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
Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27在CDA(Certified Data Analyst)数据分析师的能力体系与职场实操中,高维数据处理是高频且核心的痛点——随着业务场景的复杂化 ...
2026-03-27在机器学习建模与数据分析实战中,特征维度爆炸、冗余信息干扰、模型泛化能力差是高频痛点。面对用户画像、企业经营、医疗检测、 ...
2026-03-26在这个数据无处不在的时代,数据分析能力已不再是数据从业者的专属技能,而是成为了职场人、管理者、创业者乃至个人发展的核心竞 ...
2026-03-26