京公网安备 11010802034615号
经营许可证编号:京B2-20210330
物联网和大数据带来前所未有的新价值
计算变革 万物智能
在这场计算变革中,我观测到几大领域的蓬勃发展势头。首先是数据中心。无论是今天的移动器件,还是将来的物联网以及可穿戴技术的应用,都会带来信息指数性的增长。谈及此点,可以做个简单回顾,在过去的几十年当中,晶体管集成的指数性增长,使得集成电路行业产生了爆发型增长,英特尔和众多半导体公司受益其中,摩尔定律也得以很好地体现和延续。我们相信,在未来几十年,这个原子集成和比特的爆发增长将导致物联网、可穿戴产业的普及,创造出万物智能的新商机,是史无前例的商业机会。所以基于高计算性能的数据中心是英特尔会继续稳健推进的领域之一。
第二是个人终端和移动设备。从1998年PC互联网应用到2008年移动互联网兴起,最明显的变革当属硬件形态的变化。业内人士预测,到2018年一个物联网天地将呈现出来。对此,英特尔将会延续在PC时代的发展理念,即围绕用户体验进行基于终端设备的软硬件创新,并在未来加大这方面的投资。
工业物联网和以可穿戴设备为代表的消费物联网,两者都蕴含着巨大商机——在过去一年之内,大家不难看到全球各大公司,无论是互联网还是硬件企业,对这个领域的关注热度也急剧增长。借助超过30年的嵌入式计算积累、全面的端到端解决方案以及软硬协同优势,英特尔也在这一领域积极布局,与产业伙伴一道探索最佳的技术创新和商业模式。
物联网不仅是硬件的世界,也不只是互联网的世界,而是基于硬件与互联网的结合并通过数据分析而呈现的世界。如今摩尔定律已经能够使计算能力被嵌入到万物当中,从而产生庞大的数据量,创造了大数据时代,但也带来了新的挑战。所以,大数据分析和价值挖掘就与物联网相生相伴,与企业产能效率和盈利也直接相关。从独立、零散的单点设备到现在万物互联的巨大变化,物联网的商业模式、行业发展都将非常复杂,比技术创新更有挑战,需要信息技术和运营模式的融合创新。
四大产业 促进升级
第一是制造业。就中国国情来讲,制造业是与国民经济增长最为密切相关的一个行业,我们的关注点主要聚焦在系统整合,既涉及到负载整合,保障数据的安全可信,也关注通过优化工厂配置来提高生产能力和效率。其实,无论在工业、制造还是能源领域,物联网的部署、应用在很大程度上都是围绕效率展开的。我曾在晶元和封装测试工厂工作过,早在多年以前,英特尔就已成功将“物联网”技术应用于工厂。当时我们在全球有几十个工厂,通过数据互联,能够以更快的速度发现问题,进行工艺调整,大幅节省成本和提高合格率。
第二是交通运输业。从七年以前英特尔开始关注车载娱乐系统,并将无人驾驶作为发展愿景,这是因为无人驾驶需要很多的计算和视频技术,需要传统制造和IT技术的整合,而这正是英特尔的优势所在。同时,英特尔还着眼于交通运输效率的提升,助力物流的优化和整个交通服务平台的整合,进而在一定程度上减少环境污染。
第三是零售业。零售业智能化除了能够用到硬件之外,还关注个性化购物体验和需求响应的提高,比如门店怎么布局、如何应用IT技术满足业务增长和客户需求。我们的零售与数字标牌业务部门虽然只有5年历史,现在整个架构方面已经是全球领先。无论是信息亭、零售亭、自动售货机、咖啡机还是智能白板,都可以被赋予更加鲜活的生命。
最后是智能家居和楼宇。在中国,智能家居是一个热门产业,业务涵盖了家庭娱乐、健康、安全与自动化等细分市场,还涉及到能源和公用事业等领域。这些无不体现着英特尔对人们美好生活、对社会可持续发展的关注。
此外,我们积极关注视觉计算在包括安防、交通、零售、智能家居、智慧城市等诸多领域的应用。所谓“百闻不如一见”,视觉计算是帮助嵌入式系统实现智能化、真正连至物联网的重要手段之一,它使机器具备了相当于人类视觉的能力,同时也使人类在机器的协助下看得更清楚、分析得更准确。当然,视觉计算远非安装几个摄像头那么简单。除了捕获数据,还要从中充分挖掘新知,在此基础上开发更多应用。以交通为例,我们通过将摄像设备中车流的数据和空气质量传感器中的数据进行相关性分析,就可以通过调整信号灯的时间,优化车辆在路口等待的时间,减少排放和污染。
系统整合 发挥生态圈力量
系统整合、让现有设备更加智能是大势所趋,物联网和大数据也正在带来前所未有的新价值,英特尔将继续发挥从设备到云端完善而领先的智能互联技术,并携手不断壮大的产业伙伴和创客、开发者群体,以物联网创新推动行业变革,以万物互联帮助人们创造丰富多彩的生活和更加美好未来。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
【核心关键词】大数据、可视化、存储、架构、客户、离线、产品、同步、实时、数据仓库、数据分析、数据可视化、存储数据、离线 ...
2026-05-21在电商流量红利消退、公域获客成本持续走高的当下,存量用户深度挖掘已成为店铺增收增效的核心抓手。相较于付费投放获取的陌生新 ...
2026-05-21 很多数据分析师每天盯着几十个指标,但当被问到“这套指标要支撑什么业务目标”“指标之间是什么逻辑关系”“业务变化时如何 ...
2026-05-21在数据驱动决策的时代,数据质量直接决定分析结果的可靠性与准确性,而异常值作为数据清洗中的核心痛点,往往会扭曲分析结论、误 ...
2026-05-20 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“哪些指标在所有行业都适用”“哪些指标只对电商有意义”“二者如何搭 ...
2026-05-20Agent的能力边界,很大程度上取决于其掌握的Skill质量和数量。传统做法是靠人工编写和维护Skill,但这条路很快会遇到瓶颈。业务 ...
2026-05-20在统计分析中,方差分析(ANOVA)是一种常用的假设检验方法,核心用于分析“一个或多个自变量对单个因变量的影响”,广泛应用于 ...
2026-05-19 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“什么是指标”“指标和维度有什么区别”“如何定义指标值的计算规则和 ...
2026-05-19想高效备考 CDA 一级,拒绝盲目刷题、冗余学习?《CDA 一级教材知识手册》重磅来袭!以官方教材为核心,浓缩 13 章 103 个核心考 ...
2026-05-19在数据统计分析中,卡方检验是一种常用的非参数检验方法,核心用于判断两个或多个分类变量之间是否存在显著关联,广泛应用于市场 ...
2026-05-18在企业数字化转型的浪潮中,很多企业陷入了“技术堆砌”的误区——上线了ERP、CRM、BI等各类系统,积累了海量数据,却依然面临“ ...
2026-05-18小陈是某电商平台的数据分析师。老板交给他一个任务:“我们平台的注册用户已经突破1000万了,想了解一下用户的平均月消费金额。 ...
2026-05-18【专访摘要】本次CDA持证专访邀请到拥有丰富物流供应链数据分析经验的赖尧,他结合自身在京东、华莱士、兰格赛等企业的从业经历 ...
2026-05-15在数字化时代,企业的每一次业务优化、每一项技术迭代,都需要回答一个核心问题:这个动作到底能带来多少价值?是提升了用户转化 ...
2026-05-15在数据仓库建设中,事实表与维度表是两大核心组件,二者相互关联、缺一不可,共同构成数据仓库的基础架构。事实表聚焦“发生了什 ...
2026-05-15 很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问 ...
2026-05-15【核心关键词】互联网、机会、运营、关键词、账户、数字化、后台、客户、成本、网络、数据分析、底层逻辑、市场推广、数据反馈 ...
2026-05-14在Python数据分析中,Pandas作为核心工具库,凭借简洁高效的数据处理能力,成为数据分析从业者的必备技能。其中,基于两列(或多 ...
2026-05-14 很多人把统计学理解为“一堆公式和计算”,却忽略了它的本质——一门让数据“开口说话”的科学。真正的数据分析高手,不是会 ...
2026-05-14在零售行业存量竞争日趋激烈的当下,客户流失已成为侵蚀企业利润的“隐形杀手”——据行业数据显示,零售企业平均客户流失率高达 ...
2026-05-13