11.3 机器人技术概述
11.3.1 机器人的概念
暂未补充相关内容
11.3.2 机器人的定义和发展历程
1. 机器人的定义
机器人是具备感知、交互、决策能力，可自主或协同完成特定任务的智能装备，其核心价值在于替代或辅助人类执行复杂、重复、危险场景下的工作。
2. 发展历程
机器人技术已进入 4.0 时代，核心特征是：云端大脑分布式部署，充分利用边缘计算优势，融合任务记忆与常识知识，实现规模化部署；强调智能协作、理解与决策能力，具备更强的自适应能力，除物体识别、人脸识别外，可根据环境变化动态调整行为模式。
11.3.3 机器人 4.0 的核心技术
- 云 - 边 - 端的无缝协同计算：构建面向大规模机器人的服务平台，云侧提供高性能计算与知识存储，边缘侧处理数据并实现协同共享，机器人端专注实时操作；
- 持续学习与协同学习：通过少量数据建立基础识别能力，自主采集并标注相关数据，重新训练模型以提升性能；
- 知识图谱：融合动态化、个性化知识，与机器人的感知、决策能力深度结合；
- 场景自适应：主动观察场景内人、物变化，预测潜在事件，动态调整行动模式，核心在于场景预测能力；
- 数据安全：保障端到端数据安全传输与服务器端安全存储，防范数据泄露与恶意攻击。
11.3.4 机器人的分类
1. 按控制方式分类
- 操作机器人：远距离执行特殊任务，如核电站放射性物质处理机器人；
- 程序机器人：按预先设定的程序、条件、位置作业；
- 示教再现机器人：记录并重复所教操作过程，示教方式包括直接示教与遥控示教；
- 智能机器人：可执行预设动作，且能根据工作环境变化调整行为；
- 综合机器人：集成操纵、示教再现、智能机器人功能，如火星机器人。
2. 按应用行业分类
- 工业机器人：应用于制造业生产环节，如装配、焊接、搬运机器人；
- 服务机器人：面向生活服务场景，如家政、医疗辅助机器人；
- 特殊领域机器人：应用于特定专业场景，如消防、勘探、太空探索机器人。
11.4 边缘计算概述
11.4.1 边缘计算概念
边缘计算是将数据处理、应用程序运行及功能服务实现，由网络中心下放到网络边缘节点的技术模式。通过在网络边缘侧的智能网关上就近采集、处理数据，无需将大量原生数据上传至远端大数据平台，可满足行业在敏捷性、实时性、数据优化、应用智能及安全隐私保护等方面的关键需求。
11.4.2 边缘计算的定义
边缘计算的业务本质是云计算在数据中心之外汇聚节点的延伸与演进，核心发展方向为'边云协同'和'边缘智能'，具体落地形态分为三类：
- 云边缘：云服务在边缘侧的延伸，逻辑上仍属于云服务，需与云服务紧密协同；
- 边缘云：在边缘侧构建中小规模云服务能力，核心服务由边缘云提供；
- 云化网关：以云化技术重构嵌入式网关系统，提供协议/接口转换、边缘计算能力，云端控制器负责资源调度、应用管理与业务编排。
软件平台需导入云理念、架构与技术，具备端到端实时、协同式智能、可信赖、可动态重置等能力；硬件平台需具备异构计算能力。
11.4.3 边缘计算的特点
- 联接性：作为基础特性，需适配物理对象与应用场景的多样性，具备丰富的联接功能；
- 数据第一入口：作为物理世界与数字世界的桥梁，汇聚大量、实时、完整的数据，支持数据全生命周期管理与价值创造，支撑预测性维护、资产效率管理等创新应用；
- 约束性：需适配工业现场恶劣工作条件（防电磁、防尘、防爆、抗振动、抗电流/电压波动），且对功耗、成本、空间有较高要求；
- 分布性：天然具备分布式部署特征，需支持分布式计算与存储、资源动态调度与统一管理、分布式智能及分布式安全。
11.4.4 边云协同
边缘计算与云计算优势互补，云计算擅长全局性、非实时、长周期的大数据处理与分析，在长周期维护、业务决策支撑等领域发挥作用；边缘计算更适用局部性、实时、短周期数据的处理与分析，支撑本地业务的实时智能化决策与执行，二者通过六大协同模式实现高效联动：
- 资源协同：边缘节点提供计算、存储等基础设施资源，接受云端资源调度管理策略，含设备、资源及网络连接管理；
- 数据协同：边缘节点采集现场/终端数据并初步处理分析，上传处理结果与相关数据；云端负责海量数据存储、深度分析与价值挖掘；
- 智能协同：边缘节点执行 AI 模型推理，实现分布式智能；云端开展集中式模型训练，并将模型下发至边缘节点；
- 应用管理协同：边缘节点提供应用部署与运行环境，管理本节点应用生命周期；云端提供应用开发、测试环境及全生命周期管理能力；
- 业务管理协同：边缘节点提供模块化、微服务化应用实例；云端按客户需求实现业务编排；
- 服务协同：边缘节点按云端策略实现部分 ECSaaS 服务，通过与云端 SaaS 协同提供按需服务；云端制定服务分布策略并承担核心 SaaS 服务能力。
11.4.5 边缘计算的安全
暂未补充相关内容
11.4.6 边缘计算应用场合
边缘计算的典型应用场景包括：智慧园区、安卓云与云游戏、视频监控、工业互联网、Cloud VR。
11.5 数字孪生体技术概述
11.5.1 数字孪生体发展历程
暂未补充相关内容
11.5.2 数字孪生体的定义
数字孪生体是现有或将有的物理实体对象的数字模型，是跨层级、跨尺度连接现实世界与虚拟世界的桥梁。
其核心功能包括：通过实测、仿真和数据分析实时感知、诊断、预测物理实体状态；通过优化和指令调控物理实体行为；通过数字模型间的相互学习实现自身进化；改进利益相关方在物理实体生命周期内的决策。
11.5.3 数字孪生体的关键技术
1. 核心技术
数字孪生体的三大核心技术支撑其虚实联动能力：
- 建模：将对物理世界的理解简化与模型化，以数字化方式消除物理实体的不确定性，需求指标、生存期阶段、空间尺度构成建模技术体系的三维空间；
- 仿真：将包含确定性规律和完整机理的模型转化为软件，模拟物理世界特性与参数，是保证数字孪生体与物理实体有效闭环的核心；
- 数字线程：支撑跨环节、跨生命周期的数据贯通与协同。
2. 外围核心技术
除核心技术外，还需依赖 VR/AR/MR 增强现实技术、系统工程和 MBSE、物联网、云计算、雾计算、边缘计算、大数据技术、机器学习、区块链技术等内外围技术构建完整体系。
11.5.4 数字孪生体的应用
数字孪生体的主要应用领域包括：制造、产业、城市和战场。
11.6 云计算和大数据技术概述
11.6.1 云计算技术概述
1. 云计算的概念
云计算的内涵包含平台（基础设施，类比 PC 操作系统）和应用两方面，应用所需计算与存储在'云端'完成，客户端通过互联网访问相关能力。
2. 云计算的服务方式
云计算自上而下分为三类典型服务模式，具备不同特征：
- 软件即服务（SaaS）：服务提供商将应用软件统一部署在云计算平台，客户通过互联网订购，按使用数量、时长收费，通过标准浏览器获取服务；
- 平台即服务（PaaS）：服务提供商提供分布式开发环境与平台，客户在该平台上定制开发应用程序，并通过服务器和互联网传递给其他用户；
- 基础设施即服务（IaaS）：服务提供商将多台服务器整合为虚拟资源池，向客户提供存储资源、虚拟化服务器等基础设施计量服务。
三类服务模式的核心特征：
- 灵活性：SaaS→PaaS→IaaS 依次增强；
- 方便性：IaaS→PaaS→SaaS 依次增强。
3. 云计算的部署模式
- 公有云：云基础设施公开，可分配给公众，由企业、学术界或政府机构拥有和管理，以低成本提供服务；
- 社区云：云基础设施为特定社区组织专有，由社区内一个或多个组织拥有、管理及操作，属于公有云范畴；
- 私有云：云基础设施分配给单个组织的多个用户，可由该组织或第三方拥有、管理及操作；
- 混合云：公有云、私有云、社区云的组合，由于安全和控制原因，并非所有企业信息都能放置在公有云上，因此混合云模式兼顾安全与灵活性。
4. AI 芯片（补充技术）
AI 芯片是特制的微处理器，专门为高效运行人工智能算法设计，聚焦解决大规模并行计算问题，尤其适配神经网络模型的密集型数学运算。
- 核心原理：基于人工神经网络，内部处理单元模拟生物神经元工作机制，通过权重计算、累加及激活函数转化输出结果；
- 硬件架构分类：
- GPU（图形处理器）：并行计算能力强，擅长浮点数密集型计算，适用于大型深度学习模型训练，特点是计算能力强、成本与功耗高；
- FPGA（现场可编程门阵列）：可编程性强，可快速重构适配不同 AI 算法，适用于早期开发阶段和动态工作负载，特点是灵活度高、计算能力较弱；
- ASIC（专用集成电路）：为特定 AI 任务定制，计算效率高、能耗低，适合量产，缺点是研发周期长、不可编辑、前期投入成本高；
- TPU（张量处理单元）：Google 推出的 ASIC 实例，专注高效矩阵运算，适配 TensorFlow 框架下的深度学习模型，特点是张量计算高效、功耗低、采用低精度计算。
11.6.2 大数据技术概述
1. 大数据的定义
大数据是指大小或复杂性超出现有常用软件工具处理能力，无法在合理成本、可接受时限内完成捕获、管理和处理的数据集，处理难点包括数据的获取、存储、搜索、共享、分析和可视化。
2. 大数据的特点
大数据具备大规模、高速度、多样化、价值密度低、可变性、复杂性等核心特征。
3. 大数据分析的步骤
大数据分析大致分为五个主要阶段：
- 数据获取/记录；
- 信息抽取/清洗/注记；
- 数据集成/聚集/表现；
- 数据分析/建模；
- 数据解释。
4. 大数据的应用领域
大数据的主要应用领域包括：制造业、服务业、交通行业、医疗行业。
