⭐
数字孪生生态系统由下至上分为五个层次，形成完整的技术栈：
graph TB
A[🏭 行业应用层] --> B[🔧 共性应用层]
B --> C[🖥️ 模型构件与仿真分析层]
C --> D[📡 数据互动层]
D --> E[⚙️ 基础支撑层]
A -.-> A1["智能制造 / 智慧城市 / 智慧医疗等"]
B -.-> B1["描述 → 诊断 → 预测 → 决策"]
C -.-> C1["数据建模 / 仿真分析 / 控制"]
D -.-> D1["数据采集 / 数据传输 / 数据处理"]
E -.-> E1["工业设备 / 城市建筑 / 交通工具 / 医疗设备"]| 层次（从下到上） | 组成内容 | 核心职责 |
|---|---|---|
| 基础支撑层 | 工业设备、城市建筑设备、交通工具、医疗设备 | 提供物理实体，是孪生体的"原型" |
| 数据互动层 | 数据采集、数据传输、数据处理 | 实现物理世界与数字世界的数据流通 |
| 模型构件与仿真分析层 | 数据建模、数据仿真、控制 | 构建数字模型，执行仿真分析 |
| 共性应用层 | 描述、诊断、预测、决策 | 提供通用的四类分析能力 |
| 行业应用层 | 智能制造、智慧城市等多方面应用 | 面向具体行业的落地应用 |
记忆技巧
五层结构从下到上可记为："基数模共行"
- 基 础支撑层（物理实体）
- 数 据互动层（数据流通）
- 模 型构件与仿真分析层（建模仿真）
- 共 性应用层（描述/诊断/预测/决策）
- 行 业应用层（具体落地）
共性应用层的四个能力
共性应用层的 "描述、诊断、预测、决策" 是考试高频考点：
| 能力 | 含义 |
|---|---|
| 描述 | 实时呈现物理实体的当前状态 |
| 诊断 | 分析异常原因，定位问题所在 |
| 预测 | 基于历史数据预判未来趋势 |
| 决策 | 提供优化建议，支持管理决策 |
6. 云计算和大数据技术
6.1 云计算服务模式 ⭐
graph TB
subgraph 云计算服务模式
A[SaaS<br>软件即服务]
B[PaaS<br>平台即服务]
C[IaaS<br>基础设施即服务]
end
A --> A1[应用软件统一部署]
B --> B1[分布式开发环境与平台]
C --> C1[服务器组成云端基础设施]| 服务模式 | 全称 | 说明 | 示例 |
|---|---|---|---|
| SaaS | Software as a Service | 服务提供商将应用软件统一部署在云计算服务器上 | Gmail、Salesforce |
| PaaS | Platform as a Service | 服务提供商将分布式开发环境与平台作为服务提供 | Google App Engine |
| IaaS | Infrastructure as a Service | 服务提供商将服务器组成"云端"基础设施作为计量服务提供 | AWS EC2、阿里云 ECS |
6.2 云计算部署模式
| 部署模式 | 特点 | 适用场景 |
|---|---|---|
| 公有云 | 面向公众提供服务 | 通用服务、初创企业 |
| 社区云 | 特定社区共享 | 行业联盟、政府机构 |
| 私有云 | 企业专用 | 大型企业、数据敏感组织 |
| 混合云 | 公有云与私有云结合 | 灵活需求、数据分级管理 |
6.3 大数据分析步骤
graph LR
A[数据获取/记录] --> B[信息抽取/清洗/注记]
B --> C[数据集成/聚集/表现]
C --> D[数据分析/建模]
D --> E[数据解释]| 步骤 | 主要任务 |
|---|---|
| 数据获取/记录 | 收集原始数据 |
| 信息抽取/清洗/注记 | 提取有价值信息，清洗脏数据，添加标注 |
| 数据集成/聚集/表现 | 整合多源数据，聚合分析，可视化展现 |
| 数据分析/建模 | 应用算法分析，建立数据模型 |
| 数据解释 | 解读分析结果，提供决策支持 |
6.4 大数据应用领域
| 领域 | 应用场景 |
|---|---|
| 制造业 | 智能制造、预测性维护、质量控制 |
| 服务业 | 客户分析、精准营销、服务优化 |
| 交通行业 | 智能交通、路线优化、出行预测 |
| 医疗行业 | 精准医疗、疾病预测、药物研发 |
本章小结
核心知识点
-
CPS 四大要素：一硬（感知控制）、一软（工业软件）、一网（工业网络）、一平台（工业云）
-
人工智能关键技术：自然语言处理、计算机视觉、知识图谱、人机交互、VR/AR、机器学习
-
机器学习分类：
- 按模式：监督、无监督、半监督、强化
-
按方法：传统机器学习、深度学习
-
边缘计算特点：联接性、数据第一入口、约束性、分布性
-
边云协同六方面：资源、数据、智能、应用管理、业务管理、服务
-
数字孪生核心技术：建模、仿真、数字线程
-
云计算服务模式：SaaS、PaaS、IaaS
对照表速记
| 技术领域 | 核心要点 |
|---|---|
| CPS | 硬软网平 |
| 人工智能 | 6 大关键技术 |
| 机器人 | 三代发展、4.0 技术 |
| 边缘计算 | 4 特点、6 协同 |
| 数字孪生 | 建模仿真线程 |
| 云计算 | SaaS/PaaS/IaaS |
考试重点
| 知识点 | 考查形式 |
|---|---|
| CPS 四大要素 | 要素名称与作用对应 |
| 机器学习分类 | 根据特点判断学习模式 |
| 边缘计算特点 | 特点识别与理解 |
| 边云协同 | 协同类型及边缘/云端职责 |
| 云计算服务模式 | SaaS/PaaS/IaaS 区分 |
学习建议
- CPS：记住"硬软网平"四个要素及其作用
- 机器学习：理解四种学习模式的区别和特点
- 边缘计算：重点掌握边云协同的六个方面
- 云计算：理解三种服务模式的层次关系