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
在使用Excel透视表进行数据汇总分析时,我们常遇到“需通过两个字段相乘得到关键指标”的场景——比如“单价×数量=金额”“销量 ...
2025-11-14在测试环境搭建、数据验证等场景中,经常需要将UAT(用户验收测试)环境的表数据同步到SIT(系统集成测试)环境,且两者表结构完 ...
2025-11-14在数据驱动的企业中,常有这样的困境:分析师提交的“万字数据报告”被束之高阁,而一张简洁的“复购率趋势图+核心策略标注”却 ...
2025-11-14在实证研究中,层次回归分析是探究“不同变量组对因变量的增量解释力”的核心方法——通过分步骤引入自变量(如先引入人口统计学 ...
2025-11-13在实时数据分析、实时业务监控等场景中,“数据新鲜度”直接决定业务价值——当电商平台需要实时统计秒杀订单量、金融系统需要实 ...
2025-11-13在数据量爆炸式增长的今天,企业对数据分析的需求已从“有没有”升级为“好不好”——不少团队陷入“数据堆砌却无洞察”“分析结 ...
2025-11-13在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10在数字经济时代,“数字化转型” 已从企业的 “可选动作” 变为 “生存必需”。然而,多数企业的转型仍停留在 “上线系统、收集 ...
2025-11-10在数据分析与建模中,“显性特征”(如用户年龄、订单金额、商品类别)是直接可获取的基础数据,但真正驱动业务突破的往往是 “ ...
2025-11-07在大模型(LLM)商业化落地过程中,“结果稳定性” 是比 “单次输出质量” 更关键的指标 —— 对客服对话而言,相同问题需给出一 ...
2025-11-07在数据驱动与合规监管双重压力下,企业数据安全已从 “技术防护” 升级为 “战略刚需”—— 既要应对《个人信息保护法》《数据安 ...
2025-11-07在机器学习领域,“分类模型” 是解决 “类别预测” 问题的核心工具 —— 从 “垃圾邮件识别(是 / 否)” 到 “疾病诊断(良性 ...
2025-11-06在数据分析中,面对 “性别与购物偏好”“年龄段与消费频次”“职业与 APP 使用习惯” 这类成对的分类变量,我们常常需要回答: ...
2025-11-06