康普北亚区技术总监吴健
去年许多行业话题的热度仍将在2019年持续。数据和物联网(IoT)、无线连接和移动边缘计算(MEC)与布线技术及标准的发展将成为驱动智慧楼宇领域变革的三大因素。智慧楼宇的发展为智慧园区和智慧城市奠定了基础,而上述驱动力也推进着融合和相应的准备工作。
去年,康普探讨了“融合”对于从智能楼宇到智慧楼宇转型的重要性。然而,物联网的出现让这一切不再仅仅事关网络和连接的集成,还涉及到与其相辅相成的技术。例如,物联网传感器能够探知我们目前无法访问,但不久的将来就会需要的大量各类数据。
想要实现从智能楼宇向智慧楼宇的发展,就需要利用这些新系统所提供的所有数据(其中许多系统尚未被部署)以及来自楼宇旧有系统的所有数据,并根据这些数据制定决策以优化楼宇的运营和维护。
我们可以对相关工作的开展情况作出一些预测,但无法精准知晓未来究竟会如何发展。康普能够为企业所有者提供的最佳建议就是打造能够获取数据的系统和基础设施,且其需要足够灵活,以适用于未来将会推出的新系统。最佳的策略是使楼宇能够生成尽可能多的数据,从而具备未来分析平台所需的灵活性,能够做到提前应对而无需猜测市场未来将采用哪种分析解决方案。
随着物联网不断演进并生成数据,制造商和供应商也通过提供大量的各类设备,实现基本的连接、数据采集以及技术融合。其中一些借助无线和有线网络成功实现超低延迟的设备,将会越来越多地采用MEC,其计算和存储功能也将更贴近网络边缘。此外,虽然许多物联网设备(如传感器)可能不需要很高的带宽,但所有设备都需要连接到网络。因此,楼宇内无论是来自WiFi网络还是蜂窝网络的无线连接需求都将持续增长,而即将到来的5G更会助推这一趋势。以5G的实际使用为例,为支持每单位用户吞吐量实现从1Gbps到7-8Gbps的提升,商业楼宇业主必须将其当前的Cat5e以太网基础设施升级至Cat6A。这是因为采用更高频段的5G技术还无法很好地穿透墙面,所以楼宇业主需要部署Cat6A基础设施让室内无线系统能够支持5G。
如上所述,无线的发展趋势会决定楼宇布线的需求,而功耗是决定楼宇变化的另一因素。举例来说,2018年9月,IEEE 802.3bt标准被定义为最新的四对以太网供电(PoE)标准,该标准同时引入了两种额外的功率类型——最高55W的Type 3和90W的Type 4。因此我们可以预测,相较于带宽的提升,将会出现更多通过结构化布线进行供电的设备。
诸如此类的全球化标准在日益全球化的市场中将变得越来越重要。毕竟,不同地区的要求不尽相同。然而,借助基于标准的技术方法和实施手段,以及电气和电子工程师协会(IEEE)等机构的全球影响力和文化意识,企业将能够在相对公平的环境中竞争,同时还能够保持足够的灵活性以适应地区差异。
许多运营商已经在着手推进无线和有线的融合,而这种趋势将会一直持续。随着无线网络的应用越发普遍,它们需要相应的有线基础设施来实现回程等技术。上文所提到的PoE技术的发展将助力供电与带宽之间的融合,且楼宇自动化解决方案(例如自动化基础设施管理,简称AIM)也将与有线网络融合。此类解决方案通常是通过专有链路进行连接,但今后我们有望看到更多转向基于以太网的连接,无论是有线还是无线。
尽管本文所提到的趋势中,有很大一部分已经在2018年进行了探讨,但我们认为在这些趋势全面到来之前,2019年仍是全面开展筹备工作的一年。无论是为无线和有线基础设施、数据分析还是楼宇内布线奠定基础,在为智慧楼宇制定决策时都需要将未来20年内的技术发展纳入考量之中。物联网、5G、MEC等不断发展的技术以及PoE新标准的出台等,都体现了技术的快速更迭,未来依然难以精准预测。因此,只有做好基础设施的准备工作,才能最大限度地为未来技术和应用的发展提供必要的灵活性。
我们看到针对这一转型的筹备工作始于楼宇领域,而后逐步发展至智慧园区乃至智慧城市。其实,智慧楼宇、智慧园区和智慧城市之间存在着一定程度的集成。楼宇从智能到智慧的演变正在智慧园区中得到延伸,事实上,智慧园区正是由多座楼宇或一个多功能商业中心构成,这也代表了“融合”的最终范例。例如,智慧楼宇将根据大楼内系统提供的信息执行操作,而智慧园区则是根据每座楼宇提供的信息执行操作。使用无线网络或光纤连接楼宇,就能为更大范围的社区在用水、用电等方面制定决策。通过构建这些网络并不断对其进行集成,我们就能根据所产生的大量数据为更大范围内的决策制定提供支持。与在楼宇和园区中执行操作的流程一样,这一切都会被纳入智慧城市系统中,所收集的数据和信息都会被用于为智慧城市中的市民提供智慧服务并提供安全保障。
为应对数据与物联网以及无线、有线领域种种发展趋势所带来的影响,楼宇业主和管理者需要在2019年全力做好基础设施的准备工作。我们有望看到智慧楼宇、智慧园区和智慧城市中基础设施和技术的进一步融合。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。