背景《如何获得IP地址对应的地理信息库, 实现智能DNS解析? 就近路由提升全球化部署业务的访问性能》 上一篇信息提到了如何获取IP地址段的地理信息库, 本篇信息将使用PolarDB for PostgreSQL来加速根据来源IP快速找到对应的IP地址段, 将用到PolarDB for PostgreSQL的SPGiST索引和inet数据类型. 相比于把IP地址段存储为2个int8字段作between and的匹配, SPGiST索引和inet数据类型至少可以提升20倍性能. https://www.postgresql.org/docs/15/functions-net.htmlinet >>= inet → boolean Does subnet contain or equal subnet? inet '192.168.1/24' >>= inet '192.168.1/24' → t 详情1、将数据导入PolarDB for PostgreSQL, 使用inet类型存储地址段, 并创建spgist索引.create table ip2geo (id serial primary key, ip inet, province text, city text); copy ip2geo(ip,province,city) from '/Users/digoal/c.csv' (format csv); COPY 8617 create index idx_1 on ip2geo using spgist (ip); postgres=# select ip,host(ip), masklen(ip) from ip2geo limit 10; ip | host | masklen -------------+----------+--------- 1.0.1.0/24 | 1.0.1.0 | 24 1.0.2.0/23 | 1.0.2.0 | 23 1.0.8.0/21 | 1.0.8.0 | 21 1.0.32.0/19 | 1.0.32.0 | 19 1.1.0.0/24 | 1.1.0.0 | 24 1.1.2.0/23 | 1.1.2.0 | 23 1.1.4.0/22 | 1.1.4.0 | 22 1.1.8.0/24 | 1.1.8.0 | 24 1.1.9.0/24 | 1.1.9.0 | 24 1.1.10.0/23 | 1.1.10.0 | 23 (10 rows) 2、IP地址段包含查询例子postgres=# select * FROM ip2geo where ip >>= '1.88.0.10/32' ; id | ip | province | city ----+-------------+----------+---------- 53 | 1.88.0.0/14 | 北京市 | 歌华宽带 (1 row) postgres=# select * FROM ip2geo where ip >>= '1.88.0.0/24' ; id | ip | province | city ----+-------------+----------+---------- 53 | 1.88.0.0/14 | 北京市 | 歌华宽带 (1 row)3、对比索引扫描的性能提升, 相比全表扫描性能相差25倍:postgres=# explain (analyze,verbose,timing,costs,buffers) select * FROM ip2geo where ip >>= '1.88.0.0/24' ; QUERY PLAN ---------------------------------------------------------------------------------------------------------------------- Index Scan using idx_1 on public.ip2geo (cost=0.15..2.37 rows=1 width=35) (actual time=0.019..0.020 rows=1 loops=1) Output: id, ip, province, city Index Cond: (ip2geo.ip >>= '1.88.0.0/24'::inet) Buffers: shared hit=4 Planning Time: 0.057 ms Execution Time: 0.031 ms (6 rows) postgres=# set enable_indexscan=off; SET postgres=# set enable_bitmapscan=off; SET postgres=# explain (analyze,verbose,timing,costs,buffers) select * FROM ip2geo where ip >>= '1.88.0.0/24' ; QUERY PLAN ---------------------------------------------------------------------------------------------------------- Seq Scan on public.ip2geo (cost=0.00..175.71 rows=1 width=35) (actual time=0.013..0.783 rows=1 loops=1) Output: id, ip, province, city Filter: (ip2geo.ip >>= '1.88.0.0/24'::inet) Rows Removed by Filter: 8616 Buffers: shared hit=68 Planning Time: 0.056 ms Execution Time: 0.793 ms (7 rows) 4、压力测试方法, 随机从地址库中取一条记录并生成这个地址段内的随机IP地址.create or replace function getipaddr(int default ceil(8617*random())) returns inet as $$ select ip + (floor(random()*(2^(32-masklen(ip)))))::int8 from ip2geo where id=$1; $$ language sql strict immutable; postgres=# explain (analyze,verbose,timing,costs,buffers) select * FROM ip2geo where ip >>= getipaddr(); QUERY PLAN ---------------------------------------------------------------------------------------------------------- Seq Scan on public.ip2geo (cost=0.00..175.71 rows=1 width=35) (actual time=0.098..0.955 rows=1 loops=1) Output: id, ip, province, city Filter: (ip2geo.ip >>= '43.243.11.49/22'::inet) Rows Removed by Filter: 8616 Buffers: shared hit=68 Planning: Buffers: shared hit=14 Planning Time: 0.370 ms Execution Time: 0.962 ms (9 rows) postgres=# explain (analyze,verbose,timing,costs,buffers) select * FROM ip2geo where ip >>= getipaddr(); QUERY PLAN ---------------------------------------------------------------------------------------------------------- Seq Scan on public.ip2geo (cost=0.00..175.71 rows=1 width=35) (actual time=0.087..1.285 rows=1 loops=1) Output: id, ip, province, city Filter: (ip2geo.ip >>= '43.236.136.57/22'::inet) Rows Removed by Filter: 8616 Buffers: shared hit=68 Planning: Buffers: shared hit=1 Planning Time: 0.244 ms Execution Time: 1.293 ms (9 rows) postgres=# explain (analyze,verbose,timing,costs,buffers) select * FROM ip2geo where ip >>= getipaddr(); QUERY PLAN ---------------------------------------------------------------------------------------------------------- Seq Scan on public.ip2geo (cost=0.00..175.71 rows=1 width=35) (actual time=0.780..0.890 rows=1 loops=1) Output: id, ip, province, city Filter: (ip2geo.ip >>= '203.19.72.14/24'::inet) Rows Removed by Filter: 8616 Buffers: shared hit=68 Planning: Buffers: shared hit=1 Planning Time: 0.199 ms Execution Time: 0.899 ms (9 rows)5、使用prepared statement, 随机地址段包含匹配查询alter function getipaddr(int) volatile; create or replace function dyn_pre() returns setof ip2geo as $$ declare v inet; begin v := getipaddr(); return query execute format('execute p(%L)', v); exception when others then execute format('prepare p(inet) as select * from ip2geo where ip >>= $1'); return query execute format('execute p(%L)', v); end; $$ language plpgsql strict; postgres=# select dyn_pre(); dyn_pre ------------------------------------- (43.227.192.0/22,浙江省杭州市,电信) (1 row) postgres=# select dyn_pre(); dyn_pre ------------------------------ (103.25.64.0/22,上海市,电信) (1 row) postgres=# select dyn_pre(); dyn_pre ------------------------- (45.119.232.0/22,中国,) (1 row) postgres=# select dyn_pre(); dyn_pre -------------------------------------- (103.205.252.0/22,江苏省宿迁市,联通) (1 row) postgres=# select dyn_pre(); dyn_pre ------------------------- (103.87.4.0/22,北京市,) (1 row) 6、压力测试vi test.sql select dyn_pre(); pgbench -M simple -n -r -P 1 -f ./test.sql -c 12 -j 12 -T 120 除去获取随机IP的时间, 在2018款macbook pro i5的机器上, 实际约8万qps. PolarDB for PostgreSQL 作为智能DNS的数据搜索引擎, 节省几十倍的成本, 同时提升终端用户就近访问的体验, 特别适合例如“社交、游戏、多媒体、云盘、多地办公等等全球化或者全国部署业务”.为什么spgist索引比btree combine 2字段索引范围搜索更高效?spgist索引不管搜索什么范围, 搜索到目标数据基本上只需要扫描几个数据块.而使用btree, 由于是2个字段符合搜索, 必然的会出现数据在驱动列大范围的匹配到后, 再通过第二个字段二次过滤的情况. 扫描的数据更多了, 效率立马就下降了.测试过程:1、创建inet转int8的函数create or replace function inet2int8 (inet) returns int8 as $$ select (v[1]::bit(8)||v[2]::bit(8)||v[3]::bit(8)||v[4]::bit(8))::bit(32)::int8 from ( values ((regexp_split_to_array(host($1),'\.'))::int[]) ) t (v); $$ language sql strict; postgres=# select inet2int8('203.88.32.0'); inet2int8 ------------ 3411550208 (1 row) 2、将ip2geo拆成int8存储create table ip2int8geo (id serial primary key, f int8,t int8, province text, city text); insert into ip2int8geo (f,t,province,city) select inet2int8(network(ip)), inet2int8(network(ip)) + 2^(32-masklen(ip)) - 1, province, city from ip2geo; INSERT 0 8617 3、创建from to 两个字段的combine索引create index idx_2 on ip2int8geo (f,t); 4、创建获取随机IP INT8的函数用于测试create or replace function genrandomipint8(int) returns int8 as $$ select f + ceil((t-f)*random()) from ip2int8geo where id=$1; $$ language sql strict; -- 这个是驱动列靠前的值, 搜索较快 postgres=# select genrandomipint8(10); genrandomipint8 ----------------- 16845351 (1 row) -- 这个是驱动列靠后的值, 明显看出btree的大范围过滤 postgres=# select genrandomipint8(8000); genrandomipint8 ----------------- 3411550659 (1 row) postgres=# explain (analyze,verbose,timing,costs,buffers) select * from ip2int8geo where f <= 16845351 and t >= 16845351; QUERY PLAN -------------------------------------------------------------------------------------------------------------------------- Index Scan using idx_2 on public.ip2int8geo (cost=0.29..2.50 rows=1 width=44) (actual time=0.006..0.007 rows=1 loops=1) Output: id, f, t, province, city Index Cond: ((ip2int8geo.f <= 16845351) AND (ip2int8geo.t >= 16845351)) Buffers: shared hit=3 Planning: Buffers: shared hit=3 Planning Time: 0.114 ms Execution Time: 0.018 ms (8 rows) postgres=# explain (analyze,verbose,timing,costs,buffers) select * from ip2int8geo where f <= 3411550659 and t >= 3411550659; QUERY PLAN ------------------------------------------------------------------------------------------------------------------------------ Index Scan using idx_2 on public.ip2int8geo (cost=0.29..167.31 rows=568 width=44) (actual time=0.438..0.440 rows=1 loops=1) Output: id, f, t, province, city Index Cond: ((ip2int8geo.f <= '3411550659'::bigint) AND (ip2int8geo.t >= '3411550659'::bigint)) Buffers: shared hit=33 Planning Time: 0.133 ms Execution Time: 0.469 ms (6 rows) postgres=# select * from ip2int8geo where f <= 3411550659 and t >= 3411550659; id | f | t | province | city ------+------------+------------+--------------+--------------------- 8000 | 3411550208 | 3411558399 | 广东省深圳市 | 天威有线宽带(关内)) (1 row) 5、创建一个函数, 用于作btree索引的压力测试create or replace function test_getip2int8geo () returns setof ip2int8geo as $$ declare i int8; begin i := genrandomipint8( ceil(random()*8617)::int ); return query select * from ip2int8geo where f <= i and t >= i; end; $$ language plpgsql strict; postgres=# select * from test_getip2int8geo(); id | f | t | province | city ------+------------+------------+----------+-------- 3798 | 1736744960 | 1736745983 | 台湾省 | 台北市 (1 row) Time: 1.058 ms postgres=# select * from test_getip2int8geo(); id | f | t | province | city ------+-----------+-----------+----------+-------- 1385 | 771539968 | 771540991 | 北京市 | 鹏博士 (1 row) Time: 0.615 ms 6、使用spgist索引, 数据不管靠前还是靠后, 扫描的数据块都差不多, 性能基本都一样.postgres=# select * from ip2geo offset 7999 limit 1; ip | province | city ----------------+--------------+--------------------- 203.88.32.0/19 | 广东省深圳市 | 天威有线宽带(关内)) (1 row) postgres=# explain (analyze,verbose,timing,costs,buffers) select * FROM ip2geo where ip >>= '203.88.45.200/19' ; QUERY PLAN ---------------------------------------------------------------------------------------------------------------------- Index Scan using idx_1 on public.ip2geo (cost=0.15..4.60 rows=3 width=31) (actual time=0.031..0.031 rows=1 loops=1) Output: ip, province, city Index Cond: (ip2geo.ip >>= '203.88.45.200/19'::inet) Buffers: shared hit=4 Planning Time: 0.066 ms Execution Time: 0.046 ms (6 rows) postgres=# select * FROM ip2geo where ip >>= '203.88.45.200/19' ; ip | province | city ----------------+--------------+--------------------- 203.88.32.0/19 | 广东省深圳市 | 天威有线宽带(关内)) (1 row) 记录越多, btree combine扫描过滤性越差, 与spgist索引的差距就会越大. 例如, 我们可以使用以下100万条测试case来证明这个结论. 扫描的数据块数量相差上百倍.create sequence seq INCREMENT by 1000; create table test (f int, t int); insert into test select n , n+999 from (select nextval('seq') n from generate_series(1,1000000) ) t ; postgres=# select * from test limit 10; f | t ------+------- 1 | 1000 1001 | 2000 2001 | 3000 3001 | 4000 4001 | 5000 5001 | 6000 6001 | 7000 7001 | 8000 8001 | 9000 9001 | 10000 (10 rows) postgres=# select min(f), max(t) from test; min | max -----+------------ 1 | 1000000000 (1 row) create index idx_test on test (f,t); explain (analyze,verbose,timing,costs,buffers) select * from test where f <= 500000000 and t>=500000000; postgres=# explain (analyze,verbose,timing,costs,buffers) select * from test where f <= 500000000 and t>=500000000; QUERY PLAN ------------------------------------------------------------------------------------------------------------------------------------- Index Only Scan using idx_test on public.test (cost=0.42..9021.81 rows=250000 width=8) (actual time=16.605..16.608 rows=1 loops=1) Output: f, t Index Cond: ((test.f <= 500000000) AND (test.t >= 500000000)) Heap Fetches: 0 Buffers: shared hit=1370 Planning Time: 0.098 ms Execution Time: 16.629 ms (7 rows) create index idx_test_1 on test using spgist (int4range(f,t+1)); or create index idx_test_2 on test using gist (int4range(f,t+1)); explain (analyze,verbose,timing,costs,buffers) select * from test where int4range(f,t+1) @> 500000000; vi t1.sql \set id random(1,1000000000) select * from test where f <= :id and t >= :id; vi t2.sql \set id random(1,1000000000) select * from test where int4range(f,t+1) @> :id; pgbench -M prepared -n -r -P 1 -f ./t1.sql -c 12 -j 12 -T 120 pgbench -M prepared -n -r -P 1 -f ./t2.sql -c 12 -j 12 -T 120 https://gis.stackexchange.com/questions/374091/when-to-use-gist-and-when-to-use-sp-gist-index参考《PostgreSQL 随机查询采样 - 既要真随机、又要高性能 - table sample方法》 《如何获得IP地址对应的地理信息库, 实现智能DNS解析? 就近路由提升全球化部署业务的访问性能》 《PostgreSQL Oracle 兼容性之 - DBMS_SQL(存储过程动态SQL中使用绑定变量-DB端prepare statement)》 《PostgreSQL 黑科技 range 类型及 gist index 20x+ speedup than Mysql index combine query》 《PostgreSQL 黑科技 range 类型及 gist index 助力物联网(IoT)》 《PostgreSQL gist, spgist索引的原理、差别、应用场景》 《PostgreSQL SP-GiST 索引原理》 《PostgreSQL 黑科技 - 空间聚集存储, 内窥GIN, GiST, SP-GiST索引》 《自动选择正确索引访问接口(btree,hash,gin,gist,sp-gist,brin,bitmap...)的方法》 《从难缠的模糊查询聊开 - PostgreSQL独门绝招之一 GIN , GiST , SP-GiST , RUM 索引原理与技术背景》 https://www.postgresql.org/docs/15/functions-net.html

在佛山南海，瀚蓝绿电运营的南海生活垃圾发电厂在引入了“会烧垃圾的AI”后，蒸汽流量稳定性提升了23%，人工工作量下降了87%。在广州，小鹏汽车借助在千里之外乌兰察布建成的中国最大的自动驾驶智算中心“扶摇”，将小鹏自动驾驶核心模型的训练速度提升了近170倍。从一个又一个数字不难看出，借助云计算的数字化能力，不同行业的企业正在数字化转型中不仅实现了前所未有的“降本增效”，同时也让企业的发展得到了更大的助推力，而这也体现了产业数字化所带来的改变，为更多企业走向数字化指明了方向。数据“上云”使企业数字化转型有了“大脑”“过去指标波动夸张得很，一上、一下就像心电图，一天要调上万次。”武汉汉口北生活垃圾发电厂运行值长朱灿刚，其日常工作是监控、调节垃圾焚烧的情况，而垃圾焚烧炉的稳定性如何提升是其工作中最大的难点。垃圾焚烧发电是生活垃圾减量化、无害化、资源化的重要手段。当前，我国生活垃圾焚烧日处理量50余万吨，产生上亿度绿电供千万家庭使用。预计到2025年，日处理量可达80万吨。但生活垃圾成分复杂、热值变化范围大，导致垃圾发电难以实现高度自动化。为了将烟气排放、蒸汽流量等指标稳定在一定范围内，需要手工调节控制焚烧炉。然而，大量人力投入并未有效解决相关指标的波动。浙江大学能源工程学院副院长黄群星认为，垃圾发电产业经历了十年间数量上的爆发式增长，在“双碳”的背景下，未来垃圾发电厂会更关注与AI等技术结合，进一步降低二次污染，提升设备运行稳定性和生活垃圾的吨发电量。为帮助垃圾发电厂解决环保和发电效率两大难题，阿里云工业大脑AICS智能控制系统通过学习历史数据、识别火焰形态信息、构建预测模型，可预测出垃圾焚烧炉内十多个变量的变化趋势，并自动把控制指令下发到设备，实现了焚烧炉的自动运行。作为华南地区的环境服务龙头企业，瀚蓝环境固废事业群信息管理部总监赵浩表示，2019年，瀚蓝环境引入阿里云工业大脑AICS，以瀚蓝绿电作为第一期合作试点，针对垃圾焚烧工艺和锅炉智能运维优化，采用阿里云工业大脑方案联合打造了瀚蓝绿电“数字大脑”，以“会烧垃圾的AI”闻名业界，入选广东省工业互联网标杆示范项目。在应用上，通过“会烧垃圾的AI”，瀚蓝绿电运营的南海生活垃圾发电厂蒸汽流量稳定性提升了23%，人工工作量下降了87%。据赵浩介绍，对于垃圾焚烧发电行业来说，设备长周期稳定运行，环保达标或优于指标排放，都是企业长期发展的关键所在。保障焚烧设备稳定运营，将能有效确保烟气排放达标，让地方政府、民众对固废处理更放心，支持环保行业向前发展。赵浩透露，目前瀚蓝环境的10多个生活垃圾发电厂全部都实现了数据“上云”。每天十几万台设备的数据上传至阿里云上，将项目运行中的运行情况、平稳运行的数据经验进行完整采集，为下一步的算法优化做好准备。此外，首个垃圾发电行业的工业物联网也正在搭建中，以大数据为支撑的数字化转型升级已在固废行业快速部署，将成为环保行业发展的新力量。用上阿里云工业大脑后，朱灿刚的工作量减少了90%，“系统自动就会调节，而且波动很小，基本上就是一条直线了。”该电厂统计，稳定性提升后每吨垃圾可多发25度电。“这意味着同样多的垃圾能发出更多的绿色电力，这本身就是一种碳减排。”中国节能抚州生活垃圾发电厂负责人王宗林表示。在江西，抚州成为省内首个引入AI技术进行生活垃圾发电的城市。通过给焚烧炉装上工业大脑，自动投运率可达95%以上，稳定性提升30%，降低了烟气排放超标的风险，提高蒸汽品质和发电效率，每天的发电量至少可增加1.62万度。据阿里云智能制造与能源电力技术总经理孔令西介绍，全国有近30个城市的100座垃圾焚烧炉都已引入阿里云工业大脑，北至吉林松原，南到广东佛山。通过AI技术提高生活垃圾发电效率，全年可多发3.6亿度绿电。云计算成企业数字化转型“基础”和“推手”据记者了解到，在国家发展改革委、中央网信办研究制定的《关于推进“上云用数赋智”行动 培育新经济发展实施方案》中就指出，在企业“上云”等工作基础上，加快企业“上云用数赋智”、加大数字化转型支撑保障。支持在具备条件的行业领域和企业范围探索大数据、人工智能、云计算、数字孪生、5G、物联网和区块链等新一代数字技术应用和集成创新。“作为主流的先进计算模式，云计算既为大数据、人工智能、5G等新技术提供了基础支撑，也是推进产业数字化转型、澎湃数字经济新动能不可或缺的重要手段。”在赛迪研究院信息化与软件产业研究所副所长贾子君看来，云计算不仅是产业数字化转型的“基础”，同时也是推动力。“随着自动驾驶模拟训练的需求变化，我们需要一个强大的本地+云端的算力来支持。我非常有信心和阿里云在一起合作，我们能够更快更强去实现自动驾驶的研发。”据小鹏汽车董事长、CEO何小鹏介绍，数据驱动是自动驾驶发展的公认方向，也让自动驾驶模型训练成为一头“吃算力”的巨兽。自动驾驶的视觉检测、轨迹预测与行车规划等算法模型，有赖于机器学习海量数据集，但算力的不足让研发速度仍远远赶不上数据量增长的速度。随着传感器的进一步增加，算力的挑战越来越大。今年8月，小鹏汽车宣布在乌兰察布建成中国最大的自动驾驶智算中心“扶摇”，用于自动驾驶模型训练。据悉，“扶摇”基于阿里云飞天智算平台，将小鹏自动驾驶核心模型的训练速度提升了近170倍。基于阿里云飞天智算平台的自动驾驶智算中心“扶摇”将小鹏自动驾驶核心模型的训练速度提升了近170倍。受访者供图通过与阿里云合作，“扶摇”以更低成本实现了更强算力。此外，阿里云机器学习平台PAI提供了模型训练部署、推理优化等AI工程化工具，比开源框架训练性能提升30%以上。“扶摇”支持小鹏自动驾驶核心模型的训练时长从7天，缩短至1小时内，大幅提速近170倍。阿里巴巴集团董事会主席兼首席执行官张勇表示，阿里的成长受益于时代机遇和中国大市场，“阿里巴巴会始终扎根实体经济，积极参与网络空间命运共同体的建设，利用好数字技术帮助中小企业，推动产业变革加速到来。”在张勇看来，阿里作为平台型企业创造社会价值的最佳方式，就是在数字经济与实体经济的融合进程中，帮助更多产业，尤其是中小企业共享数字化红利，创造更多就业机会，让发展成果更普惠。查看原文

本文观点来自：张磊 阿里云智能城市大脑首席科学家邓兵 阿里巴巴达摩院城市大脑实验室资深算法专家肖露 阿里云智能交通物流行业总经理  “今天下，车同轨，书同文，行同伦。”——《礼记·中庸》 自古以来，交通便在人类文明发展史上扮演着重要角色。秦始皇统一六国以后修建直道，堪称中国最早的高速公路；长城烽火台白天放烟晚上放火，和当下V2X（Vehicle to Everything，车用无线通信技术）、车和车互联的理念非常相似；汽车、轮渡与飞机次第而来，当技术的进步足以支撑人类探索海陆空，交通的内涵也大大拓展，无远弗届。 与此同时，交通行业正迎来一场数字化的内生变革。“十四五”规划中明确提出，加快建设交通强国，在智能交通领域推动数字产业化探索。 从城市大脑说起 阿里云在交通领域的探索，要从具有标杆意义的城市大脑说起。2016年，中国工程院院士、阿里云创始人王坚博士向杭州市政府提出，“建设城市大脑解决城市病”；2019年，王坚博士进一步提出一个问题：能不能把杭州市道路上跑的车辆数清楚？如果数不清楚有多少车，交通管理也就无从谈起。 城市大脑综合运用视频识别、流计算、视觉计算加速等技术，对杭州全城视频数据流进行实时分析，通过数字化手段数清楚了路上跑着多少车辆。 除了能够很好解决交通管理这一刚性难题，城市大脑还帮助阿里云沉淀了数据分析的逻辑和算力底盘，后来扩展到智慧高速、智慧港口、智慧航空等实践中，这是一脉相承的通用能力。 六年的发展，阿里云从关注交通单一关键环节开始，到思考大交通治理方、运营方、服务方的现实挑战，围绕“规、建、管、养、运、服”进行体系化建设，利用平台化技术综合优化交通资源——这是阿里云交通团队自身发展和转型的历程。 如今，阿里云提出了更高的数字化愿景，逐步从城市交通领域走向综合交通的各大领域。一方面能不能进一步数清楚道路、港口、机场、铁路枢纽、航道上，到底有多少人在开车、骑单车、步行、坐飞机、坐高铁、运载货物；另一方面，阿里云从城市交通信控场景接入，沉淀解决交通行业共性痛点和供需问题的解决方案，在智慧高速、物流上云、智慧机场、智慧航司、智慧海事、智慧港口等数字化创新领域，都有了新的实践。 从最早的云平台、数字中台和业务中台，到可视化分析能力、PaaS层数据接口、AI能力调用接口，到行业知识图谱和行业模型相结合的云控平台、出行服务平台、货运物流服务平台，逐步进化成为产业智能的核心，让云计算、大数据、人工智能之上的感知智能、认知智能、决策智能和行业能力实现紧密耦合。 最终，阿里云悟到：交通系统的本质是，更高效地优化基础设施和各类载具资源供给，更安全地满足个人出行、货运物流的需求；而数字化技术，能够做的就是“计算”，计算个人、货物的移动需求，计算实时各要素位移的状态，实现高效、精准地匹配和调度。 全要素、全时段、全覆盖的数字化 交通作为传统基建的重要组成，焕发数字化新生的第一步，是建立数字空间的交通全要素数字孪生。 现实来说，今天交通新基建的数字化能力，还有一定的局限性，有三个典型问题： 第一，夜间、恶劣天气，智能化能力急剧下降，因为传统AI靠视觉感知。 第二，设备覆盖有限，存在大量的数据盲区。但优化决策依赖精准全链路数据，否则决策有局限性。 第三，智能设备，如摄像机、雷达、测速、天气传感器等设备之间的孤立性，像盲人摸象，都是局部信息，很难为总体优化提供信息支撑。 针对这三个问题，阿里云对应从三个方向解决技术难题。 1.全时段。做到不受夜晚、雨雪恶劣天气干扰，指标不退化。传统的方式是爆闪灯，但对驾驶员非常不友好，而且覆盖的距离也比较有限。阿里云采用融合多元传感器：视觉AI加上毫米波雷达。 但雷达感知域和视觉感知域不同，频率和特性都不一致，需要数据统一；其次，风吹日晒，会造成设备偏移，一段时间后要做动态校正映射矩阵；最后，如果视觉和雷达产生了冲突，你相信谁？相信的依据是什么？第一种各自计算分析，再投票，称之为“后融合”；第二种设计深度学习网络模型，实现数据驱动——阿里云选择了后者。在夜间、恶劣天气的感知能力可以达到白天的99.5%。 2.全覆盖。传统摄像机能够支撑的范围大概为200米，如果做全域覆盖，设备建设成本非常高。如何解决？ 阿里云采用的解决方案是在深度学习模型里，加上超小目标检测和分割能力，针对特别细小的目标，进行超分辨率放大，保证车辆细节感知。要知道，在真实应用中，超过600米的图像像素已经非常小，把它抠出来并识别出，就可以实现提升一倍以上感知距离。同时，在深度学习模型里，增加盲区的认知推理，比如靠近大桥的地方，已经超出人眼的感知范围，但通过车流的变化，可以推断是否有异常情况。 这样就可以利用技术手段，低成本地解决覆盖距离的问题。 3.全要素。交通全要素包括运动物体的属性、行为逻辑、客观环境。 这里要实现的交通目标是：真实的物理位置、速度、方向、尺寸、车道，要完全量化、一一对应。对交通事件，如违法、违规等行为，要实时感知，第一时间发现，快速决策、避免二次事故。同时准确判断道路环境，快速发现能见度、路面状况的微小变化，以降低未来更大的损失。 这里的技术难点在于，细致识别需要高分辨率图像，而高分辨率图像会导致计算量很大；但反之，如果没有足够的数据量，计算效果又会不好。 最终，阿里云利用视觉融合激光点云技术，结合边缘云的软硬一体技术底座，从底层的含光800芯片、倚天710芯片，到上层集成高效的算法模块、模型编译和加速推理，对各类交通设施的静态、动态实现二三维重构，耗时降低的同时性能极大提升。最终可以把车辆真实的物理尺寸精确感知出来，误差控制在0.15米以内，大约为一张A4纸的尺寸误差。只要道路之间的冗余足够，就可以很好地控制车流。把图像域转化到频域，可以使高分辨率达到非常好的效果，解决了路面细致识别的问题，这项研究发表在2021年CVPR Oral的论文中。成宜高速是全国交通强国的试点，全线157公里，每年50%的时间是雾天。阿里云与蜀道集团合作，利用雷视融合激光点云技术、边缘云软硬一体技术，实现了黑夜、雾天，各种车辆实时动态、路面要素的精准感知，无死角覆盖。阿里云可以对各类交通元素进行静态毫米级、动态厘米级的定位，把道路上各种类型的载具接近实时的数字化还原。 不只是大路网，在航道、港口，也有“海上智控”的需求，形成“大水网”。它们同样需要各种感知手段，包括卫星、无人机、雷达、物联网、卫星电话、视频等设备进行数据采集，构建整个大水网的动态数字孪生，小到一条渔船，大到一条商船，实时还原运行轨迹。 全局智能的运营管控决策 当交通的全要素、全时段、全覆盖的数字化建立之后，数字孪生实现了物理空间和数字空间的对应关系。那么无法靠现实世界试错模拟的情况，通过大规模宏观和微观仿真，对不同决策进行系统推演，都能对未来进行预测，然后对推演结果进一步优化，得以向交通系统的管理者提供智能化服务，产生创新价值。 目前，阿里云对公路、航道、铁路、机场、人流，都在做大规模的区域级、城市级仿真，实现全局智能的决策支撑。出行前的路线推荐可以把交通拥堵减少10%-20%，出行时通过感知融合和边缘计算，实现极致的路口资源分配，让路口的稀缺时空资源尽量做到不浪费，也能减少拥堵。 起初在高速公路数字化方面，阿里云主要实现了及时发现各类事件、及时应对、做被动管理的解决方案。如今由被动转向主动管控，可以提前预测事件发生的趋势和可能性，对高速公路的道路、桥梁、隧道、边坡，进行实时高频监测，预测道路上发生事件的概率，主动管理、管控高速和高速周边的重要节点，提前减少高速上的拥堵，降低养护成本。 目前，全国已经有四川、浙江、广东等20多条高速公路落地高速公路主动管控方案。例如广东高速的车流量预测与管控仿真，算法模型能做到15分钟内的预测，且准确率达到98.7%，同时结合两小时内交通数据，可以对未来发生交通事故概率较大的路段做预警，实现主动干预。 在机场数字机坪方面，2019年就实现了每辆飞机起降间所有保障节点的数字化，可以有针对性地查看机场机坪中存在哪些效率问题。如今更进一步实现了整个机场（包括数字机坪、数字航站楼）的全局智能。当有航空限流、天气状况时，机场能通过智能化调度大幅度提升航班运行效率，与传统人工调度相比，操作效率提升超过90%。 在首都国际机场，双方通过运筹优化、认知反演等方法在50秒内刷新1700架次航班的停机安排，将廊桥停机位利用率提高了10%，相当于每天额外有20000位旅客不用再乘坐摆渡车。 在水运领域，阿里云也利用同样的方法提升港口运行效率和港口运行安全。通过与宁波舟山港集团联合打造的“港口智能运营管控平台”，实现桥吊单机效率提升5%，港口的靠岸效率、场内运输效率、堆场效率、生产运行效率整体提升5%以上，集装箱卡车等待时间、通过时间缩短8%以上。 仅看数字不足以体现该解决方案的实际价值。实际上，提升5%的作业效率，从定性的角度来说，这意味着，实现了真正意义上的有人/无人集装箱卡车的作业混编；从定量的角度来说，对拥有10个泊位的梅山港，提升5%，意味着两年能多出1个泊位，而一个泊位的建设成本大概在10亿元人民币。 交通出行、运输服务一体化 交通是一个高频产生数据的领域。创新的解决方案、获得数据创新的价值是阿里云展开交通领域探索的底层逻辑。阿里巴巴集团本身也有丰富的交通元素，如菜鸟、高德、飞猪、千寻位置等。阿里云结合阿里巴巴集团的多元能力，补足版图，可以解决很多原本IT系统解决不了的问题。 比如，把智能交通大脑的上帝视角，通过高德等APP客户端，以伴随式服务的方式直接提供给道路的用户。如遇堵车，驾驶员看到的不只是红黄绿，而且是通过上帝视角的车载系统，了解前方具体情况，也可以了解服务区是否有排队、提供什么的服务等详情。高德的出行服务还与车厂合作，利用车路协同、5G、V2X等技术，通过车载OBU、车载系统，或者手机，提供增值信息服务。另外，菜鸟可以抓住综合交通枢纽，包括机场、铁路站、地铁站、物流仓储等节点，把跨方式的交通服务打通，降低企业物流的等待时间，提升效率。 同时，阿里云与众多交通行业的合作伙伴，集合感知、边缘计算、芯片、算法、通信技术打造软硬一体的智能硬件，实现更低的数据采集成本、统一编码的时空数据高效融合、打造统一的数据模型，把行业多年积累下来的知识通过AI知识图谱云化，建立行业的数据模型，共享行业数据资产，共同提升“仿真、推演、预测”能力，让行业知识不仅为技术人员所用，而且为业务人员所用。衣食住行，是人类亘古不变的基本生活需求。人和货品的“位移需求”从未改变，但实现安全出行、智能感知和预测供需平衡、高效调配供需双方等目标的方法和手段，正发生天翻地覆的变化。机场、港口、航道、公路、城市交通等基础设施正全面优化，极速奔向全局智能。  对话肖露：阿里云智慧交通业务是如何演进的？ 技术与业务真正融合，才能产生模式创新；只有吸纳社会各方面的创新力量，才能带动产业真正进步。 秉承共创与融合的理念，让传统交通基建与新技术碰撞出智慧的火花。《云栖战略参考》专访阿里云智能交通物流行业总经理肖露，详解阿里云在交通领域的方法论以及差异化能力。 《参考》：从加入阿里云以来，你一直都在交通行业耕耘，在团队建设和业务层面感受到哪些变化？ 肖露：阿里有句土话叫“拥抱变化”——我是2018年加入阿里云的，几年时间里，经历了很多变化，这些变化也是我们自我成长的过程。 第一，团队快速发展。从内部孵化，在实践和学习中逐步成长为具有行业能力和数字化能力的团队，到现在有了公路、城市、航空、水运、物流等多个细分领域的专业人才加入。 第二，服务的广度和深度上的变化。从2016年阿里云发布城市大脑开始，我们一直在探索基于云计算、大数据、互联网的能力和交通行业的深度合作。2018年，我们选择“两个一”市场赛道：做深一个细分行业，高速公路；做好一个样板，南方航空公司。一方面因为民用航空本身非常国际化、重服务体验、市场化，对信息化的接受度和依赖性较高；另一方面，阿里云有非常强的云计算、大数据、人工智能技术能力，阿里巴巴集团的高德地图、金融支付、菜鸟等，都可以通过产业融合产生化学反应。 第三，想法和实践的层出不穷、快速迭代。第一年，我们还在自我证明、验证想法的阶段，找到机会让客户知道阿里云已经切入了交通行业。之后我们逐渐深入理解行业需求，一步步探索：2019年，我们开始尝试沉淀“交通的行业产品”；2020年，我们切入到公路领域，得到了很多客户支持，尤其是突破到高速公路的数字化系统建设；2021年，基于产品技术的沉淀，我们又开始酝酿适用公路、水路、民航、城市交通等领域的通用型解决方案，初步形成了有独立见解的行业数字化转型的方法论和理念。 这个变化是层层递进、滚动向前的，不是线性的先后顺序。市场、产品以及战略规划上，几乎每个季度都在不停地优化调整。 《参考》：最初在进入交通领域时，阿里云有什么积累？交通行业的现实条件是什么样的，为什么阿里云认为有一个合适的切入点？ 肖露：相对来讲，交通运输行业是基础性、先导性和服务性行业。近40年来，其发展重心在基础建设上，满足国民经济的基本运输需求，解决“走得了”的问题，但在信息化程度上不平衡，也不够充分。应当说，国家在修路建桥方面的投入是非常巨大的，但当基础设施建设到了一定阶段，就会要考虑基础设施的数字化。同时，在客货出行方面，更加注重“走得好”和“走得安全”“走得绿色”，这些都需要信息化手段予以提升、改造。 阿里巴巴作为一家互联网公司，其实与交通行业有不少相似之处，都是网络型产业，涉及大量C端客户及大量数据分析和运用。但如何进一步将交通和互联网融合呢？ 首先，交通服务人们的衣食住行，是一个高频产生数据的行业，如果交通大数据用得好，将产生更大的价值，这与互联网有共同的诉求；其二，阿里巴巴本身有很丰富的交通元素，如高德、飞猪、千寻位置等，都有非常强的交通属性。只是当时资源比较分散，没有聚合在一起；其三，随着阿里云的快速发展，云计算、大数据、人工智能技术可以解决一些传统信息化手段解决不了的问题，只不过一时难以获得此类技术发展的红利。比如缓解交通问题就需要海量数据处理、实时计算、超大规模仿真等，传统的IT供应商和专业公司可能没有这么强大的算力支撑。再加上阿里云在2016年就已经开始沉淀城市大脑的技术能力，内外结合，可以让阿里云有机会借助城市交通管理的经验，拓展并深入运用到整个交通运输体系中。 《参考》：2016年阿里云城市大脑就已经发布了，为什么后续没有持续聚焦在城市大脑上？ 肖露：城市大脑沉淀的技术能力非常多，包括交通行业数据模型与算法、数据与业务中台能力，都在智慧高速、智慧港航的实践中得到复用，是一脉相承的。 但城市大脑比较聚焦于城市交通的精细化管理，而城市交通只是交通运输体系的一个组成部分，其他还有公路、航空、港航、物流等领域。在和交通运输行业的合作中，我们发现，交通运输的数字化需要围绕“规、建、管、养、运、服”多维度进行全要素系统化建设，而不仅仅是管理。如果只讲城市大脑，行业内人士会有质疑。 这促使我们重新思考市场战略：沉淀适用于交通物流行业全场景、全环节，能够解决行业痛点和供需矛盾，同时又源自城市大脑能力沉淀的融合解决方案。 《参考》：当时是如何选择细分行业的？ 肖露：最开始第一年，我们与南方航空合作，它也是国企数字化转型的样板。在这个过程中，我们发现，从产生高频数据的角度讲，中国航司每天乘客数量相对稳定，业务暂时不会出现爆发性增长。 我们希望找到更多产生数据的场景，让阿里云的技术能对国计民生有更大的助力。铁路和公路就是这样的领域，是国家及各地政府基建升级需求最大的两个领域。其中，铁路是个相对封闭的体系。但公路领域不一样，公路市场够大、衔接交通方式够多、服务人群够广。同时公路对基础设施数字化、运行管控智能化、出行服务品质化需求迫切，对交通参与者行为和状态数据依赖性很强，已经到了亟待数字化转型的阶段。 中国的公路网非常发达，在2020年底已达16万公里，但东西部公路发展存在明显差异：东部地区已逐步进入“后建设”时代，注重扩容改造和网络效能提升，更关注降本增效，提升用户体验；西部地区公路大发展，但信息化水平相比东部是落后的。客户关心建设成本的同时希望能借助外力“弯道超车”，而不是以落后的方式进行修建，同时西部也需要技术来解决高山、隧道等地理因素带来的安全问题。所以，传统的方式无法支撑东西部公路未来的建设，需要通过融合创新来解决业务难题。 当时我们分析，公路可以作为一个可深挖的赛道，但是公路领域的市场范围太大了，包括高速公路、国省干线、农村公路、城市道路等等。于是，我们再次聚焦到高速公路，适度关注国省干线公路，毕竟国家对高速公路的信息化建设要求高，数字化需求相对强烈。 再后来我们又拓展到机场、物流、港航等赛道，形成了今天阿里云交通物流的版图。 《参考》：在早期，被客户挑战最多的是什么？ 肖露：当时我们花了一年时间，找寻能够接受我们理念和能力的客户。这是很难的，因为修路架桥本身是一个非常传统的领域。第一年，我们拜访了很多客户，大家合作的热情也很高，但客户会先问：“上了阿里云，是不是安全风险就能降低，就能解决拥堵了？”讨论之后给出的结论是：“你们的达摩院很强、互联网很强、新零售很强，但这跟交通有什么关系呢？你们不懂交通。”我们至少花了半年时间，拜访了不少于20个高速公路建设方、业主方、监管方，希望能找到有共同理念、认同我们的客户。后来我们换了一个思路：不应该用我们的逻辑去思考客户，而是要与客户共创、一起去探索和实践。 幸运的是，我们找到了这样的客户，愿意和我们一起思考如何将传统修路架桥的业务与科技融合，思考引领数字交通的新理念，将他们想象中智慧交通的未来告诉我们，而我们也能把自己的想法，从一个场景开始尝试，逐步深入。 随着与客户深度共创，对场景深入研究，我们很快发现，可以发挥高德、钉钉以及数据中台的能力，为客户提供一系列场景化解决方案，包括全覆盖态势感知、一路多方高效协同、精准及时的伴随式服务等，实现高速公路管控的精准感知、精确分析、精细管控、精心服务。发展到今天，我们已经为全国50多条高速公路路段提供了智慧化解决方案，服务全国20多个省的建设方和运营方。 《参考》：传统领域和数字领域，两个不同领域的人如何形成共识？这种经验可能对所有从业者都非常有价值。 肖露：抛开技巧不谈，我认为关键是“以终为始”的终局意识，设定非常明确的业务目标，研究真实的业务痛点。例如，宁波舟山港给我们提出的难题是，希望通过数字化手段将港口集装箱调度的整体效率提升5%。这看似是非常简单的个位数指标，拆解开来却发现，它意味着全流程数字化能力的提升，这就很难了。在这过程中，需要判断哪些是可以改变的，哪些是需要跟客户达成共识的，最终带来真正的业务价值，才是打动客户的关键。 《参考》：应该在很多情况下，客户的想法你们不理解、你们的想法客户不理解。现在回头看，哪些是真的不懂业务，哪些是技术认知的差距？两种情况的比例是怎样的？ 肖露：我们肯定没有客户懂业务，客户可能没有我们懂云、大数据和人工智能，这是事实。除了一些传统IT领域，只要涉及客户业务，80%的点都对不上。比如，项目前，客户经常会问我们：“为什么要做一套系统去支撑高并发呢？”“如果系统迁移到云上，我要如何操作？” 这就需要有业务与技术专家参与，作为桥梁，他们既能听懂客户诉求，也能把阿里云的能力与客户业务结合起来。而且，项目结束并非就真的结束了，我们还需要和客户一起做项目沉淀，也让团队在实战场景中不断摸索，形成数字化融合行业能力的解决方案。最后，形成一种机制：有相应的专业人才，有实战场景，不断提升专业能力，形成数字化技术与行业场景融合的闭环——这对客户也是有价值的积累，我们经常讲“交付一个项目，打造一支队伍”。 《参考》：能否举例说一下阿里云服务的几个典型客户？ 肖露：客户一直伴随和支持着阿里云各个阶段的成长。 与蜀道集团合作的过程中，最开始在成都绕城高速建设了“智慧眼”，实现了感知智能；成都第二绕城高速测试时，开始车路协同、智慧高速的尝试；今年与峨汉高速的合作中，希望实现对桥梁隧道的数字化。在港口数字化转型中，我们与宁波舟山港集团打造智慧港口；在物流骨干网运输体系数字化建设中，我们还帮助专注于自动驾驶的物流运输企业嬴彻科技，基于云原生的能力，提升AI算法研发的效率问题；在数字化航司的实践中，我们和南航实现了基于双中台的全业务数字化转型，与中国联合航空实现了数字化营销的模式创新。 《参考》：港口、航司、高速公路等领域的数字化建设，有共性吗？ 肖露：现在大家都在讲数字化，也更懂数字化了。四年前，客户对上云的安全性和必要性还有疑问，如今国家发改委已经明确将云计算写进“新基建”的工作范畴。政府提倡数字化改革，央国企也在积极推动数字化转型。交通运输部相关政策多次提到“推动大数据、云计算、数据中心在交通领域的应用，推动国家新一代交通控制网的建设”。虽然共性之下，每个细分赛道的痛点是不一样的，但经过四年的迭代，阿里云利用云计算、大数据、数字孪生、边缘计算等技术优势，既能打造通用的交通行业解决方案，也能聚焦细分赛道的不同场景提供差异化的解决方案。 《参考》：在数字港口建设中，有哪些创新的本土经验和实践吗？ 肖露：过去中国的港口学习荷兰鹿特丹、新加坡等国际港口，但今天来看，中国港口已经发展出独特优势，尤其在吞吐量、数字化能力方面，在全球范围都有一定领先性。 中国港口的建设要考虑本土现实，在经历了上世纪90年代“央地统筹、地方为主”的改革之后，我国港口曾经一度是“国有民营各类主体齐上、港区岸线建设失控”的局面。目前，各大港口按照“沿海一省一港”的新格局进行港口资源整合，意在减少无效竞争。但至今，全国80%左右港区或重点码头的经营，仍面临效率不高、资源浪费的问题。前几年上海洋山港、青岛港的全自动化码头建设，是在全球有引领性的标杆。但问题是，只有新港建设时才会采用全自动化的技术，而且要耗费几十亿元的资金；小的港口集团、传统码头，在效益没有那么好的情况下，需要智慧化的解决方案，即在投资有限的情况下，也能建设一个技术先进的数字化系统，确保运营效率和效益的提升。当然，这很难。我们在宁波舟山港的实践就是一个高性价比、有参考意义的探索。 《参考》：大交通领域还有一部分是物流，阿里巴巴在物流行业有很大优势，但之前并没有怎么提过，为什么？ 肖露：物流行业以运营和服务效率提升为主，除了头部企业之外，还有非常多中小企业，场景也非常多元。阿里巴巴有一定的优势，一方面本身作为上游企业可以牵引，另一方面在公有云上能够搭建更好的系统。 过去四年，我们一直坚决执行“云上物流”战略。从“三通一达”开始，它们占了很大一部分市场份额，核心业务已经基本实现全面上云；另外，中国邮政也是阿里云混合云的大客户。所以，物流的骨干网络、大的核心节点大约百分之九十的核心系统都在阿里云上，可以实现各种运输方式更高效的联动。今天我们再讲物流，需要从另一个高度来看。物流效率的提升是一个体系化的事情，不只有快递，还包括城际运输、货运、集装箱运输、骨干网运输等等，它属于供应链体系。将物流产业链上下游激活，把物流枢纽园区、城市道路、高速、港口、机场全部打通，物流才能发挥出更大的价值，才能真正体现立体交通效率提升的系统性优势。 《参考》：未来的挑战和展望是什么？ 肖露：最大的挑战是我们能力的提升要跟得上行业的发展，人才永远都是最大的挑战，希望不断有优秀的人才能够加入进来。同时也希望更多人认识到阿里云今天在大交通领域的投入——不仅是和客户做业务，更是在探索前沿技术与传统基建的融合。这无论对监管方、业主方、建设方，还是对普通消费者、新基建与传统基建的融合，都有利于民生服务的全面提升，有利于经济的高质量发展。本文摘自《云栖战略参考》2022第三期，订阅数字化转型双月刊《云栖战略参考》请扫码（或填写下方链接），工作人员会在审核后为您寄出https://survey.aliyun.com/apps/zhiliao/xsTiZ4YaM

 破局智能制造的九个场景Nine Breakthrough Scenarios of Intelligent Manufacturing文/秦聪慧 向数字化的智能制造要生产力，是很多国家共同的战略选择。基于深耕制造行业七年的数字化实践，阿里云对于制造业向智能制造升级提炼了九大场景，以及对应九大场景的可行解决方案。从微观到宏观，这九大场景已经基本覆盖了智能制造的所有关键环节，完全可以作为回答智能制造现阶段问题的着力点。  中国的制造业，无论是流程制造还是离散制造，都遇到了进一步发展的瓶颈期。对于流程制造来说，如水泥、钢铁，表现比较明显的是能源利用率的提升问题——特别是进入双碳时代后，制造业的环保需求逐步加大。对于离散制造来说，突出问题是需求侧市场变化太快，工厂的投入和产能存在巨大不确定性。 “如果将流程制造、离散制造等一系列的问题做抽象与提炼会发现其中有共同的痛点，无论是设备的能耗优化/预测性维护、生产线的自动控制/工艺优化/调度优化、产品的质量检测，还是供应链管理、营销与销售预测、产销协同，可以归类为：用大数据技术解决产线上的具体问题、AI技术落地于具体场景的问题，以及基于数据中台和AI引擎的全链路数据一体化用于解决供应链上下游协同的问题。总之，一系列的问题都可以归结为：如何用新的数据智能方式去帮助制造业企业实现产业升级。”阿里云行业线产品解决方案部总经理曾震宇总结道。 向数字化的智能制造要生产力，是很多国家共同的战略选择。基于深耕制造行业七年的数字化实践，阿里云对于制造业向智能制造升级提炼了九大场景，以及对应九大场景的可行解决方案。 解决这些共性问题的底座是四种能力：数据中台、AI优化控制引擎、数字孪生与云钉一体。 其中，数据中台是制造企业非常重要的基础能力。过去制造业可被实时搜集、感知和在线的数据少；未来3--5年，制造业的实时数据量一定会急剧增加，包括设备数据、传感器数据、摄像头数据等，需要围绕这些数据进行建模、加工，然后基于数据中台，不断训练AI数据模型并形成AI引擎，与工厂师傅的经验形成互补，最终形成AI知识图谱，数字化一切以前不可量化的人为因素。 另外，和所有的技术一样，虚拟现实融合技术，真正规模化产生产业价值的方向并非在生活娱乐领域，数字孪生是工业发展的大趋势。工厂内全维度数据构成的数字世界，今天已经不再是“科幻”，而是能够利用数据和算法检测生产线上的设备健康状况、产品质量，并进行预测性智能决策。 云钉一体解决的是组织协同问题。钉钉在实践过程中将制造业的组织、系统集成在一起，整个办公流程、生产流程、生产管理、质量控制、售后服务的自动化，都可以基于钉钉的协同平台和应用开发平台实现。 智能制造的九大场景有六大场景着眼于产线的微观智能，分别是自适应控制、生产工艺优化、能耗优化、专家知识系统、智能质检、预测性维护；另外三大场景着眼于大型组织的数据归一与协同的宏观智能，分别是数据移动在线、产销协同与柔性制造、工业数字孪生。从微观到宏观，这九大场景已经基本覆盖了智能制造的所有关键环节，完全可以作为回答智能制造现阶段问题的着力点。 场景一：数据移动在线化 去年12月工信部等八个部门正式印发《“十四五”智能制造发展规划》，明确到2035年，规模以上制造业企业全面普及数字化网络化，重点行业骨干企业基本实现智能化。中国工程院院士李培根进一步解读，“发展智能制造，数据是基础，数据是血液”。数据融合是制造企业降低生产各环节成本、提高生产效率的关键。 人员的排班排产、产线的调度优化、货物流转、金融周转等运营效率的提速，都需要生产经营数据的在线化与移动化。数据的在线可以让企业管理人员在生产、经营过程中，依据实时数据不断调优决策。 钉钉发布的制造行业解决方案2.0从对生产状况影响最大的人和设备着手，让设备数据、成本数据实时呈现。“设备上钉”产品实现了人与设备的连接，每一台设备都是一个钉钉账号，管理人员可在钉钉上查看设备运行状况，任何设备故障都可以通过钉钉自动通知到人，让风险在第一时间被发现、被处理；设备上的生产进度，成为采销、生产计划的依据。 除了“设备上钉”产品，“码上制造”的专属行业底座，通过生产码、库位码、报工码、物料码等四个生产环节的二维码，解决制造企业最核心的进（采购）、销（销售）、存（仓储）、生产环节数据在线化和移动化的难题。 这些能力全面开放给钉钉生态，在钉钉“制造工作台”“行业广场”上开发千人千面、个性化的工作界面，让企业自主选择符合需求的SaaS应用，让更多类似设备上钉、码上制造、计件日结的创新在钉钉的行业平台上长出来。 中国民营企业500强的东方希望集团于2017年开始使用钉钉，过去五年间，东方希望在钉钉上开发了67个针对不同场景的应用，集成到钉钉上，实时呈现工厂里的生产状况和工艺，一旦出现产线异常，便由钉钉自动通知责任人。 场景二：自适应控制 利用生产装备和工艺的自动化是智能制造在过去几十年追求的重要目标，但是由于生产设备和生产现场的复杂性、生产原料的不稳定性和环境变化，生产产线完全依赖传统的PLC（可编程逻辑控制器）、DCS（分散控制系统）很难做到自动控制，依赖产线工人根据经验判断各种异常进行频繁的操作控制，也会因为疲劳和经验的差异出现波动。 融合数据感知和AI决策的自适应控制应运而生。自适应控制基于产线的机理进行建模，根据历史记录，生产结果数据对模型进行训练和优化，将模型下发到生产端根据产线实时数据推理生产参数并推荐，最后结合控制技术对生产线进行闭环控制。 清洁能源行业的瀚蓝环境拥有22个生活垃圾焚烧发电项目，日生活垃圾焚烧发电总规模33100吨。仅是广东佛山南海厂区的六台焚烧锅炉，每天就能“消化”近3000吨垃圾，发电150万度，足以满足南海区16万户40万人的生活用电需求。 整个垃圾焚烧发电的过程，为了尽量做到让垃圾的燃烧更充分、蒸汽更稳定，主要是靠锅炉师傅调节焚烧炉的各种参数。限制发展的最大阻碍，就出在焚烧过程对人工经验的过度依赖。不同工艺专家技术水平不同，调出来的效果相差较大。而培养一位合格的工艺专家需要1-2年的时间，一旦离岗，经验也随之带走。 企业亟需将经验中的隐性数据转化为显性知识，嵌入到自适应控制中，让机器协助人类来完成焚烧过程的复杂决策与控制。垃圾的充分稳定燃烧，过程中充斥着复杂的物理与化学变化，涉及多达2000个实时测点数据。第一步需要大量的数据计算，识别出最关键的30个测点数据，包括推料进程、推料动作、一次风量、一次风压、二次风量、炉膛温度、烟气含氧量、主蒸汽压力等。 第二步，锁定关键参数后，输入到工业大脑平台上的仿真预测模型，进行垃圾焚烧过程的模型训练，实时预测焚烧产生的蒸汽情况。通过对每次垃圾推料的前后关系分析，比如推料前的炉型状态、推料动作，以及推料后的焚烧反应，构建数据的输入输出关系模型。训练过的焚烧炉蒸汽量仿真预测模型可以准确预测90秒后的蒸汽量，准确度到达95%，为后续推料提供决策依据。 第三步，算法模型分析的结果通过API接口把推荐工艺参数实时提供出来。构建人机交互界面，部署到工厂控制室,辅助工人决策什么时候该推料，以及如何推料等操作建议。过去操作员4个小时内需要操作30次，才能让垃圾焚烧过程保持稳定，而如今在AI的协助下，干预6次即可。工业大脑辅助对比单纯人工操作，可以提升约1%--2%的蒸汽产量，锅炉蒸汽量稳定性提升20%。 第四步，算法直接与锅炉系统连接，实现对垃圾焚烧过程的自动控制。由人控制机器转为人监测机器、无需干预，降低对人工经验的依赖。 场景三：工艺优化 工艺，是一家企业如何利用生产工具对各种原材料、半成品进行加工或处理，使之成为产品的方法，包括铸造、锻压、机械加工、热处理、焊接、装配、油漆等工艺类别。 一方面，各个行业都有自己的通用数字工具和自动化设备，如CAPP（计算机辅助工艺过程设计系统）。另一方面，企业自主研发创新、经验总结的加工方法，可以成为企业自己的独门秘籍，比如毛坯制作、机械加工、热处理等各个环节先后顺序的优化，都可以提高生产效率、降低生产成本、提升产品质量，是一家工业企业最核心的竞争力。 每家制造业企业都规定了产品的工艺路线、机器设备和加工模具的种类、品名及编号、检验方法等，是组织生产和工人进行生产操作的重要依据。 过去20年中国制造业的工艺优化，主要聚焦于两个方面：引进国外的辅助工艺设计系统和培养有经验的专家。今天，则转向了数据智能。 工艺优化的案例是攀钢集团。脱硫是钢铁生产过程中的一个重要环节，硫工艺的好坏可以拿来评判中国钢铁与德国钢铁的重要差距。由于硫化物会降低钢的韧性，所以工人师傅倾向于多加脱硫反应剂。但反应后产生的脱硫渣会带走大量金属料，每个炉次以220吨计，脱硫渣量均值为5吨，其中铁损占比约为40%-55%。假设脱硫剂的加入量降低10%，理论上可降低0.8-1kg/吨的钢料消耗。 第一步，构建仿真模型：基于历史数据与实时数据，构建脱硫预测模型。通过结合脱硫剂加入量、喷吹速率等十多个关键参数，模拟脱硫全过程，并配合参数优化模型，检验不同组参数的合理性及有效性。 第二步，参数寻优模型：结合机器学习与老师傅的经验，识别脱硫过程中的对脱硫结果影响最大的参数，包括钝化镁加入量、钝化石灰加入配比、平均流量、喷吹时长等，通过寻优模型识别参数间的最优关系。再回归到仿真模型中进行反复验证，最终得到最优参数：在满足脱硫效果的前提下，找到最小脱硫剂加入量的那组“配方”。 第三步，脱硫操作人员根据推送的推荐参数，动态调节脱硫剂的加入量，减少脱硫剂的消耗。 对年产值400万吨钢的攀钢西昌钢钒基地来说，每年减少1700万元损失。生产工艺优化的解决方案，已经在钢铁、水泥、固废、化工、光伏等多个行业场景中得到实践。 场景四、能耗优化 能耗优化直接关乎“十四五规划和2035远景目标”中“双碳目标”的达成，已经成为流程制造企业发展的重中之重。《中国上市公司碳排放排行榜（2021）》显示，登榜的100家A股和港股上市的高碳排放公司，分布在石化、化工、建材（水泥）、钢铁、有色、造纸、电力、航空八大高耗能行业。八大重点高能耗行业中的六个，都属于“大制造业”。传统制造业的高端化、智能化、绿色化，提高了制造业对新技术的发展要求。 水泥行业有着很高的煤耗和电耗，水泥的“两磨一烧”工艺（生料磨、回转窑与水泥粉磨），是保障水泥品质稳定的主要因素。 2021年，海螺水泥作为亚洲最大的水泥熟料供应商，敏锐地洞察到传统的APC（生产优化系统）迭代能力跟不上业务需要，软件适应性不强、数字化沉淀和复用受限，造成全局优化能力不佳的结果，果断利用阿里云工业大脑AICS平台，聚焦于水泥产线的“两磨一烧”核心场景，完成能耗优化和工艺优化，分为下面几步。 第一步：数据采集与清洗。结合工艺专家经验，水泥工业大脑首先将生产系统、控制系统、设备管理系统、能源管理系统中的海量数据进行提取，包括质检数据、DCS数据、环境数据等。同时对数据进行清洗，剔除噪音数据或无效数据，补充缺失数据，为下一步模型训练提供高质量的数据资产。 第二步：模型搭建。采用先进的机器学习算法、神经网络算法，结合先进过程控制模型，对所收集到的多维度数据进行建模，真实还原水泥产线上的实际生产过程。并通过对大数据模型的参数进行调节，以实现从输入参数到输出参数的非线性映射关系。 第三步：机器学习。通过采集六个月的历史数据，分析多达上百个变量之间的耦合关系，并对模型的输出进行预测，使风、煤、料的最佳组合范围可量化、可视化，达到同等产量熟料质量最好；同等质量情况下，产量最高；或是同质同产情况下，能耗最低。 第四步：在线控制。最终生产线工艺参数的设定，会结合工艺参数范围、步长信息、工艺参数实时值等，由水泥工业大脑进行多变量综合分析，实时针对各工况的产量、质量、能耗多目标进行寻优，推荐一组最佳的工艺参数实时反写回分散控制系统，实现水泥核心生产过程的自动驾驶、无人值守。 海螺水泥仅仅两个月时间，就实现了高自动控制的水泥工艺优化。在这个过程中，降低了2%--3%的能耗。对于水泥日产量1.2万吨的工厂来说，这一能耗节省非常可观。在后来的一段时间，逐步完成了全局优化的节能测试。结果显示，该系统的节能水平超过了国外知名厂商同类型软件的节能水平。 以上自适应控制、工艺优化、能耗优化的案例能够清晰地看到，基本解决方案路径：收集历史数据--锁定关键参数--构建算法模型--用实时数据验证算法模型，并进行调优--输出动态参数推荐，或连接自动化控制系统。 路径和方法都是一致的，难度就在于找到海量参数里的因果关系，并构建优质的算法模型，这两个节点的突破，则取决于数据智能的科学家和行业老师傅都具备卓越的专业能力和合作能力，同时需要一套专家知识系统。 场景五：专家知识系统 从以上场景，不难发现：在工业领域，传统经验知识的总结环节非常需要数据智能技术的加持。即便是有些制造业企业建立了数字化的专家系统，把专家经验进行文档累积，但是实际情况中，把数据经验输入到专家系统费时费力，每条记录的经验数据之间缺乏联系，仍然很难形成“数据资产”。 在智能制造的时代，AI知识图谱作为人工智能的一个分支领域，具有“知识抽取”和“知识关联”的能力，值得被作为一个单独的解决方案提供给更多的制造业企业，在业内被称为专家知识系统。 阿里云知识图谱系统，汇集各种应用场景下的数据，向知识图谱的开发人员以及运营管理人员，提供了可视化的工具平台，将留存在企业系统中的结构化、标注、规范、案例记录和人的经验等知识数据源转化为计算机可以识别的知识图谱数据，简化了传统知识累积的方法，有效提升了知识图谱的构建效率，降低了经验获取和传承的成本。 电网等工业企业经常会在极端天气情况下紧急处理设备故障，利用知识图谱，把设备检修规程导则、以往故障报告和设备维修专家的知识数据，形成电力行业的专业知识图谱，开发基于知识图谱的故障研判算法引擎。 故障发生时，拍照或语音问询，利用图像识别和自然语言处理能力，为故障抢修人员提供相关案例，提供引导式的修复方案，辅助执行，迅速提升故障处置能力，降低故障处理难度，缩短了故障处理时间。 近年来，城市配电网规模爆发式增长。 以杭州城区为例，10KV的线路从1200条增加至2000多条，对效率、安全作业提出了更高要求。国家电网下属杭州供电公司是杭州的配网指挥中枢，负责电网监测、电网检修、故障处置等工作。每个杭电调度员每天需拨打100多个电话，实时监控500多条电力信息。碰上早晚高峰，40多通电话一齐涌入，调度员需同时协调4--6个执行单位，故障现场也要长时间等待。 针对这些问题，“虚拟配网调度员”应运而生，阿里云为电力行业引入前沿的阿里云知识图谱技术。 如今，“虚拟调度员”对数千条城市电网电路如数家珍，可提前安排作业、现场核对作业、事后自动归档。一旦突发停电、断电，“虚拟调度员”通过钉钉可在1分钟内安排好相关人员，启动检修。 “虚拟调度员”还学习消化了30多万份的检修历史记录，总结出可供实时决策的数据，形成了电力配网知识图谱。在钉钉上，一线电工可以和虚拟调度员直接对话，实时获得协助。设备历史信息随问随答，是个“问不倒的机器人”。 知识图谱生产是一整套系统，涉及结构化、半结构化和非结构化数据，需要大数据技术。半结构化和非结构化的知识经验、信息处理，则需要自然语言处理技术，处理为算法框架可以分析的数据。另外，知识图谱本体构建管理、知识图谱抽取前端交互、知识图谱查询和计算服务、知识图谱存储，后台的系统管理和调度运维服务组件，甚至包括部署环境等技术能力也是知识图谱构建的一部分。最终作为PaaS级产品，知识图谱会基于通用底座，结合商业系统定制开发适合不同企业的知识图谱平台，提供应用能力。 场景六：智能质检 制造业的质量检测，可以应用于产品的最终质检、物料制造的表检，利用AI视觉识别技术来模拟人的视觉功能，从客观图像中提取信息，加以理解并进行处理，最终用于实际检测、测量和控制。AI视觉系统被应用于各行业的生产中，如触摸屏、激光加工、太阳能电池板、半导体、食品饮料、制药、消费电子产品加工、汽车制造等提升产品成品率和良品率，是一种应用较为广泛和成熟的解决方案。 因为依靠人的视觉进行的质量检测，会受到疲劳程度、精神集中程度的较大影响，所以只能采用抽检的方法，才能节省相应人力，即便如此，准确的稳定性也会因为人的原因出现波动。阿里云机器视觉智能技术采用深度学习和图像处理算法，比传统机器视觉检测更精准、漏检率更低。在数据中台的基础上，进行数据的采集、标注、训练和算法模型调优，自动识别图像中的瑕疵或故障。 随着钢铁行业受到环保、双碳等政策压力越来越大，钢铁企业的竞争越来越激烈，开始从原有的拼产能，向拼质量、拼效率发展的趋势越来越明显。钢铁产品的金相组织评级是反映产品质量高低的重要方法手段之一。该方法采用定量金相学原理，由二维金相试样磨面或薄膜的金相显微组织的测量，来确定合金组织的三维空间形貌，从而建立合金成分、组织和性能间的定量关系。金相分析技术在钢铁行业应用最为常见，产品越高端对金相检测要求越严格，尤其是特钢和工业线材。 以攀钢西昌钢钒和韶关钢铁为例，他们的产品分别为汽车板材和建筑用钢，钢铁厂每生产一批次相同牌号的钢铁产品，需要在钢卷产品中选取2--3卷进行取样分析，钢卷中不同部位的钢铁试样，送往检验中心完成专业的组织性能检验。每天检验的试样数约为90个，一个检验中心配备3位检验工程师，平均每人需要完成30个金相试样的检测。除了金相检测任务以外，他们还需要完成样品制作、性能试验、质检分析等各类工作，金相检测工作人员的工作任务非常繁重。钢铁企业的产品质量评估，承担着重大风险，金相组织性能偏差带来的产品质量异议，建筑企业等产品用户带来生命财产的安全隐患，钢铁企业也会有巨大的经济赔偿。与此同时，金相检测的专业要求，也是钢铁企业招聘和培养专业人才的一大挑战。 基于此，阿里云结合深度学习和人工智能算法和积累的金相图谱数据，为钢铁企业建立了一套智能金相检测系统，打造了一个“虚拟金相检验专家”，通过软硬一体的方式，实现了金相检测的自动化和无人化，普通的检验工在完成试验制样后，通过简单的软件操作即可完成金相评级工作。智能金相检测系统，已经积累了上万张金相图谱样本，能够准确完成钢铁行业80%的金相检测任务，包括晶粒度评级、非金属夹杂物识别、脱碳层深度测量、索氏体占比测量等。极大地解放了检验专家的工作量，为钢铁产品质量标准化和人员效率提升带来了重要的技术支撑，也为缺乏专业知识人才的民营钢铁企业带来了一位久经沙场的金相“老师傅”。 视觉AI能力不仅仅用于生产流程中，类似废钢定级也是用视觉进行质量分类定级的一种方法。废钢定级作业环境一般比较恶劣，质检员每次需要攀高四五米的大货车车顶，对车内废钢进行近距离观察。不仅劳动强度大、作业风险高，而且依赖肉眼识别，难以量化和标准化。 晋南钢铁集团与阿里巴巴达摩院、西安智者云集云计算有限公司合作，研发了废钢AI定级系统。这套系统借助深度学习算法和AI视觉识别技术，可以实时抓拍废钢车辆的卸料过程并逐层采样，对卸货过程进行单层判级和最终整车判级，识别不达标废钢和杂质、异物，计算出整车扣重的预估值，还能对异物报警提示。 目前，阿里云质检场景已经应用到钢铁、电力、化工、光伏等多个领域。 场景七：预测性维护 工业企业的设备管理维护手段的发展经历了四个阶段：被动性维护（RM）、状态性维护（CM）、预防性维护（PM）、预测性维护（PHM）。 顾名思义，被动性维护（RM）就是在设备坏了之后再开始相关的维护维修工作，比如场景四给出的“虚拟配网调度员”解决方案；状态性维护（CM）是基于设备运行状态和现象对设备进行相关的维护维修工作；预防性维护（PM）就是在设备出现问题之前，基于可靠性分析和设备运行经验定期对设备进行维护工作；预测性维护（PHM）是在设备出现问题之前，结合可靠性分析、设备机理、设备运行维护的历史经验以及设备运行状态对设备的寿命、故障、异常及健康情况作出相对应的分析和预测，让设备维护团队能够在故障发生之前，提前做好维护措施，避免设备故障发生，提前做好备件储备、降低设备的停机时间。 预测性维护能减少设备周期性的维护成本和备件成本，实现对设备全生命周期的精准把控。做到设备故障提前预防，维护维修策略精准高效，设备管理维护成本精细可控。 现阶段的工业企业还停留在状态性维护和预防性维护的阶段，大多数企业都是通过周期性的人工定检以确保当前状态下设备无异常，先进的企业还会基于可靠性做一些设备状态分析的巡检计划以实现预防性的维护。 鉴于IoT的成本优势和部署灵活的优势，很多企业开始积累关键设备上的传感器、检测仪表等数据，对设备的故障及时发现，预先处理，降低停机损失，已经逐步向预测性维护的方向发展。但受制于工业企业薄弱的数据和算法基础，即便是拥有了大量的设备运行数据，也无法高效、合理地管理数据和利用数据，隐藏在这些设备数据之中的价值很难发挥出来。这给工业设备预测性维护的先行企业带来了极大的困扰。 基于此，阿里云结合5G在园区和厂矿等有限空间的高带宽、低延时的优势，建立集中设备、生产线、厂房内系统运行监测平台，各类监测数据可以实现一定空间内业务的全链路连接；并且整合了多年的大数据存储、计算和算法技术积累，构建了一套综合了专家积累经验的智能设备管理操作系统，以实现预测性维护为目标，在传统的设备管理基础上形成了一套体系化的智能设备管理工具。 例如，通过工业大数据引擎，解决设备数据实时、高效、便捷的存储、管理和调用问题；通过传统的基准管理、标准管理、巡检管理、备件管理等业务模块解决企业的传统设备管理体系缺失问题；通过智能自主设备诊断系统，解决企业设备的故障诊断分析过程中，缺乏懂设备、懂振动知识的专业人才问题；通过数字孪生工具，解决企业的巡检人员覆盖不足、提升巡检效率的问题；通过构建VR、AR和数字孪生的结合搭建虚拟检修环境，解决设备管理人员的技能培训和知识沉淀问题；通过知识图谱和虚拟检修专家，解决设备故障高效的问题；通过钉钉低代码构建移动设备管理体系，解决设备管理及时性、便捷性和敏捷迭代的问题；通过智能备件库存调度，解决设备维护的备件库存成本优化问题...... 预测性维护是一套系统化工程，必须从管理模式创新、专家经验沉淀、人员效率提升等多方面，为工业企业提供技术支撑。 场景八：产销协同柔性制造 在离散制造场景中，如快消品、小家电、家具、消费电子产品的制造，随着消费者定制化需求越来越多，随着需求侧秒杀、促销活动变得越来越频繁，多品种、小批量按需生产的柔性能力要求越来越高。 但按订单组织生产是离散制造业的行业惯例，传统APS（排程排产系统）在订单在突然涌入临时变更时，很难发挥效果。 为了实现产销协同、柔性制造，阿里云给出的“调度优化-产销协同”解决方案主要包含六个方面： 一、通过MRP（物资需求计划）运算计算精确的物料需求；二、精细化设计工序与设备的生产计划和人员需求，提升主计划排产速度和效率；三、使计划结果可视化，提升计划协同性；四、与MES、ERP信息化系统联动，滚动计划；五、分析物料欠料的需求时间和数量，推送欠料信息，辅助物料跟催；六、进行订单的预测，计算预计产能需求，预估产能的瓶颈工序，提前预测转发订单。 在实践中，阿里云帮助蒙牛用商流驱动供应链物流，用大数据技术打通从“牛”到“人”的端到端信息流，实现横跨“三大产业”的供应链市场化高效协同。生产计划与市场销售高度同步，“奶源--工厂--仓储--客户”布局一致。在工厂一级，利用基于数据中台的“调度优化-产销协同”解决方案应对突然变化的产能挑战。 根据阿里云对30多家服务企业的统计，构建于数据中台和业务中台的阿里云产供销协同体系，可实现制造周期缩短34%，用工成本降低15%，报表统计和汇总时间减少65%，沟通时间减少55%，成品库存降低20%，生产零部件的库存降低35%。 产销协同、柔性生产的需求，不只来自阿里云的客户，也来自阿里云客户的客户，与有搭建行业平台能力的企业合作，构建柔性生产的平台能力也尤为重要。 埃夫特是科创板上市的一家工业机器人和跨行业智能制造解决方案服务商，在焊装系统、智能喷涂系统、抛光打磨等领域，为合作伙伴提供智能机器人的解决方案。 埃夫特对柔性制造提出需求，是因为工业机器人的使用来自很多中小企业，它们的生产业务模式是小批量混线生产。 而大量批量小、来料规格差异较大的生产线，使用的机器人需要适应应用场景变化，一旦换线，机器人就需要重新编程和调试。本来整个机器人工艺算法编程工程师人才就非常稀缺，中小企业更没有能力储备专业的工程师，成本过高，导致很多企业无法承受。“有编程的功夫，还不如找个老师傅直接喷涂了”，埃夫特公司总经理兼总工程师游玮说。 埃夫特机器人联合阿里云，集合国产自研机器人技术开发基于“云+AI”的开放式物联网控制优化系统，实现智能机器人云平台的建模、仿真、优化、控制能力，完成云端模型训练、边缘计算、机器人执行三位一体智能协同，打造了行业内首个云边端一体化“机器人云平台”。 开发者可以利用业务编排工具通过拖拉拽的方式对数据组件、算法组件进行任意的组装，降低埃夫特的客户的工程师编程与算法应用的门槛，提高机器人典型作业场景下的智能化和小批量混线生产的柔性要求，并一定程度上弥补中小工厂工程师的不足，为用不起、不会用机器人的中小企业提供更友好的智能化解决方案，促进中小制造业企业的转型升级。 场景九：数字孪生 工业数字孪生，在不久的将来，将成为智能制造的核心环节，也是数字工厂的核心数字底座。它贯穿了制造业企业研发、采购、生产、销售、服务等全业务场景，打通企业设计仿真平台、订单预测、供应链优化、能耗优化、工艺优化、用户/经销商画像、营销推荐、智能客服、智能运维等系统数据，让企业决策者可以实时掌握工厂各环节的运作精细状况。 简单来讲，就是要从一个更宏观的层面，用数据构建和虚拟模型来精细化管理企业的生产运营情况，从而快速决策、指导生产。甚至，也可以模拟仿真各种决策的业务结果，实现决策和经营的弹性。 一汽红旗繁荣工厂就是一个正在实践工业数字孪生的例子，阿里云提供了智能工厂建设全方位数字化解决方案，在大数据平台、AI平台、数据中台之上，利用数字孪生技术，打造国内首个100%国产化的汽车智能制造标杆，打造实时在线、及时分析、智能决策的全链路智能化工厂。也是首次采用完全自研的数采监控软件，接入五大车间数百万个点位，数采频次最高可达200毫秒，超过国内外其他数采软件厂商。 在一汽红旗新能源汽车工厂，海量的数据汇入统一的数据中台，自动生成数据API服务，随时调取，全面融合传统信息化系统，形成“业务应用--数据沉淀--数据智能引擎--业务应用”的闭环管理，用数字孪生技术，全面提升企业生产管理及决策分析能力。 结语 上述九大智能制造场景，已经在领军和有前瞻力的制造业企业中打造标杆，但仍然是探索智能制造的初级阶段。今天，很多智能制造还大都处于“智能+制造”的状态，智能技术对于制造业的生产系统来说，起到的是锦上添花的作用。但是已经能够看到部分智能技术逐步尝试成为生产的核心系统，中国作为制造业强国和大国，势必会有更多的制造业企业探索出核心产线系统的智能化路径，数据智能技术会彻底融入核心系统，成为生产经营的必不可少的部分。内生智能的路径探索和大范围落地，还需要业界伙伴的共同努力。  本文摘自《云栖战略参考》2022第一期，订阅数字化转型双月刊《云栖战略参考》请扫码（或填写下方链接），工作人员会在审核后为您寄出https://survey.aliyun.com/apps/zhiliao/xsTiZ4YaM

第一章 行业概况服务器是一种高性能计算机，类似于PC，由CPU、内存、硬盘、电源等硬件构成。但由于服务器需要管理资源并为其它客户机（如PC机、智能手机、ATM终端、火车系统大型设备）提供计算或者应用服务，其在计算能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求相较PC更高。表 服务器相较于PC的区别资料来源：资产信息网 千际投行按照指令集架构，服务器可以分为：（1）CISC服务器，又称x86服务器，采用Intel、AMD或其它兼容x86指令集的处理器芯片以及Windows操作系统的服务器，是目前主流的服务器架构；（2）RISC服务器，RISC服务器基于RISC处理器，目前主要包括IBM的Power和PowerPC处理器、SUN和富士通合作研发的SPARC处理器、华为的鲲鹏920处理器；（3）EPIC服务器，EPIC服务器基于EPIC处理器，目前主要是Intel的安腾处理器。表 复杂指令集CISC和精简指令集RISC的对比资料来源：资产信息网 千际投行按照使用场景划分，服务器可分为：存储服务器、云服务器、AI服务器、边缘服务器等多种类型。按照产品形态划分，服务器可分为：多节点服务器、整机柜服务器、机架式服务器、塔式服务器、刀片式服务器等。图 服务器产品分类资料来源：资产信息网 千际投行全球服务器市场2020年，全球服务器出货金额为910.10亿美元，同比增长4.26%；出货量达1220万台，同比增长3.92%。服务器市场呈现多强竞争格局。2020年，全球服务器市场前5大厂商分别为：戴尔、惠普、浪潮、联想和华为。其中，戴尔全球市占率约16%，位居第一；浪潮出货金额为90.10亿美元，全球市占率9.9%，位居第三；华为全球市占率约5%，位居第五。在几家头部厂商中，除受云计算影响份额不断上升的ODM外，戴尔市占率始终持平，惠普/新华三、IBM市占率回落，只有浪潮震荡向上，成为全球前五厂商中增速最高的厂商。x86服务器是最主要的服务器种类。2020年，x86服务器市场规模为826.02亿美元，占服务器市场的90.76%；非x86服务器市场规模为84.08亿美元，占服务器市场的9.24%。类似于服务器市场，x86服务器市场呈现多强竞争格局。2020年，x86服务器前五大厂商依旧为：戴尔、惠普/新华三、浪潮、联想和华为。其中，戴尔出货金额为145.38亿美元，全球市占率17.6%，位居第一；浪潮出货金额为79.40亿美元，全球市占率9.6%，位居第三；华为出货金额为39.28亿美元，全球市占率4.8%，位居第五。中国服务器市场中国服务器市场增长迅速，在全球市场占比不断提升。2020年，中国服务器市场出货金额为216.50亿美元，同比增长19.0%，占同期全球市场的23.79%，占比提升了3个百分点；出货量达350万台，同比增长9.8%，占同期全球市场的28.69%，占比提升了1.5个百分点。国内厂商占据了中国服务器市场的主流。2020年，中国服务器市场前5大厂商分别为：浪潮、华为、新华三、戴尔和联想，销售额分别为77.07亿美元、36.37亿美元、32.91亿美元、14.94亿美元和14.51亿美元，市占率分别为35.6%、16.8%、15.2%、6.9%、6.7%。中国服务器市场以x86服务器为主。2020年，x86服务器出货金额为208.2亿美元，同比增长17.7%，占中国服务器市场的96.17%。表 2020年中国服务器市场构成资料来源：资产信息网 千际投行中国服务器企业分布在东部沿海发达地区，服务器企业最集中的省份是江苏省，中国30.3%服务器企业分布于此，其次是广东省和浙江省，占比分别为16.1%、15.5%，其余省份服务器企业相对分散。第二章 商业模式和技术发展2.1 产业链价值链图 服务器行业产业链全景图资料来源：资产信息网 千际投行 Wind图 服务器行业产业链资料来源：资产信息网 千际投行上游以CPU、GPU为主。CPU主要厂商有英特尔、AMD，GPU主要厂商有英伟达。前几年英特尔在CPU领域一家独大，占了90%份额。AMD自发布7纳米架构以及罗马、米兰系列后份额上升，这几年处于飞速增长阶段。目前来看，最新一代的单颗服务器的计算性能，英特尔为38核，而AMD做到了64核，因此AMD算力比英特尔好，但是生态、服务器内执行器没有英特尔强大、完善。服务器内存部分，以三星、威刚为主 ，国内也以这几家厂商为主。机械硬盘领域，主要厂商有希捷、东芝，目前是希捷一家独大，其他家份额比较少。芯片组，主要厂商有博通、Avago等，国内市场以前多采用国外产品为主，近几年逐渐国产化，但替换过程会比较漫长。电源部件等国产占大头。服务器中游包括系统集成、服务器制造商，国内市场多采用国有产品，海外品牌份额较小。白牌服务器厂商： 以超微、广达为代表的白牌服务器厂商为ODM厂商，ODM厂商根据品牌服务器 厂商的委托完成硬件生产，加贴委托方商标并交付给品牌持有者进行销售。近年 来，白牌服务厂商凭借其技术优势承担服务器设计工作，多数客户倾向于绕过品 牌商向ODM厂商直接订购服务器成品。白牌服务器生产模式的兴起对传统品牌服务器厂商造成冲击，导致其市场份额被挤压，出货量下降。 品牌服务器厂商： 以浪潮、华为、新华三为代表的中国本土品牌服务器服务商占据服务器市场66% 的市场份额，中国中端服务器市场自产率较高，市场高度成熟，部分品牌服务厂 商逐渐向高端服务器市场渗透，打破国际品牌服务器厂商在高端服务器市场的垄断局面，如中科曙光于2018年3月发布自主研发的全新一代双路机架服务器—— I620－G30服务器集群的性能和性价比较高。浪潮、华为、中科曙光等国产服务 器品牌不仅在销售量上占据较高市场份额，并且在高端服务器领域持续实现技术突破。中国服务器行业下游用户分布在互联网、电信、政府、金融、制造业等多个行业，IDC《2019年第三季度中国X86服务器市场跟踪报告》显示，2019年第三季度，中国X86服务器市场出货量为861,529台，同比下滑4.2%，市场规模为48.33亿美元（约合341.86亿元人民币），同比增长0.4%。目前，互联网企业用户占据服务器行业下游消费群体的 31.0%，政府、金融、电信等基础民生领域的应用占据下游消费群体的25%。以BAT为代表的互联网企业受自身商业模式以及云计算业务需求的增长的影响，对于服务器的需求也在不断地更新换代；政府机关中的公安机关在视频监控、警务云、警综平台等方面的建设对于服务器的出货量也有一定的拉动，随着政务线上信息化程度的深化，公安、市政等细分领域对大规模部署服务器的需求有望持续提升。服务器下游供应到互联网、云计算企业，其中最大的几家是阿里云、腾讯云，字节跳动、百度份额也比较大，还有第三方IDC服务公司、运营商，三大运营商去年份额在200多亿；剩下的就是政企客户，如各个政府的政务网，该部分每年也在增长，但没有互联网方面快。图 中国X86服务器在各行业的销售额资料来源：资产信息网 千际投行 IDC中国2020年，中国服务器市场的前五大行业依次为互联网、电信、政府、金融和服务，其中，前三大行业占据整个市场近70%的市场需求份额。增速来看，互联网、金融和服务行业的市场规模均保持两位数以上同比增长。2.2 商业模式传统模式惠普、联想、戴尔等传统品牌商根据市场趋势进行研判，并进行研发设计，然后委托ODM进行生产制造，最终再出售给终端客户并提供对应的售后服务。品牌商是整个产业链中的标准制定者。图 传统商业模式资料来源：资产信息网 千际投行 中泰证券当前模式，下游客户参与服务器标准制定新兴的客户包括互联网、通信、云计算服务商等，他们并不需要传统服务器厂商开发相应的软件，或者需要品牌服务器厂商在其中参与开发设计的服务器底层架构和软件部分减少了。就如同以上所述，云计算开放联盟通过制定服务器的标准，统一了他们对服务器需求的定制化方案。云计算厂商只需要将这一定制化方案交给代工厂来直接进行采购和生产即可。品牌商刚开始不愿意做，云计算厂商就绕过了品牌商。服务器已经实现了从OEM(代工生产）向ODM（设计制造〉再到JDM的转型突破。(国内浪潮就是典型联合设计制造)。JDM模式:由互联网/云计算企业，与服务器生产商一起研发服务器。商业模式的变化，在光模块等行业也出现了，都是因为技术变革带来行业格局变化。图 云计算背景下的商业模式资料来源：资产信息网 千际投行 中泰证券未来的模式品牌服务商可能靠AI服务器夺回一些失地，AI时代将推动云基础设异构化、高性能化，随之带来的是对服务器厂商技术能力、产品性能要求的提升，是品牌厂商再次进行份额掠夺的重要契机。2.3 技术发展服务器是一个伴随着互联网的发明而出现的硬件设备。世界上最早的互联网服务是电子邮件群组(万维网要到1991年才发明)，而世界上第一个电子邮件群组是1981年搭建在IBM大型机上的BITNET电子邮件群组，使用了虚拟化技术。这台IBM大型机就是世界上第一台服务器，到如今已经过去36年了。在这36年里，随着摩尔定律的进步，服务器行业发生了巨大的变化，技术上的进步尤其令人惊叹。1981年 – IBM虚拟机，第一台邮件列表服务器第一个电子邮件群组程序LISTSERV 运行在一台IBM虚拟机上(虚拟机基于IBM大型机)，通过BITNET网络，LISTSERV 可以组织电子邮件群组，它催生了垃圾邮件、网上论战、线上恶搞。1991年 – NEXTCube，第一台网页服务器万维网诞生NEXTCube电脑上，这是一台CPU频率256MHZ、硬盘2GB、配灰度显示器的电脑，运行NeXTSTEP操作系统。蒂姆·伯纳斯·李把第一个网页放到线上是1991年8月6日，那时他在瑞士日内瓦欧洲核子研究中心工作。他也在这台电脑上设计了第一个网页浏览器和编辑器— World Wide Web。1994年 – ProLiant，第一台机架式服务器康柏公司1994年发布了第一台机架式服务器， ProLiant系列。这台服务器配有450MHZ的奔腾2处理器，内存256MB，以及一个光盘播放器。1998 – Sun Ultra II，这是第一台Google服务器。它第一次运行了拉里佩奇和谢尔盖.布林的Backrub搜索引擎，Backrub后来发展成为Google。这台太阳服务器拥有两颗200MHZ的CPU和256MB的内存，服务器放在斯坦福大学。Google现在在世界各地的数据中心里拥有45万台服务器。2001年 – RLX Blade, 第一台现代刀片服务器2001年，地处休斯顿的RLX技术公司，一家大部分由前康柏公司雇员组成的公司，出货了世界上第一台现代刀片服务器。RLX技术公司2005年被惠普收购。2008年 – PS3 集群, GPU分布式计算。索尼的PS3游戏机拥有速度高达3.2GHZ的cell宽带引擎CPU，60GB的ATA硬盘和256MB的内存，550MHZ的GPU还有内置网络。2008年11月，MD5哈希值的运算程序被部署到一个200台PS3的集群上。PS3集群作为服务器来说，由于其GPU的长处，非常适合用来处理重负荷的计算任务以及超算领域。2009-2017年，云计算。近几年来服务器在逐渐“消失”。随着虚拟化概念的到来，服务器已经不再与特定的计算机硬件相关联。一个应用在机器上运行，已经不再必须要求某个人物理上去实际操作它。Web应用和云计算目前正在爆发。目前虚拟化技术已经非常普及，九河网就在服务器的虚拟化和云计算方面就做了很多工作，但凡在九河网购买服务器都可以根据客户要求部署虚拟化软件做好虚拟化设置，也能给客户搭建私有云数据中心。2009年以来公有云市场获得了极大的发展，亚马逊因在公有云市场处于领导地位而股价暴涨。微软也因为大力发展公有云服务而获得股价回升，市值重新超过5000亿。国内的阿里巴巴、腾讯、百度、华为、京东、网易等公司纷纷进入公有云市场。同时随着物联网和AI技术的发展，依托于云服务的应用将会越来越多。2.4 政策监管服务器产业作为“十三五"时期战略性新兴产业重点培育的五大产业中“新一代信息技术产业”的重要组成部分，属于国家鼓励发展的战略性、基础性和先导性支柱产业，服务器行业分析指出，为推动整个产业的发展，国务院及有关政府部门先后颁布了一系列支持政策，包括:2016年2月2日，国务院颁布了《国家创新驱动发展战略纲要》，明确提出到2020年进入创新型国家行列、2030年跻身创新型国家前列、到2050年建成世界科技创新强国的“三步走”目标。服务器行业政策及环境指出，而软件和信息技术服务产业作为国家创新驱动发展的核心产业，将会得到国家大力的支持与保护。2017年1月17日，工业和信息化部正式印发了《软件和信息技术服务业发展规划（2016-2020年）》，作为指导“十三五”时期软件和信息技术服务业发展的纲领性文件，推动软件和信息技术服务业由大变强、实现发展新跨越具有重要意义。2018年5月30日，工业部提出“产业规模进一步扩大，技术创新体系更加完备，产业有效供给能力大幅提升，融合支撑效益进一步突显，培育壮大一批国际影响力大、竞争力强的龙头企业"，明确打造具有国际竞争力的产业生态体系。将“十三五"产业年均增速定为13%以上，规模到2020年突破8万亿元。确立了信息技术服务、信息安全产品、软件出口、从业人员等细分领域目标。截至2019年7月，我国已经出台全国范围最新软件信息化行业政策最少15个，服务器行业政策及环境指出，多个省市地区就全国政策给出了相关的指导意见以及配套的措施，并陆续出台具体细化的地方性软件信息化行业政策扶持行业发展。在国家整体相关政策的带动下，各个省市出台了适合本地经济相关政策，为各省市的软件信息化产业发展指明方向。例如:《上海市国民经济和社会发展第十三个五年规划纲要》指出，到2020年，上海软件和信息服务业经营收入超过10000亿元；软件著作权登记数约30000个；上海年经营收入超亿元的软件和信息服务企业超过700家，软件和信息服务业从业人员达到80万人以上；建设50个市级信息服务产业基地，5个产业带动性强的示范基地和2个产业影响力显著的基地连锁品牌。图 中国服务器行业相关政策资料来源：资产信息网 千际投行受益于“互联网+”、大数据战略、数字经济等国家利好政策的驱动，中国ICT业务迎来高速增长，为服务器、集成电路等相关产业带来发展机遇。此外，物联网、AI等新兴技术的发展，各行业对计算机性能的要求大幅增加，为服务器产业发展创造空间。第三章 行业估值、定价机制和全球龙头企业3.1 行业综合财务分析和估值方法图 行业历史比较资料来源：资产信息网 千际投行 Wind图 行业估值比较资料来源：资产信息网 千际投行 Wind图 PE/PB/PS行业历史比较资料来源：资产信息网 千际投行 Wind图 营收和净利同比行业历史比较资料来源：资产信息网 千际投行 Wind图 单季度净利率和ROE行业历史比较资料来源：资产信息网 千际投行 Wind图 行业市场表现对比资料来源：资产信息网 千际投行 Wind服务器行业估值方法可以选择市盈率估值法、PEG估值法、市净率估值法、市现率、P/S市销率估值法、EV/Sales市售率估值法、RNAV重估净资产估值法、EV/EBITDA估值法、DDM估值法、DCF现金流折现估值法、NAV净资产价值估值法等。表 以浪潮信息为例的主营结构分析资料来源：资产信息网 千际投行表 境外服务器行业公司估值对比资料来源：资产信息网 千际投行表 中国上市服务器行业公司估值对比资料来源：资产信息网 千际投行3.2 行业发展早期，行业以传统服务器为主，阿里云、腾讯云服务器出现后，公有云和传统服务器开始平分市场；2016-2020年期间，英伟达等厂商的AI服务器发展较快，此时间段AI服务器、公有云和传统服务器占据大头；2021年开始边缘服务器比较火，边缘服务器的优点是将算力边缘化：如智慧城市系统在城市内有很多监控摄像头，需要把信息传送到一个城市的IDC里进行计算、分析等，这种传输大量消耗网络资源，因此目前很多场景下选择边缘计算更优。英特尔、AMD、浪潮在这部分投入比较多。目前市场格局转变为传统服务器、云服务器、AI服务器和边缘服务器四足鼎立。自2009年开始，全球X86服务器市场规模开始超过非X86服务器，自此X86服务器一路上扬，与非X86服务器之间的差距也越来越大。数据显示，2018年中国X86服务器市场出货量为330.4万台，同比增长26.1%;市场规模为1152亿元，同比增长54.9%，预计到2022年我国服务器出货量将达到472万台。图 中国X86服务器出货量走势资料来源：资产信息网 千际投行2021年上半年，中国边缘计算服务器整体市场规模达到13.3亿美元，预计到2021年底将达到33.1亿美元（约合211.8亿元人民币），较2020年增长23.9%。IDC预计，2020-2025年中国边缘计算服务器市场规模年复合增长率将达到22.2%，高于全球的20.2%。图 中国边缘计算服务器市场规模预测资料来源：资产信息网 千际投行 IDC中国2021年上半年，中国边缘定制服务器市场排名前三的厂商依次为浪潮、新华三和华为。市场份额分别为35.5%、11.2%及10.3%。边缘定制服务器市场预计在2020-2025年将保持76.7%的年复合增长率，到2025年，在该细分市场的占比将超过40%。图 2021年中国边缘计算服务器市场份额资料来源：资产信息网 千际投行 IDC中国3.3 发展驱动因子云计算业务拉动服务器出货量的增长受益于云计算业务的推动，服务器行业出货量快速增长，从出货结构看，云服务器是 服务器增量市场中的主力。相较于传统服务器架构，云服务器具有高密度、高弹性、节能、易扩展等特性，云服务器可实现从二维平面交换至三维池化互联的架构变革，在部署密度、能效、投资回报 等方面均明显优于传统服务器，云服务器逐渐取代传统服务器成为云计算市场中的主流。 IDC发布2021Q3全球服务器市场季度报告，数据显示，全球服务器市场同比上升8.8%至246.8亿美元，出货量同比增长9.6%，达337.6万台。从厂商排名看，戴尔、浪潮、HPE保持全球前三，其中浪潮服务器的全球优势进一步扩大，销售额、出货量增长达到15.0%、14.0%，超过平均增速，全球份额突破10%，继续保持全球第二、中国第一。图 2021Q3全球云服务器各品牌出货量及所占份额资料来源：资产信息网 千际投行 IDC 基于云服务器与云计算业务的强相关性，全球各地区的云服务器销量可反映各国家云计算发展及变革的程度，中国云计算市场保持较快发展，对云服务器的需求将持续提升， 推动中国及全球服务器行业的发展。 云服务器主要面向大规模互联网数据中心和云数据中心等应用场景，据Synergy Research数据显示，2019年第三季度，全球在运营大型数据中心数量共计504个，其中欧洲、 中东、非洲和亚太地区增长最快，美国占据互联网数据中心站点的40%。中国成为新增数据中心最多的国家，占据互联网数据中心站点的10%，全球数据中心数量的增长为中国服务器行业带来发展机遇。边缘计算业务成为行业发展新动力 5G建设提速，边缘计算业务的持续增长催生服务器市场新需求，在AR/VR、车联网以 及AI等行业的融合发展下，数据处理需求大规模增长为服务器行业发展增添动力。2019年6月，工信部正式向中国电信、中国移动、中国联通、中国广电发放5G商用牌照，中国正式进入5G商用元年，5G建设拉动网络建设采购需求 增长。IDC数据显示，2020年中国有超过50%的数据需要在网络边缘侧分析、处理与存储，边缘计算业务需求的增长是服务器行业发展的重要动力。5G时代，边缘计算成为实现5G三大技术应用场景的重要支撑，（1）移动宽带业务 （eMMBB）；（2）海量机器通信业务（mMTC）；（3）高可靠低时延通信业务 （uRLLC）。 图 5G三大技术应用场景资料来源：资产信息网 千际投行 中国信通院边缘计算可缩短感知终端与服务器之间通信距离，实现终端与服务器的高实时性交 互，提升移动互联网速度，实现超低时高可靠通信。全球目前有数百亿的终端设备 和数千亿的传感器，每年产生数据量超过40ZB，数据的传输会对网络产生巨大的 压力，边缘计算的应用可使数据在网络边缘进行分析和存储，可节省大量5G网络 带宽资源。此外，在数据隐私角度，边缘层可实现终端敏感数据预处理，将非敏感 的分析数据上传云端，可提升对隐私数据的保护性。 边缘计算业务的增多催生服务器行业新需求，此外在数字经济业 务发展需求层面，5G网络建设提速，各类终端、AR/VR、车联网 以及AI等领域的融合发展，拉动数据计算处理需求大规模增长。 服务器作为数据计算资源的核心，有望在5G商用的带动下满足 各领域日益增长的业务需求。政策助力中国服务器行业在上游芯片设计、封装等核心技术环节存在技术瓶颈，服务器行业易面临核心零部件垄断的风险。2019年5月国务院常务会议指出，集成电路和软件产业是支撑经济社会发展的战略性、基础性和先导性产业，政府将延续集成电路和软件企业所得税优惠政策，吸引国内外投资，促进信息产业发展。政府在集成电路和软件产业的利好政策为中国服务器行业上游发展提供资源供给保障。2021上半年中国公有云SaaS服务市场同比增长39.4%，后疫情时代加速了企业数字化转型的速度，提升云的部署方式在企业IT中的优先级。此外，政府相关政策的支持和影响、云原生快速发展、行业数字化、低碳等成为促进中国SaaS市场发展的主要驱动力。IDC预测，到2025年，中国公有云SaaS服务市场规模将达到27.6亿美金。3.4 行业风险分析和风险管理表 常见行业风险因子资料来源：资产信息网 千际投行其中本行业常见的风险如下：（1）核心部件垄断风险中国服务器行业上游核心硬件对国外产品依存度较高，如存储芯片、处理器芯片等核心部件，短期内国际芯片厂商占据主导优势。中国服务器行业应用的主流存储芯片是 DDR4，中国服务器市场存储芯片供应商包括三星、海力士、英特尔、高通、美光等国际芯片厂商。中国智能芯片国产自制率较低，中国服务器芯片市场呈现海外服务器厂 商寡头垄断格局，据IDC数据统计，部分国际芯片厂商毛利率高达60%，如英特尔（62.3%）、英伟达（59.9%）、三星电子（46.0%）、超微半导体（37.8%）。 中国互联网、云计算等行业的迅速发展推动下游各行业用户对服务器产品需求的提升，核心部件的高额采购成本严重压缩中国服务器厂商的利润空间。近年来，中国服务器芯片企业数量逐渐增多，如紫光国芯、国民技术、北京君正等，但多数企业无法实现量产，产量及质量无法满足服务器行业日益增长的需求规模。图 全球芯片设计产值区域分布资料来源：资产信息网 千际投行 IDC图 部分芯片企业毛利率资料来源：资产信息网 千际投行 IDC（2）白牌生产模式兴起，行业毛利率持续降低服务器厂商包括ODM厂商和品牌商两种类型，为下游各行业用户提供定制化服务器产品及通用型服务器。传统服务器生产模式为贴牌生产模式，ODM厂商根据品牌服务器 厂商的委托生产硬件，将贴有委托方商标的服务器交付给品牌持有者进行销售。伴随虚拟化技术和云计算技术的发展，部分软件公司和互联网公司可自行开发软件，传统服 务器厂商软硬件一体的产品销售模式逐渐被打破，具有定制化需求的客户如互联网企业、通信企业、云计算服务商可直接向ODM厂商订购服务器标准组件，降低服务器生产 成本，并帮助自身快速设计和部署服务器。2018年中国服务器行业毛利率为11.2%，较2017年下降1.2个百分点。中国服务器行业由传统生产模式逐渐向白牌生产模式转变，众多企业根据自身需求将服务器模块化、标 准化，进一步压缩服务器厂商的利润空间，服务器行业的毛利率降低。例如以Facebook为代表的OCP（开放计算项目）和以BAT为代表的ODCC（开放计算中心委员会）联盟， 通过制定服务器组件标准的方式向代工厂购置大批量生产服务器标准组件，以降低服务器生产成本。白牌服务器生产模式的兴起对传统品牌服务器厂商造成冲击，导致传统 品牌服务器市场份额被挤压，出货量下降。图 服务器生产模式转变资料来源：资产信息网 千际投行 国金证券3.5 竞争分析表 2022年全球服务器行业企业30强资料来源：资产信息网 千际投行竞争格局中国专业服务器厂商全面加速转型升级，在产业生态、渠道建设、行业突破、产品布局多方面协同前进，打破海外服务器厂商垄断中国服务器市场局面。以浪潮、新华三为代表的中国服务器厂商凭借其技术及资金优势布局中国服务器市场，部分中国专业服务器厂商专业及技术实力强劲，加大产品研 发力度的同时加深产品在各领域的应用，通过维护各方用户积累外部资源，例如浪潮基于雄厚的技术优势成为中国服务器市场龙头企业，在中国及全球服务器市场处于领 先优势，浪潮在互联网、电信、政府、金融、能源、医疗制造等行业均有布局。近年来，中国专业服务器厂商凭借其自主研发实力，逐渐提升国际地位，自2014年起，国 产服务器逐年保持20%的高速增长，以浪潮为代表的中国服务器厂商逐步取代国际服务器厂商的主导地位。图 中国服务器行业竞争格局资料来源：资产信息网 千际投行波特五力模型分析（1）潜在行业进入者服务器行业竞争高、投资风险高、运营成本高，硬件成本透明，利润却不高，开拓市场需要长期的时间和成本投入，市场主要竞争者已经瓜分了细分市场。目前没有潜在进入者具备一定的资金和技术进入市场，潜在行业进入者评估为较弱。服务器行业的规模经济大。服务器在整个产品生命周期中已经到达成熟期，中国服务器市场现有竞争者数量以7家大品牌服务器厂家为主,还有其他几十家小型厂家，产业规模巨大，竞争激烈。新进入行业者需要投入巨大的资金进行研发和广告投入进行营销，需要多年累积客户信任度，这都是非常困难的。排名前7的定制服务器厂商在中国市场发展十多年以上，大部分为上市公司品牌，为拓展市场，做了长期的广告投入和营销投入，经过客户多年的使用后，体验产品的质量稳定性和安全性，得到了客户的信任，这是品牌多年的积累。（2）主要竞争对手服务器行业的国内主要竞争对手有华为、浪潮、联想、戴尔等企业。在中国市场，国产品牌还可以得到政策的扶持和补助，价格更有优势，很多政府企业也偏好国产化品牌，而且这几个品牌各自有核心竞争力，所以主要竞争对手评估为很强。图 X86服务器的主要竞争对手比较资料来源：资产信息网 千际投行 中国知网（3）购买者的议价能力在服务器行业中，购买者一般是大客户和超大规模客户，其集中度高，业务量大，整体议价能力强。由于行业市场信息发达和透明，硬件配件价格透明度高，购买者能充分了解市场价格，所以其议价能力较强。（4）替代品的威胁云计算的出现成为了服务器的替代品，云计算服务后台连接超大型规模的服务器和存储器，具有超强计算能力和存储能力，购买云计算服务等同于实现了服务器的功能。云计算和服务器的本质区别是云计算是一种服务的租赁，服务器是物理机器，一般4-5年企业要更换新的服务器。云计算服务的优点是降低企业的运营成本，包括硬件成本和IT技术员工费用;敏捷度高，企业按需来弹性扩大或缩小算力和存储的规模，进行灵活管理存储空间;随时随地可以移动式灵活接入，只要有网络，员工就可以连接云计算服务来访问数据。因此替代品威胁较强。（5）供应商的议价能力服务器的主要配件以 CPU 处理器、内存、硬盘为主，其供应商的议价能力评估为中等，在原材料特殊缺料时期，其竞争力从中等升级为强。定制服务器的供应商同质化且集中度大，以2-5个大品牌的供应商占支配地位。CPU处理器的供应商是英特尔和 AMD 2大厂家,内存的供应商以金士顿、三星、海力士3家为主，硬盘供应商以希捷、西数、东芝3家为主。其中 CPU 供应商的议价能力相对偏强，由于行业和企业服务器都有使用习惯，2个品牌有自己的核心客户群，所以CPU 供应商议价能力较强。硬盘和内存供应商以采购规模大小来决定价格高低,市场占有额大的服务器厂家可议价到好的成本价格。对于中国排名前五的服务器厂家，由于规模效应都比较大，供应商的价格差异幅度不会太大，所以议价能力中等。3.6 中国企业重要参与者中国主要企业有联想集团 [0992.HK]、紫光股份 [000938.SZ]、浪潮信息[000977.SZ]、中国长城 [000066.SZ]、中科曙光 [603019.SH]、卫士通 [002268.SZ]、广电运通 [002152.SZ]、同方股份 [600100.SH]、新大陆 [000997.SZ]、汇金股份 [300368.SZ]、证通电子 [002197.SZ]、威创股份 [002308.SZ]、恒银科技 [603106.SH]、睿能科技 [603933.SH]、华铭智能 [300462.SZ]、GQY视讯 [300076.SZ]、华虹计通 [300330.SZ]等。表 中国A股及港股主要企业资料来源：资产信息网 千际投行联想集团 [0992.HK]联想集团有限公司是一家电脑制造企业，是1984年中国科学院计算技术研究所投资20万元人民币，由11名科技人员创办，总部位于中国香港。公司主要产品有台式电脑、笔记本电脑、打印机等商品。1994年，在香港证券交易所上市；2014年1月23日，收购IBM低端服务器业务；2014年1月30日，以29.1亿美元的价格收购摩托罗拉。2021年11月，联想集团发布2021/2022年财政年度中期业绩报告，上半年营收347.98亿美元，同比增长25%；上半年公司权益持有人应占溢利9.78亿美元，同比增长87%。紫光股份 [000938.SZ]紫光股份有限公司（原清华大学科技开发总公司）是一家高科技A股上市公司，于1999年由清华紫光（集团）总公司发起设立。目前，紫光股份的核心业务基本覆盖IT服务的重要领域:硬件方面提供智能网络设备、存储系统、全系列服务器等为主的面向未来计算架构的先进装备。软件方面提供从桌面端到移动端的各重点行业的应用软件解决方案。技术服务方面涵盖技术咨询、基础设施解决方案和支持服务。软硬件产品和服务都在紫光股份领先的顶层设计中得到有效整合,使信息化系统展现出最优化、完整一体的运行效果。浪潮信息 [000977.SZ]浪潮信息即浪潮电子信息产业股份有限公司是一家中国的电子工业公司，于1998年10月28日成立。其主要经营范围是计算机及软件、电子产品及其他通信设备、商业机具、电子工业用控制设备等。它的浪潮天梭M13关键应用主机项目曾获中国工业大奖表彰奖。浪潮集团作为云计算、大数据服务商，旗下拥有浪潮信息、浪潮软件、浪潮国际三家上市公司，业务涵盖云数据中心、云服务大数据、智慧城市、智慧企业等业务板块，形成了覆盖基础设施、平台软件、数据信息和应用软件四个层面的整体解决方案服务能力，全面支撑政府、企业数字化转型，已为全球一百二十多个国家和地区提供IT产品和服务。中国长城 [000066.SZ]中国长城科技集团股份有限公司是中国电子信息产业集团有限公司（简称：中国电子）旗下“国产计算硬件产品安全、先进、绿色产业专业子集团”， 2017年1月，由中国电子所属中国长城计算机深圳股份有限公司、长城信息产业股份有限公司、武汉中原电子集团有限公司、北京圣非凡电子系统技术开发有限公司四家骨干企业整合组成，是我国网信产业技术创新大型央企和龙头企业。注册资本29.28亿元，现有在职员工1.9万人，2020年实现营业收入144.46亿元，同比增长33.22%。作为我国自主安全电脑产业的引领者，中国长城曾研发出我国第一台具有自主知识产权的中文微型电脑、第一块电脑硬盘、第一款终端ASIC芯片、第一台显示器、第一台光纤转换器、第一台光笔图形显示终端等，是我国电脑、电源、高新电子、金融信息化、医疗信息化等领域系列国家和行业标准的起草单位之一。中科曙光 [603019.SH]曙光信息产业股份有限公司（以下简称“中科曙光”）是中国信息产业领军企业，为中国及全球用户提供创新、高效、可靠的IT产品、解决方案及服务。公司在中国科学院的大力推动下组建，于2014年在上海证券交易所上市。经历20余年发展，中科曙光在高端计算、存储、安全、数据中心等领域拥有深厚的技术积淀和领先的市场份额，并充分发挥高端计算优势，布局云计算、大数据、人工智能等领域的技术研发，打造计算产业生态，为科研探索创新、行业信息化建设、产业转型升级、数字经济发展提供了坚实可信的支撑。3.7 全球重要竞争者全球非中国主要企业有苹果(APPLE) [AAPL.O]、惠普(HP) [HPQ.N]、富士胶片控股 [4901.T]、慧与(HEWLETT PACKARD) [HPE.N]、日本电気 [6701.T]、精工爱普生 [6724.T]、RICOH [RICO.L]、理光集团 [7752.T]、NCR [NCR.N]、3D系统 [DDD.N]、柯尼卡美能达 [4902.T]、STRATASYS [SSYS.O]、S&T [SANT.DF]、迪堡金融设备 [DBD.N]、DIEBOLD NIXDORF [DBD.DF]、玮硕恒基 [872759.NQ]、雷神科技 [872190.NQ]、赛尔 [XAR.L]等。表 全球非中国主要企业资料来源：资产信息网 千际投行苹果(APPLE) [AAPL.O]苹果公司（Apple Inc. ）是美国的一家电子科技公司，由史蒂夫·乔布斯、斯蒂夫·沃兹尼亚克和罗·韦恩等人于1976年4月1日创立，总部位于加利福尼亚州的库比蒂诺，于1980年12月12日公开招股上市。其主要业务包括设计、开发和销售消费电子、计算机软件、在线服务和个人计算机等。该公司硬件产品主要是Mac电脑系列、iPod媒体播放器、iPhone智能手机和iPad平板电脑；在线服务包括iCloud、iTunes Store和App Store；消费软件包括OS X和iOS操作系统、iTunes多媒体浏览器、Safari网络浏览器，还有iLife和iWork创意和生产套件。苹果公司在高科技企业中以创新而闻名世界。惠普(HP) [HPQ.N]惠普（Hewlett-Packard，简称HP）是一家信息科技（IT）公司，由威廉·休利特、戴维·帕卡德于1939年在美国帕洛阿尔托市联合创立。惠普旗下设有信息产品集团、打印及成像系统集团和企业计算机专业服务集团。1961年，惠普收购Sanborn公司，从而进入医学领域。后又收购三星电子公司打印机业务和游戏外设公司HyperX。2021年11月24日，惠普发布了2021财年第四财季及全年财报。报告显示，惠普第四财季净营收为166.75亿美元，与去年同期的152.58亿美元相比增长9.3%；净利润为30.99亿美元，与去年同期的6.68亿美元相比增长364%；不按照美国通用会计准则的调整后净利润为11亿美元，与去年同期的8亿美元相比增长29%。富士胶片控股 [4901.T]富士胶片公司又称富士胶片株式会社，创建于1934年，总部位于日本东京。富士胶片公司的前身是大日本塑料“胶卷试验所”。富士胶片从20世纪60年代后期开始积极向海外发展，构筑了强大的全球生产、销售和服务网络。富士集团包括富士胶片株式会社、224家子公司和40家从事研发、制造、软件开发、市场和采购及相关经营活动的关联公司，分布于世界200多个国家和地区，海外销售额已接近合并报表净销售总额的50%。3D系统 [DDD.N]3D Systems公司为专业用户和普通消费者提供3D打印机、3D打印耗材以及3D打印定制服务，所涉猎的领域包括航空、建筑、艺术、汽车、消费、教育、能源、医疗、珠宝等等，并为3D打印的发烧友提供支持。3D Systems公司的3D打印产品线涵盖消费级、专业级和工业级，非常全面。在消费级，它的最知名的3D打印机为基于熔融堆积成型（FDM)技术的Cube系列产品。第四章 未来展望数据是未来的关键，由数据驱动的见解正在改变业务的运行方式，并对从云到核心再到边缘的所有节点都提出了新的挑战。随着我国经济的飞速发展，对于服务器的需求大增，服务器行业也随之水涨船高。2017年至2020年，国内服务器市场规模从112.1亿美元增长至216.49亿美元。云计算的发展将带动ODM服务器份额的提升云计算市场快速发展。根据中国信通院数据，2019年我国云计算整体市场规模达1334亿元，增速38.6%。预计2020-2023年仍将处于快速增长阶段，到2023年市场规模将达到3754亿元，年均增速29.52%。在硬件开源时代，技术标准统一度较高，ODM服务器极大契合云计算厂商需求，市场份额将持续提升。云计算厂商需要建设大规模的云数据中心来支撑云计算资源，服务器的价格、部署速度和交付效率是云计算厂商的重点考量因素。而在硬件开源时代，全球存在两大硬件开源联盟，分别是以Facebook为代表的OCP联盟和以BAT为代表的ODCC联盟，联盟通过制定服务器组件标准，让ODM代工厂大批量生产服务器标准组件，从而降低服务器生产成本，保证服务器的快速设计和部署。因此，预计ODM服务器厂商的市场份额将随着云计算发展持续提升。边缘和AI成为行业下一增长动力源边缘与AI为行业注入新活力。边缘计算方面，2020年上半年，中国边缘计算服务器的整体市场规模为11.13亿美元，预计全年将达到27.82亿美元，与2019年同比增长20.6%；2019-2024年，中国边缘计算服务器市场年复合增长率将达到18.8%，远高于核心数据中心的平均增速。人工智能方面，2020年上半年，中国AI服务器市场规模达12.9亿美元，同比增长53.7%。到2023年，IDC预计人工智能硬件规模将达83亿元美元，保守估计AI服务器2018-2023年复合增速约在40%左右。

2月25日，在2022阿里云峰会·广东-IoT产品与应用创新论坛上，阿里云IoT物联网平台产品总监常司晨分享了阿里云在物联网设备智能化及推动产业数字化的思考和举措，并就阿里云物联网平台最新推出的产品服务进行了全面解读。 常司晨表示，随着物联网产业的快速发展，越来越多的物联网设备被应用在人们的生产生活中，设备智能化程度不断创新，相应的安全风险也随之而来。拥有集设备连接管理、智能运维、数据AI以及安全防护能力的物联网平台是对加速物联智能化时代的全面到来的核心基础设施。 阿里云基于Cloud AIoT Native架构的企业级物联网平台提供全托管的实例服务，无需自建物联网的基础设施即可便捷地接入和管理设备，具有低成本、高可靠、高性能、易运维的优势。而本次大会上，物联网平台也在智能增值服务、安全防护、管理运维等方面发布了一系列的新产品新服务。比如：安全隧道服务可实现远程调试、故障诊断、配置更新等运维操作；设备位置服务具有精准定位追踪等功能；数字孪生服务提供了复杂IoT设备的数字化建模能力；音视频服务为众多IoT设备的提供了稳定的远程音视频通话能力；以及IoT安全中心提供的“云网边端”联动的安全防护体系，实现物联网资产的一站式安全管理。基于物联网平台的增值服务产品为设备智能化提供了极具科技含量的基础设施，助力推动IoT设备及数字化产业发展。 目前，阿里云物联网平台不断帮助客户打造了许多云端协同的最佳实践案例，助力IoT设备高效智能化，实现更多的数字化创新。

第一章 行业发展概况互联网+是指在创新2.0（信息时代、知识社会的创新形态）推动下由互联网发展的新业态，也是在知识社会创新2.0推动下由互联网形态演进、催生的经济社会发展新形态。“互联网+”简单的说就是“互联网+传统行业”，随着科学技术的发展，利用信息和互联网平台，使得互联网与传统行业进行融合，利用互联网具备的优势特点，创造新的发展机会。“互联网+”通过其自身的优势，对传统行业进行优化升级转型，使得传统行业能够适应当下的新发展，从而最终推动社会不断地向前发展。互联网+是互联网思维的进一步实践成果，推动经济形态不断地发生演变，从而带动社会经济实体的生命力，为改革、创新、发展提供广阔的网络平台。它代表一种新的社会形态，即充分发挥互联网在社会资源配置中的优化和集成作用，将互联网的创新成果深度融合于经济、社会各域之中，提升全社会的创新力和生产力，形成更广泛的以互联网为基础设施和实现工具的经济发展新形态。2015年7月4日，国务院印发《国务院关于积极推进“互联网+”行动的指导意见》。2020年5月22日，国务院总理李克强在发布的2020年国务院政府工作报告中提出，全面推进“互联网+”，打造数字经济新优势。截至2020年12月，我国网民规模为9.89亿，较2020年3月新增网民8540万，互联网普及率达70.4％，较2020年3月提升5.9个百分点。图 网民规模和互联网普及率资料来源：资产信息网 千际投行 中国互联网信息中心中国互联网信息中心指出，新冠肺炎疫情加速推动了从个体、企业到政府全方位的社会数字化转型浪潮。在个体方面，疫情的隔离使个体更加倾向于使用互联网连接，用户上网意愿、上网习惯加速形成。网民个体利用流媒体平台和社交平台获取信息，借助网络购物、网上外卖解决日常生活所需，通过在线政务应用和健康码办事出行，不断共享互联网带来的数字红利。在企业方面，疫情的出现为企业数字化转型按下了“加速键”，在线办公、在线交易等线上化运营方式为企业在特殊时期保持正常运转提供了支撑。在政府方面，政府的数字化应急能力和在线政务服务能力在疫情下不断“淬炼”，在线服务指数由全球第34位跃升至第9位，迈入全球领先行列30。深刻的数字化转型正在成为全社会应对未来不确定性的重要抓手。第二章 商业模式和收入模式2.1 产业链价值链“互联网+”代表着一种新的经济形态，它指的是依托互联网信息技术实现互联网与传统产业的联合，以优化生产要素、更新业务体系、重构商业模式等途径来完成经济转型和升级。“互联网+”计划的目的在于充分发挥互联网的优势，将互联网与传统产业深入融合，以产业升级提升经济生产力，最后实现社会财富的增加。互联网应用可以分为基础应用类、商务交易类、网络娱乐类、公共服务类。其支持技术被包含在计算机产业链中。图 计算机产业链资料来源：资产信息网 千际投行 iFinD“互联网+”概念的中心词是互联网，它是“互联网+”计划的出发点。“互联网+”计­划具体可分为两个层次的内容来表述。一方面，可以将“互联网+”概念中的文字“互联网”与符号“+”分开理解。符号“+”意为加号，即代表着添加与联合。这表明了“互联网+”计划的应用范围为互联网与其他传统产业，它是针对不同产业间发展的一项新计划，应用手段则是通过互联网与传统产业进行联合和深入融合的方式进行。另一方面，“互联网+”作为一个整体概念，其深层意义是通过传统产业的互联网化完成产业升级。互联网通过将开放、平等、互动等网络特性在传统产业的运用，通过大数据的分析与整合，试图理清供求关系，通过改造传统产业的生产方式、产业结构等内容，来增强经济发展动力，提升效益，从而促进国民经济健康有序发展。比如工业互联网、智慧医疗、智慧政务、智慧物流、智慧家居等行业的发展深受“互联网+”的影响。图 5G产业链资料来源：资产信息网 千际投行 iFinD图 大数据产业链中的行业应用资料来源：资产信息网 千际投行 iFinD2.2 商业模式2.2.1 互联网+的特征互联网+有六大特征，即跨界融合、创新驱动、重塑结构、尊重人性、开放生态、连接一切。(1) 跨界融合+就是跨界，就是变革，就是开放，就是重塑融合。敢于跨界了，创新的基础就更坚实；融合协同了，群体智能才会实现，从研发到产业化的路径才会更垂直。融合本身也指代身份的融合，客户消费转化为投资，伙伴参与创新，等等，不一而足。(2) 创新驱动中国粗放的资源驱动型增长方式早就难以为继，必须转变到创新驱动发展这条正确的道路上来。这正是互联网的特质，用所谓的互联网思维来求变、自我革命，也更能发挥创新的力量。(3) 重塑结构信息革命、全球化、互联网业已打破了原有的社会结构、经济结构、地缘结构、文化结构。权力、议事规则、话语权不断在发生变化。互联网+社会治理、虚拟社会治理会是很大的不同。(4) 尊重人性人性的光辉是推动科技进步、经济增长、社会进步、文化繁荣的最根本的力量，互联网的力量之强大最根本地也来源于对人性的最大限度的尊重、对人体验的敬畏、对人的创造性发挥的重视。例如UGC，例如卷入式营销，例如分享经济。(5) 开放生态关于互联网+，生态是非常重要的特征，而生态的本身就是开放的。我们推进互联网+，其中一个重要的方向就是要把过去制约创新的环节化解掉，把孤岛式创新连接起来，让研发由人性决定的市场驱动，让创业并努力者有机会实现价值。(6) 连接一切连接是有层次的，可连接性是有差异的，连接的价值是相差很大的，但是连接一切是互联网+的目标。2.2.2 互联网+的多视角(1) 消费模式“互联网+”背景下的消费模式完全不同于传统消费模式，对商品生产、市场流通、经营销售都产生了巨大的影响，合成了消费模式的新常态。一是“互联网+”间接上促进了消费个性化趋势的形成，消费者成为了商品和服务的生产出发点与归宿，与生产有了直接紧密的联系。二是互联网信息技术有助于实现空间分散、时间错位之间的供求匹配，从而可以更好地提高供求双方的福利水平，进而优化升级人们的基本需求。三是网络技术的发展使得各种类型信息排山倒海般地被消费者接收到，信息的传播同样不受时空地域的限制，同时借助于大数据技术，消费者的消费偏好、消费习惯等微观信息也被归纳统计，生产方更能借助于这些数据为消费者提供完善的服务，消费信息在生产与消费方的充分流动促使整个互联网消费稳步健康发展。四是互联网的时效性、综合性、互动性和使用便利性使得消费者能方便地对商品的价格、性能、使用感受进行分享，消费者“货比三家”的困难程度被大大降低。这种信息体验对消费模式转型发挥着越来越重要的影响。五是“互联网+”的消费时代最大限度地扩大了消费增量、盘活了消费存量，强化了消费者自由选择、自主消费的系列权益。(2) 工业行业“互联网+工业”即传统制造业企业采用移动互联网、云计算、大数据、物联网等信息通信技术，改造原有产品及研发生产方式，与“工业互联网”、“工业4.0”的内涵一致。(3) 金融行业互联网+金融从组织形式上看，这种结合至少有三种方式：第一种是互联网公司做金融，如果这种现象大范围发生，并且取代原有的金融企业，那就是互联网金融颠覆论；第二种是金融机构的互联网化；第三种是互联网公司和金融机构合作。业务范围有互联网供应链金融、众筹、互联网银行、不良资产的互联网处置服务平台。(4) 商贸行业2015中国化妆品零售大会在上海召开，600位化妆品连锁店主，百余位化妆品代理商，数十位国内外主流品牌代表与会。面对实体零售渠道变革，会议提出了“零售业+互联网”的概念，建议以产业链最终环节零售为切入点，结合国家战略发展思维，发扬“+”时代精神，回归渠道本质，以变革来推进整个产业提升。2020年，国家统计局公布了一季度主要经济数据，实物商品网上零售额18536亿元，增长5.9%，其中吃类和用类商品分别增长32.7%和10%。直播带货表现强劲，成新消费造风口。直播为商家带来的成交订单数同比增长超过160%，新开播商家同比增长近3倍。(5) 互联网+智慧城市所谓“互联网+”，实际上是创新2.0下的互联网发展新形态、新业态，是知识社会创新2.0推动下的互联网形态演进。而智慧城市则是新一代信息技术支撑、知识社会下一代创新（创新2.0）环境下的城市形态。“互联网+”也被认为是创新2.0时代智慧城市的基本特征，有利于形成创新涌现的智慧城市生态，从而进一步完善城市的管与运行功能，实现更好的公共服务，让人们生活更便宜、出行更便利、环境更宜居。(6) 交通出行“互联网+交通”已经在交通运输领域产生了“化学效应”，比方说，大家经常使用的打车软件、网上购买火车和飞机票、出行导航系统等等。从国外的Uber、Lyft到国内的滴滴打车、快的打车，移动互联网催生了一批打车拼车专车软件，虽然它们在全世界不同的地方仍存在不同的争议，但它们通过把移动互联网和传统的交通出行相结合，改善了人们出行的方式，增加了车辆的使用率，推动了互联网共享经济的发展，提高了效率、减少了排放，对环境保护也做出了贡献。(7) 旅游行业互联网+使得微信可以实现微信购票、景区导览、规划路线等功能。腾讯云可以帮助建设旅游服务云平台和运行监测调度平台。市民在景区门口，不用排队，只要在景区扫一扫微信二维码，即可实现微信支付。购票后，微信将根据市民的购票信息，进行智能线路推送。而且，微信电子二维码门票自助扫码过闸机，无需人工检票入园。(8) 医疗行业互联网将优化传统的诊疗模式，为患者提供一条龙的健康管理服务。在传统的医患模式中，患者普遍存在事前缺乏预防，事中体验差，事后无服务的现象。而通过互联网医疗，患者有望从移动医疗数据端监测自身健康数据，做好事前防范；在诊疗服务中，依靠移动医疗实现网上挂号、询诊、购买、支付，节约时间和经济成本，提升事中体验；并依靠互联网在事后与医生沟通。百度、阿里、腾讯先后出手互联网医疗产业，形成了巨大的产业布局网，他们利用各自优势，通过不同途径实现着改变传统医疗行业模式的梦想。(9) 农业行业农业是中国最传统的基础产业，亟需用数字技术提升农业生产效率，通过信息技术对地块的土壤、肥力、气候等进行大数据分析，然后据此提供种植、施肥相关的解决方案，大大提升农业生产效率。此外，农业信息的互联网化将有助于需求市场的对接，互联网时代的新农民不仅可以利用互联网获取先进的技术信息，也可以通过大数据掌握最新的农产品价格走势，从而决定农业生产重点。与此同时，农业电商将推动农业现代化进程，通过互联网交易平台减少农产品买卖中间环节，增加农民收益。面对万亿元以上的农资市场以及近七亿的农村用户人口，农业电商面临巨大的市场空间。2.2.3 收入成本分析以互联网+不同行业中三家上市公司的进行收入成本分析。表 工业富联（601138.SH）收入成本分析（亿元）资料来源：资产信息网 千际投行 东方财富网表 苏宁易购（002024.SZ）收入成本分析（亿元）资料来源：资产信息网 千际投行 东方财富网表 海尔智家（600690.SH）收入成本分析（亿元） 资料来源：资产信息网 千际投行 东方财富网2.3 技术发展互联网新兴技术包括量子科技、区块链、人工智能、基础资源技术。2.3.1 量子科技近年来，以量子计算、量子通信和量子测量为代表的量子科技研究与应用在全球范围内加速发展，各国纷纷加大投入力度，拓宽项目布局。一是我国加强量子科技领域政策布局和配套扶持力度。二是量子科技技术标准化研究快速发展，论文和专利数量增长迅速。一方面，我国在量子保密通信网络建设和试点应用方面具备较好的研究基础和时间积累，相关标准化研究工作也逐步开展。2017年，中国通信标准化协会成立量子通信与信息技术特设任务组，开展量子通信、网络及量子信息技术关键器件的标准研究，目前已完成6项研究报告125。2019年1月，量子计算与测量标准化技术委员会正式成立，开展量子计算和量子测量领域的标准化研究工作。另一方面，我国量子信息技术创新持续加快，论文和专利数量不断增长。从发表论文研究机构来看，我国量子通信论文量位列全球第一，超过4000篇，在全球发文量前25中有10家是中国高校或科研单位；从专利申请和授权数量看，中美两国均保持领先。三是量子科技研发与应用不断深入，产业化探索处于初步发展阶段。在量子计算领域，量子计算云平台成为热点。我国量子计算云平台虽起步较晚，但目前发展态势良好，与国际先进水平相比在量子处理器、量子计算软件方面的差距逐步缩小。2.3.2 区块链一是标准体系建设完善。2020年4月，全国区块链和分布式记账技术标准化技术委员会组建，以建设完备的区块链标准体系、更好服务区块链技术产业发展。截至2020年12月，我国已实施2个区块链行业标准以及10个区块链地方标准130。二是专利数量增长显著。根据中国国家识产权局专利局的统计检索，截至2020年12月，我国国内提交的区块链发明专利申请公开数量达14013个131，较2019年底增加5341个。截至2020年11月，PCT专利数中，华为申请数量位列全球第二，为150件132。三是底层技术有所创新。吞吐率和可伸缩性一直以来都是制约区块链开展大规模应用的瓶颈，基于有向无环图（Directed AcyclicGraph，DAG）和基于分区（Sharding）的两类解决方案的区块链系统有望打破这一难题。目前已有多种系统投入运行或进入实验阶段，如由王嘉平博士研究提出的Monoxide133等，尝试解决当前区块链技术在系统层面的主要问题，在保证去中心化和安全性的前提下大幅度提高性能。2.3.3 人工智能在人工智能方面，产业智能化升级的巨大空间带动我国人工智能应用迅猛发展。我国在制造、交通、金融、医疗、教育等传统行业的发展相对于发达国家而言，产业发展程度和基础设施水平都有较大的改造和提升空间，为新一代人工智能应用层产业加速落地提供了广阔的市场。2.3.4 基础资源技术一是国家互联网基础资源大数据（服务）平台持续完善。2020年，我国发布了国家互联网基础资源大数据（服务）平台二期。自2018年9月国家互联网基础资源大数据（服务）平台一期发布以来，经过一期和二期工程的持续研发与建设，国家互联网基础资源大数据（服务）平台已初步形成涵盖数据采集、清洗、汇聚、管理、分析、挖掘、安全保障等环节在内的互联网基础资源领域全链条大数据技术能力。二是互联网基础资源管理服务平台融合创新。2020年，我国发布了“网域链”－-基于区块链的互联网基础资源管理服务（实验）平台。该平台采取的新型域名解析架构在技术、效率、监管和兼容等方面都进行了创新。2.4 政策和监管互联网和相关服务行业的主管部门包括工信部、商务部和国家工商行政管理总局。互联网+其他产业也受到其他行业主管部门的监管。2.4.1 工信部负责互联网行业管理（含移动互联网）；协调电信网、互联网、专用通信网的建设，促进网络资源共建共享；指导电信和互联网相关行业自律和相关行业组织发展；电信网、互联网网络与信息安全技术平台的建设和使用管理；拟订电信网、互联网数据安全管理政策、规范、标准并组织实施等。2.4.2 商务部负责推进流通产业结构调整，指导流通企业改革、商贸服务业和社区商业发展，推动流通标准化和连锁经营、商业特许经营、物流配送、电子商务等现代流通方式的发展。其下属的电子商务和信息化司负责制定我国电子商务发展规划，拟订推动企业信息化、运用电子商务开拓国内外市场的相关政策措施并组织实施；支持中小企业电子商务应用，促进网络购物等面向消费者的电子商务的健康发展；拟订电子商务相关标准、规则；组织和参与电子商务规则和标准的对外谈判、磋商和交流；推动电子商务的国际合作等。2.4.3 国家工商行政管理总局负责监督管理市场交易行为和网络商品交易及有关服务的行为。2.4.4 行业自律组织有中国电子商务协会和中国互联网协会是互联网和相关产业的协会。(1) 中国电子商务协会主要负责辅助政府决策，推动电子商务的发展；进行与电子商务相关业务的调查和研究，协助政府部门制定相关法律法规和政策；开展电子商务国际交流与合作，进行电子商务立法研究，推进信用体系建设。(2) 中国互联网协会主要负责制订并实施互联网行业自律规范和公约，发挥行业自律作用，维护国家网络与信息安全、行业整体利益和用户权益；经政府主管部门批准、授权或委托，制订互联网行业标准与规范，开展行业信用评价、资质及职业资格审核、奖项评选和申报推荐等工作。2.4.5 行业相关政策有《电子商务模式规范》《网络交易服务规范》《“十三五”国家战略性新兴产业发展规划》《中华人民共和国网络安全法》《关于深化“互联网+先进制造业”发展工业互联网的指导意见》《“互联网+流通”行动计划》《关于促进互联网金融健康发展的指导意见》《国务院办公厅关于促进农村电子商务加快发展的指导意见》《关于加大对新消费领域金融支持的指导意见》《信息化和工业化融合发展规划（2016－2020）》《关于深化“互联网+先进制造业”发展工业互联网的指导意见》。第三章 行业估值和全球龙头企业3.1 行业综合财务分析和估值方法图 互联网+[HK]指数历史PE/PB资料来源：千际投行 资产信息网 iFinD互联网+[HK]指数估值方法可以选择市盈率估值法、PEG估值法、市净率估值法、市现率、P/S市销率估值法、EV / Sales市售率估值法、RNAV重估净资产估值法、EV/EBITDA估值法、DDM估值法、DCF现金流折现估值法、NAV净资产价值估值法等。表 互联网+[HK]部分上市公司的估值指标资料来源：千际投行 资产信息网 iFinD3.2 行业发展和价格驱动机制及风险管理2020年我国个人互联网应用增长较为平稳。其中，短视频、网络支付和网络购物的用户规模增长最为显著，增长率分别为12.9％、11.2％和10.2％。基础类应用中，即时通信、搜索引擎保持平稳增长态势，用户规模较2020年3月分别增长9.5％、2.6％。网络娱乐类应用中，网络直播保持快速增长，增长率为10.2％；网络视频、网络音乐的用户规模较2020年3月分别增长 9.0％、3.6％。表 2020.03-2020.12网民各类互联网应用用户规模和使用率资料来源：资产信息网 千际投行 中国互联网信息中心3.3 竞争分析和典型公司复盘3.3.1 竞争分析iFinD互联网+[HK]指数共有31家上市公司，按照总市值从高到低排序，可以得到如下表所示的排名。表 互联网+[HK]指数上市公司资料来源：资产信息网 千际投行 iFinD3.4 中国重要竞争者表 部分互联网+板块上市公司资料来源：资产信息网 千际投行 iFinD(1) 腾讯（OTCMKTS:TCEHY、港交所：00700）：腾讯控股有限公司（简称腾讯）Tencent Holdings Limited创立于1998年11月，总部位于中国深圳，全职雇员85,858人，是中国三大互联网集团公司（百度、阿里、腾讯，合称BAT）之一，是目前中国最大的互联网综合服务提供商之一，也是中国服务用户最多的互联网企业之 。腾讯控股有限公司是一家民营IT企业，由马化腾、许晨晔、曾李青、陈一丹、张志东五位创始人共同创立。总部位于中国广东深圳，于2004年6月16日在香港交易所上市。公司在开曼群岛注册，董事会主席兼首席执行官为马化腾，公司总裁为刘炽平。拥有门户网站腾讯网等。(2) 中国电信（0728.HK、601728.SH）：中国电信股份有限公司是一家全球大型的领先的全业务综合智能信息服务运营商，主要在中国提供固定及移动通信服务、互联网接入服务、信息服务，以及其他增值电信服务。于2020年底，本公司拥有约3.51亿移动用户、约1.59亿有线宽带用户及约1.08亿固定电话用户。本公司发行的H股及A股分别在香港联合交易所有限公司和上海证券交易所主板挂牌上市。(3) 金山软件（3888.HK）金山软件是一家于香港联交所上市的中国领先的软件及互联网服务公司，旗下拥有金山WPS、西山居、金山云三家子公司。公司在全球范围内拥有约7,000名员工，并在北京、珠海、成都、大连、广州、武汉及香港等多地分设研发中心，在北美、欧洲、日本及马来西亚等海外市场享有重要的市场份额。3.5 全球重要竞争者表 全球重要竞争者资料来源：资产信息网 千际投行(1) 元平台公司Meta Platforms（NASDAQ:MVRS）元平台公司Meta Platforms，Inc.成立于2004年，前称脸书公司（脸谱公司）Facebook，Inc.（原NASDAQ:FB），总部位于美国加州门洛帕克，全职雇员68,177人，创始人＆CEO扎克伯格，是全球最大的社交网络网站。(2) 爱立信（NASDAQ:ERIC）爱立信于1876年由 Lars Magnus Ericsson 创立，总部位于瑞典的Kista。公司为移动和固定网络运营商提供电信设备和相关服务。它通过以下几个部分运作：网络、数字服务、管理服务、新兴业务和其他。网络部门支持所有无线接入技术，并为无线接入和传输提供硬件、软件和相关服务。数字服务部门提供数字业务支持系统、运营支持系统、通信、云核心和云基础设施等领域的软件和服务。管理服务部门包括网络和信息技术管理服务、网络设计和优化、应用程序开发和维护。新兴业务和其他部门包括新兴业务，lconectiv，红蜜蜂媒体，和媒体解决方案。(3) 谷歌（NASDAQ:GOOGL）Alphabet Inc.（原谷歌公司，Google，Inc.）创立于1998年，总部位于美国加州山景城，全职雇员144，056人，是美国乃至全球科技行业龙头，是全球最大的搜索引擎公司、全球排名第二的机器人公司（已售）、Android系统开发商、全球无人驾驶技术及虚拟现实技术领导者、量子计算机开发公司等。Alphabet旗下还拥有重量级投资机构，包括成长资本投资基金CapitalG，以及Alphabet的风险投资公司GV。第四章 未来行业展望中国互联网信息中心指出，“十三五”期间，我国在以互联网为代表的信息通信技术各相关领域均取得前所未有的历史性成就，互联网基础设施建设全面覆盖，互联网普惠深入推进，数字经济欣欣向荣，高新技术加快探索，互联网治理逐步完善。我国人工智能、物联网、区块链等高新科技与互联网相关产业加速结合，推动产业提质增效。4.1 成果回顾一是消费领域应用逐步普及。随着5G、物联网等技术的深入发展，智能设备、智能家居等智能产品迅速普及。2019年，我国智能音箱市场出货量达到4589万台，同比增长109.7％186。二是生产领域应用全面落地。在5G、人工智能等技术的支持下，生产领域的智能化水平已显著提升，一批数字化车间和智能工厂初步建成。2019年，产业数字化增加值规模达28.8万亿元，同比名义增长16.8％，全国开展网络化协同、服务型制造和个性化定制的企业比例分别达到35.3％、25.3％和8.1％187。三是流通领域应用逐渐开展。随着区块链等技术的不断成熟，相关技术在流通领域的应用开始探索实践。2018年，全国首张区块链电子发票在深圳亮相；2020年，我国北京、苏州、深圳等多地已开展数字货币试点工作。4.2 发展方向未来互联网发展有以下几个方向：1. 基础设施建设全覆盖2. 互联网普惠深入推进3. 数字经济欣欣向荣4. 高新科技加快探索5. 网络治理逐步完善

近日，广东移动携手中兴通讯首家完成中国移动NB-IoT外场测试，在复杂的网络环境与严苛的测试要求下，完成了包括无线、核心网、终端及应用在内的全产业链组网测试。 中国移动组织各个厂家，按照一省一厂家在广州、杭州、上海、福州四地开展NB-IoT外场组网测试，全面研究验证NB-IoT新建、升级、单模、多模等组网方式，以及核心网，业务，终端，无线设备的组网性能，包含用户速率，时延，增强覆盖等具体指标。广州外场的端到端全产业链测试设备均由中兴通讯提供，其中采用了虚拟核心网、基于PaaS的业务平台，无线侧采用成熟商用的2T4R 4G基站设备，终端侧采用中兴微电子自研芯片终端。 四省中，广州外场测试主要有以下亮点：首先外场规模最大，先后建设近200站。其次，广州外场独家完成NB-IoT协议规定的特有条目测试，包括NB-IoT协议规定的各种上行信道业务组合形式（含15kHz Multi-tone），满足各种物联网业务传输需求；独家同时支持上行3.75kHz与15kHz子载波间隔，全面验证NB-IoT覆盖增强能力；独家完成全球首个3.75kHz实验局规模组网测试，全面验证协议标准。3.75kHz作为NB-IoT增强覆盖最重要的功能，比15kHz多2～5个dB的覆盖增益，提升了覆盖、频谱效率及容量，能够全面满足在恶劣无线环境下，对覆盖要求极高的物联网应用需求，如智能井盖与停车等业务。另外，本次测试独家支持IPv6，相比IPv4来说能为终端提供更多的IP地址，满足物联网的海量连接需求。 中兴通讯一直是NB-IoT的主要推进者，2016年5月，和中国移动完成了业界首家基于3GPPNB-IoT标准协议的技术验证演示之后，开启了NB-IoT商用之路；同年11月与浙江移动联手在乌镇互联网大会期间、基于现网无线设备开通NB-IoT，端到端展示了“五水共治-水质监测“和”智能停车“业务。目前中兴通讯物联网应用已经扩展到智慧停车、智慧路灯、智能抄表、水质监测、资产监控、智能门锁等方案，涉及智慧城市、智慧家庭等垂直领域。 此次规模外场组网测试的顺利完成，将加速中国移动打造一张低成本、低功耗、广覆盖、高可靠的公共物联网，助力“大连接”战略落地，开创数字化产业新格局。 本文转自d1net（转载）

2月25日，在2022阿里云峰会·广东-IoT产品与应用创新论坛上，阿里云IoT物联网平台产品总监常司晨分享了阿里云在物联网设备智能化及推动产业数字化的思考和举措，并就阿里云物联网平台最新推出的产品服务进行了全面解读。 常司晨表示，随着物联网产业的快速发展，越来越多的物联网设备被应用在人们的生产生活中，设备智能化程度不断创新，相应的安全风险也随之而来。拥有集设备连接管理、智能运维、数据AI以及安全防护能力的物联网平台是对加速物联智能化时代的全面到来的核心基础设施。阿里云基于Cloud AIoT Native架构的企业级物联网平台提供全托管的实例服务，无需自建物联网的基础设施即可便捷地接入和管理设备，具有低成本、高可靠、高性能、易运维的优势。而本次大会上，物联网平台也在智能增值服务、安全防护、管理运维等方面发布了一系列的新产品新服务。比如：安全隧道服务可实现远程调试、故障诊断、配置更新等运维操作；设备位置服务具有精准定位追踪等功能；数字孪生服务提供了复杂IoT设备的数字化建模能力；音视频服务为众多IoT设备的提供了稳定的远程音视频通话能力；以及IoT安全中心提供的“云网边端”联动的安全防护体系，实现物联网资产的一站式安全管理。基于物联网平台的增值服务产品为设备智能化提供了极具科技含量的基础设施，助力推动IoT设备及数字化产业发展。目前，阿里云物联网平台不断帮助客户打造了许多云端协同的最佳实践案例，助力IoT设备高效智能化，实现更多的数字化创新。

NB-IoT 编辑 基于蜂窝的窄带物联网（Narrow Band Internet of Things, NB-IoT）成为万物互联网络的一个重要分支。NB-IoT构建于蜂窝网络，只消耗大约180KHz的带宽，可直接部署于GSM网络、UMTS网络或LTE网络，以降低部署成本、实现平滑升级。[1]  NB-IoT是IoT领域一个新兴的技术，支持低功耗设备在广域网的蜂窝数据连接，也被叫作低功耗广域网(LPWAN)。NB-IoT支持待机时间长、对网络连接要求较高设备的高效连接。据说NB-IoT设备电池寿命可以提高至至少10年，同时还能提供非常全面的室内蜂窝数据连接覆盖。[2]  中文名 基于蜂窝网络的窄带物联网 外文名 Narrow Band Internet of Things, NB-IoT 目录 1 NB-IOT的概述 2 NB-IOT的前景与优势 3 NB-IOT的需求与发展 ▪ 转向窄带物联网 ▪ 即将步入爆发期 ▪ NB-IoT亟需开放的平台 ▪ 2016年是NB-IoT产业关键年 ▪ 助运营商开启百亿联接市场 ▪ NB-IoT规模化商用在即 4 ofo小黄车推动NB-IoT首次大规模商用 5 上海联通打造全球首个NB-IOT样板 6 华为联手沃达丰建立NB-IoT开放实验室 7 华为携手沃达丰完成首个NB-IoT商用测试 8 为物联网而生：NB-IOT开启广袤市场空间 9 电信业谋利物联网：NB-IoT终结“碎片化” ▪ 电信商押宝物联网 ▪ 巨头结盟或终结“碎片化” 10 全球NB-IOT论坛筹备会议召开 11 NB-IoT Forum成立，产业步入发展快车道 ▪ 中兴通讯成为NB-IoT Forum主要成员 12 中国电信建成下一代物联网 13 中国联通NB-IoT网络即将“试商用” NB-IOT的概述 编辑 对于物联网标准的发展，华为的推进最早。2014年5月，华为提出了窄带技术NB M2M；2015年5月融合NB OFDMA形成了NB-CIOT；7月份，NB-LTE跟NB-CIOT进一步融合形成NB-IOT；预计NB-IOT标准会在3GPP R13出现，并于2016年6月份冻结。[3]  此前，相对于爱立信、诺基亚和英特尔推动的NB-LTE，华为更注重构建NB-CIOT的生态系统，包括高通、沃达丰、德国电信、中国移动、中国联通、Bell等主流运营商、芯片商及设备系统产业链上下游均加入了该阵营。 基于蜂窝的窄带物联网（Narrow Band Internet of Things, NB-IoT）成为万物互联网络的一个重要分支。NB-IoT构建于蜂窝网络，只消耗大约180KHz的带宽，可直接部署于GSM网络、UMTS网络或LTE网络，以降低部署成本、实现平滑升级。 NB-IOT聚焦于低功耗广覆盖（LPWA）物联网（IoT）市场，是一种可在全球范围内广泛应用的新兴技术。具有覆盖广、连接多、速率低、成本低、功耗低、架构优等特点。 NB-IOT使用License频段，可采取带内、保护带或独立载波等三种部署方式，与现有网络共存。 　　 NB-IoT应用场景(4张) NB-IOT的前景与优势 编辑 移动通信正在从人和人的连接，向人与物以及物与物的连接迈进，万物互联是必然趋势。然而当前的4G网络在物与物连接上能力不足。事实上，相比蓝牙、ZigBee等短距离通信技术，移动蜂窝网络具备广覆盖、可移动以及大连接数等特性，能够带来更加丰富的应用场景，理应成为物联网的主要连接技术。作为LTE的演进型技术，4.5G除了具有高达1Gbps的峰值速率，还意味着基于蜂窝物联网的更多连接数，支持海量M2M连接以及更低时延，将助推高清视频、VoLTE以及物联网等应用快速普及。蜂窝物联网正在开启一个前所未有的广阔市场。 对于电信运营商而言，车联网、智慧医疗、智能家居等物联网应用将产生海量连接，远远超过人与人之间的通信需求。 NB-IoT具备四大特点：一是广覆盖，将提供改进的室内覆盖，在同样的频段下，NB-IoT比现有的网络增益20dB，相当于提升了100倍覆盖区域的能力；二是具备支撑海量连接的能力，NB-IoT一个扇区能够支持10万个连接，支持低延时敏感度、超低的设备成本、低设备功耗和优化的网络架构；三是更低功耗，NB-IoT终端模块的待机时间可长达10年；四是更低的模块成本，企业预期的单个接连模块不超过5美元。[1]  NB-IOT聚焦于低功耗广覆盖（LPWA）物联网（IOT）市场，是一种可在全球范围内广泛应用的新兴技术。其具有覆盖广、连接多、速率低、成本低、功耗低、架构优等特点。NB-IOT使用License频段，可采取带内、保护带或独立载波三种部署方式，与现有网络共存。[4]  因为NB-IoT自身具备的低功耗、广覆盖、低成本、大容量等优势，使其可以广泛应用于多种垂直行业，如远程抄表、资产跟踪、智能停车、智慧农业等。3GPP标准的首个版本预计在今年6月发布，到时候将有一批测试网络和小规模商用网络出现。 目前包括我国运营商在内诸多运营商在开展NB-IoT和研究。就NB-IoT的发展现状，余泉详细阐述了三个精彩观点：一是NB-IoT是蜂窝产业应对万物互联的一个重要机会。二是NB-IoT要成功必须要建立开放产业平台。三是2016年是NB-IoT产业非常关键的一年，标准、芯片、网络以及商用应用场景都会走向成熟。 NB-IoT让世界万联(4张) NB-IOT的需求与发展 编辑 随着智能城市、大数据时代的来临，无线通信将实现万物连接。很多企业预计未来全球物联网连接数将是千亿级的时代。目前已经出现了大量物与物的联接， 然而这些联接大多通过蓝牙、Wi-Fi等短距通信技术承载，但非运营商移动网络。为了满足不同物联网业务需求，根据物联网业务特征和移动通信网络特点，3GPP根据窄带业务应用场景开展了增强移动通信网络功能的技术研究以适应蓬勃发展的物联网业务需求。 我们正进入万物互联(IoT)的时代，这对于整个移动通信产业来说是一个巨大的机会。这一点在MWC2016上展露无疑。无论是运营商大咖，还是设备商巨头，纷纷展示了完整的物联网解决方案和在不同垂直行业的应用。[5]  当然，实现这一切的基础，是要有无处不在的网络联接。运营商的网络是全球覆盖最为广泛的网络，因此在接入能力上有独特的优势。然而，一个不容忽视的现实情况是，真正承载到移动网络上的物与物联接只占到联接总数的10%，大部分的物与物联接通过蓝牙、WiFi等技术来承载。 为此，产业链从几年前就开始研究利用窄带LTE技术来承载IoT联接。历经几次更名和技术演进，2015年9月，3GPP正式将这一技术命名为NB-IoT。MWC2016上，NB-IoT首次亮相，受到瞩目，运营商和设备商纷纷为其站台和背书。 华为无线网络产品线首席战略官余泉在接受《通信产业报》(网)采访时表示：“NB-IoT是蜂窝网络产业应对万物互联的一个重要机会。我们非常看好NB-IoT的商用前景，推荐将其作为物联网联接技术的首要选择。” 他向记者阐释了NB-IoT的商业和技术优势。从商业层面上来讲，截至目前，蜂窝网络覆盖了全球超过50%的地理面积，90%的人口，是一张覆盖最为完整的网络。　从技术层面上来讲，NB-IoT有4大技术优势。首先是覆盖广，相比传统GSM，一个基站可以提供10倍的面积覆盖;其次是海量连接，200KHz的带宽可以提供10万个联接;第三是低功耗，使用AA电池便可以工作十年，无需充电;第四是低成本，模组成本小于5美金。 此前，华为曾向记者算了一笔账，假设全球有500万左右物理站点，全部部署NB-IoT，每个站3个扇区、每个扇区部署200kHz、每小时每个传感器发送100个字节，那么全球站点能够联接的传感器数量高达4500亿。 据了解，NB-IoT可以广泛应用于多种垂直行业，如远程抄表、资产跟踪、智能停车、智慧农业等。随着3GPP标准的首个版本在6月份发布，将有一批测试网络和小规模商用网络出现。NB-IoT将在多个低功耗广域网技术中脱颖而出。 “NB-IoT在欧洲和乃至全球都呈现出巨大的发展机遇。到2020年IoT全部产业链价值有望达到3万亿欧元，包括全产业链上下游，如网络连接、数据处理、平台应用、商业合作等。”余泉表示，华为已经做好在2016年完成NB-IoT商用的准备。[6]  华为轮值CEO胡厚昆在2015全球移动宽带论坛上发表主题演讲时指出，移动运营商需要立即采取行动，抢占快速增长的物联网市场份额。目前，运营商虽然在可接入性方面拥有独特优势，但是许多其它技术，如ZigBee、蓝牙和内置WiFi也在迅速发展，运营商必须与垂直行业展开激烈竞争。胡厚昆强调，必须迅速制定统一的物联网标准，以推动跨行业发展。　　沃达丰集团研发主管Luke Ibbetson对此表示赞同。他指出，目前80%-90%的物联网设备由低功耗的室内系统连接，余下的设备则由蜂窝网络连接。很多人认为，新出现的LPWA（低功耗广域）技术成本低，覆盖又广，将为移动运营商发展物联网带来良机。不过，Ibbetson指出：“我们目前还没有为客户开发出合适的解决方案，因此仍然面临巨大压力。” 转向窄带物联网 对于LPWA网络所用到的窄带物联网（NB-IoT），运营商业已达成共识，应使用授权频谱，采用带内、防护频带独立部署。这一新兴技术可以提供广域网络覆盖，旨在为吞吐量、成本、能耗都很低的海量物联网设备提供支撑。　　2015年11月，数家全球主流运营商联合设备商、芯片厂商和相关国际组织，在香港举办NB-IoT论坛筹备会，旨在加速窄带物联网生态系统的发展，成员包括中国移动、中国联通、Etisalat、LG Uplus、意大利电信、Telefonica、沃达丰、GSMA、GTI、华为、爱立信、诺基亚、高通和英特尔。六家运营商成员还宣布，将在全球成立六个窄带物联网开放实验室，聚焦窄带物联网业务创新、行业发展、互操作性测试和产品兼容验证。　　目前，运营商已经在客户中展开预标准NB-IoT技术试点工作。例如，德国电信和沃达丰已经采取行动，利用现有基站进行预部署试点，预计试商用部署在2016年下半年进行，正式商用将从2017年初开始。　　沃达丰的Ibbetson表示，对3GPP标准的整合充满信心，但他也指出这一过程缓慢而艰难。“希望窄带物联网能在2016年3月份前成为独立标准，同时我们需要尽快决定使用哪个频段。”　　华为也希望相关标准能尽快得到确认，这样行业才能启动大规模的物联网部署。胡厚昆指出：“华为在技术方面已经准备就绪，希望能尽快抓住窄带物联网的机遇。”　　窄带物联网具有四大优势：电池寿命长（超过十年）、成本低（每个模块不足5美元）、容量大（单个小区能支持10万连接）、覆盖广（能覆盖到地下）。　　Ibbetson认为：“如果产业链不能将单模块成本降到两三美元以下，实现大规模应用，NB-IoT市场就做不起来。我们需要从全局角度出发，以极低的成本将物联网模块嵌入设备中。”　　胡厚昆也认为，要想刺激NB-IoT大规模发展，通信模块成本必须低于5美元。如果成本降到1美元以内，则会带来爆发式增长。 即将步入爆发期 随着网络连接、云服务、大数据分析和低成本传感器等所有核心技术的就绪，物联网已经从萌芽期步入迅速发展的阶段，大多数分析师对此都表示认可。　　埃森哲亚太区高科技和电子产业主管David Sovie指出，每个CIO都应尽快制定物联网发展策略，否则将会在竞争中落败。IBM研究院物联网全球战略计划主管Wei Sun表示，IBM各行各业的大客户都在探索物联网产品和服务。　　越来越多的行业已经在使用物联网技术提高效率，提升客户满意度并降低运营成本。例如，汽车零部件、家用电器及安全系统制造商博世已经将很多产品线连接起来，并从移动互联技术，尤其是车联网领域的崛起中直接获益。　　在医疗领域，飞利浦已经开发了多款电子医疗应用，包括一款供慢性病患者使用的贴片。该贴片使用传感器实时收集患者健康数据，并传输到云平台，医护人员可以对数据进行监控，并适时采取医疗干预措施。　　飞利浦数字加速器项目主管Alberto Prado指出，设备和系统的互操作性是数字医疗行业崛起的关键。随着协作护理模式日益盛行，未来的医疗必然将整合所有资源，并以主动预防为主。　　为了迎接物联网领域的巨大机遇，整个产业不仅需要推动技术创新，还需要推动商业模式创新和跨行业协作。由于用例、应用和商业模式纷繁多样，物联网市场将比移动市场更加碎片化。　　胡厚昆表示：“这将有赖于产业链上不同的利益相关者精诚合作。在物联网时代，运营商需要将关注的重点由管理技术扩展至管理整个生态系统。整个行业正处在紧要关头，运营商需要立即行动起来，抓住这一新的蓝海机遇。”[4]  NB-IoT亟需开放的平台 “NB-IoT产业生态系统正在快速成长，它更需要运营商与IoT相关产业参与者精诚合作，携手共进。”谈及NB-IoT落地的挑战，余泉介绍。 就在MWC2016举办前一天，GSMA联合企业各方举办全球首届NB-IoT峰会，并在会上成立NB-IoT forum。该联盟成员包括全球主流运营商、网络设备厂家以及主要芯片模组厂家等诸多产业链企业。 余泉强调，有超过20家垂直行业企业参加了此次峰会，这是非常可喜的开端。“当然垂直行业供应商可能不是几十家，而是几千家，业界还有很多的工作要做。”余泉以智能抄表行业为例表示，目前家庭拥有水表、电表、煤气表以及暖气表等很多表，这些背后的企业很多。 如此多的参与方，会出现大量协同方面的问题，业界需要一个开放的平台加速产业的前进步伐。而且，新标准制定需要开放平台去推动。 对此，诸多运营商联合包括华为在内的电信设备商一起搭建了Open Lab。据悉，借助Open Lab，垂直行业厂家就能很轻松地在实际现网上验证自身的物联网应用、网络以及商业模式。 2016年是NB-IoT产业关键年 “NB-IoT标准预计在今年6月完成。”余泉表示，这体现NB-IoT进入了发展的关键一年。 据悉，随着3GPP标准在6月份冻结，经过市场的洗礼后，NB-IoT会在LPWA市场的多个技术竞争中脱颖而出，成为领先运营商的最佳选择。同时2016年也将成为NB-IoT的商用元年。 今年将有很多芯片厂家和模组厂家支持NB-IoT发展。在网络方面，华为计划在今年下半年推出支持NB-IoT的系统。而许多其他网络设备供应商也计划在今年实现对NB-IoT的支持。 运营商在发展NB-IoT方面表现的十分迫切。“即使产业已经尽力最大努力，促进NB-IoT快速发展，但运营商还是认为发展进度不够快，给了供应商很大压力。”余泉透露。 垂直行业也提出了他们对技术的要求：终端电池寿命要达到10年以上，安全性必须完全满足，且今年要能够商用。 用户案例是NB-IoT或者说蜂窝物联网要成功非常关键的一点。现在借助Open Lab，业界已经讨论如何去使能更多的用户案例。目前智能停车、智能水表、智能追踪等用户案例已经完成实验室验证。“预计今年下半年就会有NB-IoT商用的网络，明年将会规模部署，这是我们整个产业的大概期望。”余泉表示。 对于NB-IoT发展的挑战，余泉表示万事开头难，但蜂窝产业发展几十年，拥有开放合作的传统，才能达到今天的成就。“我相信NB-IoT产业也会重复这样的开放合作，为运营商、垂直客户带来新的商业成功，同时对整个社会，对整个的经济起到非常好的促进作用。”余泉介绍。 助运营商开启百亿联接市场 据悉，当前只有10%的IoT应用是基于蜂窝网络的，蜂窝网络具备覆盖优势和成本优势，华为已经做好了在2016年内完成商用的准备。华为方面表示，华为在IoT市场最关键的一步就是“帮助运营商开启一个百亿联接市场”。 同时，在GSMA NB-IoT Forum的倡导之下，华为与运营商共同建立开发实验室，加强企业间合作。目前，华为已与中国移动、阿联酋电信、LG Uplus、上海联通、意大利电信和沃达丰在全球成立六个NB-IoT开放实验室，专注于NB-IoT的联合创新、产业发展、集成验证，探索全新的商用案例与商业模式，并将成果整个行业。 据了解，华为与移动运营商沃达丰将联手建立NB-IoT开放实验室，以推动NB-IoT技术的发展和推广。使用预标准NB-IoT技术的NB-IoT开放实验室将研究网络解决方案验证、新应用创新、设备集成、业务模式研究以及产品合格验证等。[5]  NB-IoT规模化商用在即 2016年6月16日,在韩国釜山召开的3GPPRAN全会第七十二次会议上，NB-IoT作为大会的一项重要议题,其对应的3GPP协议相关内容获得了RAN全会批准,标志着受无线产业广泛支持的NB-IoT标准核心协议的相关研究全部完成。标准化工作的成功完成也标志着NB-IoT即将进入规模商用阶段，物联网产业发展蓄势待发。 随着标准的冻结，将有更多的产业链企业加入NB-IoT阵营，这将促使NB-IoT迅速规模化商用。NB-IoT的商用也将构建全球最大的蜂窝物联网生态系统。如此一来，2016年下半年将涌现出更多的商业应用已是铁板钉钉。窄带物联网巨大的“蓝海”市场已经开启，并将在未来出现爆炸式增长。据GSMA预测，到2020年全球互联设备将会到达270亿，其中100亿为移动连接设备。[7]  ofo小黄车推动NB-IoT首次大规模商用 编辑 2017年7月13日，ofo小黄车与中国电信、华为共同宣布，三家联合研发的NB-IoT（Narrow Band Internet of Things，窄带物联网）“物联网智能锁”全面启动商用。[8]  据了解，在此次三方合作中，ofo负责智能锁设备开发，中国电信负责提供NB-IoT物联网的商用网络、华为负责芯片方面的服务。此前ofo已经开始使用这款物联网智能锁，而此次将启动全面的商用。[9]  三家联手打造的支持NB-IoT技术的智能锁系统具备三大特点：首先是覆盖更广，NB-IoT信号穿墙性远远超过现有的网络，即使用户深处地下停车场，也能利用NB-IoT技术顺利开关锁，同时可通过数据传输实现“随机密码”；其次是可以连接更多设备，NB-IoT技术比传统移动通信网络连接能力高出100倍以上，也就是说，同一基站可以连接更多的ofo物联网智能锁设备，避免掉线情况；三是更低功耗，NB-IoT设备的待机时间在现有电池无需充电的情况下可使用2-3年，并改变了此前用户边骑车边发电的状况。[10-11]  上海联通打造全球首个NB-IOT样板 编辑 2010年起，上海联通率先开展了以用户感知为导向的“全业务服务体系”建设，实现企业发展的“双轮驱动模式”，以“发展”为前轮，快速扩展市场；以“服务”为后轮，纠偏平衡确保企业发展。五年时间，上海联通取得了收入翻番、利润翻番、用户规模翻番、网络规模翻番、客户满意度逐年提升的优秀成绩。[12]  然而，转型压力仍然巨大。上海市的移动通信市场已经是一个完全饱和的市场，人口红利已近消失。更多是深挖存量市场、维护现有用户，在优质的移动宽带网络下为用户提供更加丰富多彩的优质内容，培养流量使用习惯。 在集团层面，网络创新转型一直以来也是极为重要的课题，曾明确提出“网络创新转型不能再是单独的就网络说网络，必须要能支撑市场业务或者支撑模式创新”。 今年2月，上海联通运维部与集客部在对于网络创新转型进行了一系列的探讨，将方向定在了万物互联上。万物互联大幅增长对网络的压力是什么？上海联通相关负责人告诉C114，当时主要考虑的是连接数。物的连接增长没有历史数据、范围又广，无法预估，如遇突发情况，信令连接会“爆掉”。 出于这一考虑，上海联通与众多合作伙伴进行了深入的交流，当时NB-IOT的前身LTE-M（C114注：今年9月由国际电联正式命名为NB-IOT）进入其视线。LTE-M可以有效解决物联网方面的问题，且后续有着良好发展前景，上海联通最终以此为基础，携手合作伙伴在位于金桥的宁桥路机房进行部署。 然而，4.5G有什么业务可作切入？在对众多行业进行考量后，双方于4月确定先从两个业务入手，分别是智能停车和智能水表。这两个业务从芯片成熟度一直到下游合作厂商整个产业链相对比较成熟，具有良好的持续性。业务确定后就进入了马不停蹄的快速建设中，5月、6月，赶在7月亚洲移动大会·上海站之前正式上线，并在大会上隆重展示。 上海联通在宁桥路的两个停车场，共计20多个停车位，全部安装了带有4.5G NB-IOT芯片和一个地磁感应芯片的监测器，数据先传输到5楼的基站、再传到1楼的创新孵化基地，通过机房的集中管理平台实现更加智能的停车功能。与传统的停车方案相比，智能停车业务改变了需通过中继网关收集信息再反馈给基站所存在的复杂网络部署、多网络组网、高成本、大容量电池等诸多问题，可以实现整个城市一张网，便于维护和管理，与物业分离更易寻址安装等优势。 当前抄表方案存在着深度覆盖差、功耗大、成本高的挑战。而智能水表业务通过在水箱里面集成一块带有特殊芯片的电路板，不但可以实现更为精准的抄表数据传输，更可以智能监测控制水箱开关，凸显了NB-IOT技术在覆盖增强方面的优势。 拥抱万物互联 构建共赢生态 中国联通将智慧城市的试验基地扎根在上海，上海成为其探索智慧交通生活的前沿阵地。而上海联通早在2011年就开始发展物联网业务，其中最为突出的便是车联网应用。 上海联通打造了多项智慧“沃”交通的整体解决方案，从数据通信传输能力的提供者到车联网（Telematics）及相关服务的提供者，从传统业务平台的提供者到资讯平台，乃至商务平台的系统整合者，各个领域均有不少成功案例。无论是宝马的“互联驾驶”、巴士公司的“智能出租”，还是116114的“一键导航”，上海联通皆交出了一份出色答卷。 作为宝马“互联驾驶”的一级供应商，中国联通一方面为宝马公司提供基础的3G移动通信服务（MNO）；另一方面，整合自身信息服务能力和宝马的其他供应商的专业能力，共同提供Telematisc服务平台系统集成（TSSP）、呼叫中心（CallCenter）和信息内容服务（Content）等整合的汽车信息化服务。这是中国运营商第一次以整体服务提供商的角色参与车厂前装车载信息服务（Telematics）项目。 据前述负责人介绍，到今年为止，上海联通物联网用户已经突破了100万（卡），其中4成是3G，主要是车载物联网；6成是2G，包括POS机、小区储物柜等。未来3-5年间，其物联网连接数量预计将有百倍规模增长。上海联通希望“网络创新可以更好地适应万物互联时代到来”，前台部门、网络建设维护部门都将参与到这个领域中来。 全球首个NB-IOT样板如何打造(3张)  [12]  华为联手沃达丰建立NB-IoT开放实验室 编辑 2016年2月22日,华为与移动运营商沃达丰将联手建立NB-IoT开放实验室，以推动NB-IoT技术的发展和推广。[13]  使用预标准NB-IoT技术的NB-IoT开放实验室将研究网络解决方案验证、新应用创新、设备集成、业务模式研究以及产品合格验证等。　　沃达丰集团研发总监兼NB-IoT论坛主席LukeIbbetson表示：“随着该技术在即将到来的2017年初实现商业部署，与开发商和解决方案提供商共同构建一个生态系统将变得至关重要。”　　NB-IoT技术将通过更加有效地连接需要较长电池寿命的对象从而扩大物联网（IoT）的应用。预计在2016年底或2017年初出现第一批由NB-IoT技术连接的设备。　　沃达丰与华为将该技术融入现有位于西班牙的移动网络，然后将首个预标准NB-IoT信息发送至安装在水表中的u-blox模组。　　该试验将被并入NB-IoT开放实验室联合会。[13]  华为携手沃达丰完成首个NB-IoT商用测试 编辑 沃达丰和华为都宣称，此次商用测试，将NB-IoT与现有网络基础设施融合，是世界上首个利用此技术的测试。华为还表示这次测试仅仅是NB-IoT设备一系列可能性的开始；在未来还会出现各种企业应用，例如公用事业水表、传感监测以及资产跟踪等。 华为无线网络业务部总裁汪涛(David Wang)表示：“NB-IoT技术已经得到了业界的认可。通过与沃达丰的联合创新，进一步加强了我们为客户提供创新解决方案、帮助客户满足业务需求以及引领技术和产业生态系统发展的愿景。我们将与沃达丰一起，构建一个网络连接更发达的世界。” 沃达丰集团架构和创新事业部总监Matt Beal称，此次演示证明了运营商在IoT领域的作用---M2M已经是一个成功且不断成长的市场。他说道：“沃达丰已经引领了NB-IoT的发展，授权频谱LPWA技术已经得到了业界广泛的支持。此次与华为合作完成的首次商用测试也进一步说明了这一点。一旦正式商用后，NB-IoT将为企业客户带来切实的利益，更多设备将会通过网络连接至IoT。”[2]  华为携手沃达丰完成首个NB-IoT商用测试(3张) 为物联网而生：NB-IOT开启广袤市场空间 编辑 人与人之间的通讯规模已近天花板，物与物的则刚刚进入增长快车道。随着可穿戴、车联网、智能抄表等新兴市场的开启，工业4.0、智慧城市、智慧农业等理念照进现实，万物互联的时代正加速到来。[14]  物联网（IoT）的未来充满想象空间。华为认为，到2025年全球将有1000亿个连接，其中大部分与物联网有关。 物联网对连接的要求与传统蜂窝网络有着很大不同，窄带蜂窝物联网（NB-IOT）由此应运而生。这一由电信行业推动的新兴技术拥有覆盖广、连接多、速率低、成本低、功耗少、架构优等特点，极具商用潜力。 Machina预测，NB-IOT未来将覆盖25%的物联网连接。对面临用户饱和、OTT冲击的运营商来说，NB-IOT将叩开广袤的新市场，带来三倍以上的连接增长；而对正积极转型升级的传统行业从业者而言，它在适应场景、网络性能、可管可控及可靠性等方面亦具备运营商网络的先天优势。 何为NB-IOT？ 人口红利消逝和流量营收“剪刀差”下，物联网成为运营商新的收入增长源泉。以沃达丰为例，其2015财年移动用户数增幅仅3%，物联网连接数增幅则达到33.5%，相关业务收入增长亦达24.7%。但传统2G、3G、4G技术并不能充分满足物联网设备低功耗、低成本的连接需求。 NB-IOT的诞生并非偶然，寄托着电信行业对物联网市场的憧憬。其前身可以追溯至华为与沃达丰于2014年5月共同提出的NB-M2M。 由这两家公司首倡的窄带蜂窝物联网概念一经提出即得到了业界的广泛认可，随后高通、爱立信等越来越多的行业巨头加入到这一方向的标准化研究中。为了促进标准的统一有利于产业发展，最终3GPP在2015年9月RAN全会达成一致，确立NB-IoT为窄带蜂窝物联网的唯一标准，并立项为Work Item开始协议撰写，预计将于2016年6月的3GPP R13冻结。 NB-IoT在物联网应用中的优势显著，为传统蜂窝网技术及蓝牙、Wi-Fi等短距离传输技术所无法比拟。首先其覆盖更广，在同样的频段下，NB-IOT比现有网络增益20dB，覆盖面积扩大100倍。 其次是对海量连接的支撑能力，NB-IOT一个扇区能够支持10万个连接。目前全球有约500万个物理站点，假设全部部署NB-IOT、每个站点三个扇区，那么可以接入的物联网终端数将高达4500亿个。 同时NB-IOT的功耗更低，仅为2G的1/10，终端模块的待机时间可长达10年。在成本上也将更低，模块成本有望降至5美元之内。未来随着市场发展带来的规模效应和技术演进，功耗和成本还有望进一步降低。 此外，在支持大数据方面，NB-IoT连接所收集的数据可以直接上传云端，而蓝牙、Wi-Fi等技术则没有这样的便利。 NB-IOT实践与成果 尽管标准制定尚未完成，NB-IOT应用已经逐渐铺开，并在实践中得到了各方肯定。2015年世界移动通信大会（MWC 2015）期间，沃达丰与华为就联合展示了智能抄表业务。 广东联通积极响应国家“互联网+”战略，与华为针对NB-IOT展开合作，成立物联网联合创新项目组。结合联通在平台、网络和运营的强项与华为在标准、芯片和模组成本的优势，共同探索并实施可落地的物联网业务，通过真实的业务需求和场景将NB-IOT技术与之相融合，推进物联网产业发展。双方选择了社会价值较大、产业链相对成熟的智能停车等为切入点。 随着国内生活水平的提高，汽车已经进入寻常百姓家，但也带来“停车难”等问题——据调查，平均每位司机有20%的时间用在寻找停车位上，而广东作为国内发达省份之一，这一现象更为突出。 在深圳，智能停车业务已经开始推行，用户只要安装看APP即可通过收据查找附件停车位，并可支持导航等功能。与传统的停车方案相比，这一基于NB-IOT的试点改变了需要通过中继网关收集信息再反馈给基站所存在的复杂网络部署、多网络组网、高成本等诸多问题，真正实现整个城市一张网，便于维护和管理。 与智能停车类似，NB-IoT在智慧农业、智能制造等低功耗广域网领域也具有着广泛的应用前景。由于应用场景特殊带来的高技术要求，这些应用一直缺乏专有的无线技术，NB-IOT可以很好地填补这一市场空白，从而支撑物联网向更广大的领域发展。 共建生态拥抱万物互联 一项技术由纸面到商用离不开一个强大生态系统的支撑。长期以来，物联网连接技术各自为战，从芯片到系统各方采用的规范不一，造成大规模部署的瓶颈。 如今，围绕NB-IOT的生态已初步成型，并在持续扩大中，拥抱万物互联的条件开始成熟。在网络设备供应商层面，华为、爱立信等领导者均已推出了基于NB-IOT的端到端解决方案。 运营商层面，中国移动、中国联通以及沃达丰、德国电信、阿联酋电信、意大利电信、AT&T等全球顶尖运营商皆就NB-IOT发布了各自的发展计划，并展开试点。 垂直行业中，越来越多厂商开始采用NB-IOT技术来提升竞争力。比如具备智能追踪、超距告警、电子锁控制、电池监控等功能的智能拉杆箱，还有厂商推出了具备位置定位防盗功能及信息上传、跟踪功能的智能自行车。此外，在市政的路灯和垃圾管理、环境监测和畜牧养殖灌溉等领域，NB-IOT的部署亦日益增多。[14]  电信业谋利物联网：NB-IoT终结“碎片化” 编辑 低迷多时的电信运营商似乎找到了新增长点。2015年11月4日，在香港举办的MBB会议（全球移动宽带论坛）上，沃达丰电信集团呼吁全球运营商尽快商用NB-IoT（NarrowBand-IoT）技术。NB-IoT是目前主流电信运营商、设备商针对物联网市场在全球标准组织3GPP提出的最新技术。[15]  电信行业憧憬物联网市场已达10年之久，但由于传统2G、3G、4G网络并不满足物联网设备低功耗、低成本的要求，一直以来，大部分物联网设备在联接时主要使用Wi-Fi、蓝牙等免费技术，运营商很难从中获利。目前，全球联网的物联网终端约40亿个，但接入运营商移动网络的终端只有2.3亿个左右，运营商在物联网市场占比不足6%。 不过，针对物联网提出的NB-IoT有可能给运营商带来3倍增量。据华为轮值CEO胡厚昆介绍，NB-IoT能够让接入运营商网络的物联网终端在2020年达到10亿个。或许正是这个原因，NB-IoT被沃达丰主管LukeIbbeston称之为“拥有巨大潜力的商业蓝海”。 电信商押宝物联网 在全球71亿的移动用户数前，2.3亿个物联网联接确实占不了多少比重，但移动用户已经饱和，而物联网才刚刚起步，所以这是电信行业为数不多的几个值得期待的业务。 当前，多数电信运营商遭遇增长停滞难题。数据显示，2015年的财富500强中，入榜的18家电信运营商，7家出现收入下滑，全球第九大运营商西班牙电信的收入降幅高达11%。 移动通信市场饱和是运营商最主要的困境。在沃达丰的最新财报中，2015财年（2014年3月至2015年3月），沃达丰占比71%的移动业务收入出现下降，且用户数增速只有3%。相比之下，沃达丰来自物联网业务的收入则同比增长了24.7%，物联网联接数也从2014财年的1610万增长至2150万，增幅33.5%。 根据沃达丰财报数据计算，每个移动用户可以给沃达丰贡献105美元的年收入，而每个物联网联接贡献的年收入为27.8美元。但为移动用户提供网络服务，需要巨额的网络建设成本和维护成本，而物联网业务几乎都在现有网络的基础上提供，成本极低，27.8美元绝大多数都是利润。 目前，沃达丰的物联网业务分布于27个国家，但大多仍部署在传统移动网络上，功耗、联接数限制、成本等因素制约了其业务的增长速度。2014年5月，沃达丰与华为提出NBM2M技术，试图通过改进现有网络提供低成本、低功耗的物联网联接，NBM2M也是NB-IoT的前身。今年9月，国际标准组织3GPP在美国凤凰城通过了名为NB-IoT的WorkItem（WI）立项决议，根据计划，NB-IoT标准将于2016年3月的3GPPR13完成标准冻结，届时NB-IoT的规模商用也即将启动。 根据全球物联网研究机构MachinaResearch的统计数据，2015年，全球运营商物联网联接数2.3亿，给运营商贡献市场约70亿美元，这一数字在2020年将达到240亿美元。一位华为工作人员介绍，到2020年，接入运营商网络的物联网设备占比有可能达到20%，而且占比还会继续提升，基于Wi-Fi、蓝牙的联接占比将会降低。 巨头结盟或终结“碎片化” “相比于Wi-Fi、蓝牙等技术，NB-IoT最明显的优势是数据采集和能耗。”MBB的展区里，深圳大行科技产品科长罗艳鸿对21世纪经济报道记者说。 “Wi-Fi、蓝牙等技术收集的数据都是传到用户手机上，难以形成大数据，且数据准确率很低、耗电量极大，两天就得充一次电；NB-IoT联接后数据采集直接上传到云端，很精确，并且可以实现5年不充电。”罗艳鸿称，大行科技计划在50万台自行车中使用NB-IoT技术。 基于此类特性，当前大量的可穿戴设备、智能门、窗、温度计均是NB-IoT的市场。庞大的市场吸引的不只是电信玩家，诸如高通、Intel等一批芯片、传感器巨头也加入到了NB-IoT阵营，而他们的市场远远超过电信运营商。 据华为介绍，高通、Quectel、瑞士企业ublox等一批芯片企业都是华为在NB-IoT技术上的合作伙伴。除此之外，华为旗下多个产品线也启动了物联网的联合研发。去年，华为2500万美元收购了英国的芯片公司Neul。目前该公司已经推出了NB-IoT芯片。此前，华为还针对物联网推出了LiteOS操作系统。 今年7月，致力于物联网芯片的巨头Intel也加入到NB-IoT阵营。当月，Intel、爱立信、诺基亚曾宣布携手致力于面向IoT的下一代无线连接。在3GPP正式命名NB-IoT之前，NB-LTE也是技术前身之一。Intel当时宣布提供NB-LTE芯片组的路线图，并于2016年提供产品。值得一提的是，爱立信是最早布局物联网的电信企业，早在2010年时，爱立信就提出“500亿联接”概念，该概念此后被大量企业、研究机构引用。 在NB-IoT之前，物联网行业的终端、网络、芯片、操作系统、平台等各方路径不一，使得物联网“碎片化”现象严重。NB-IoT的巨头联盟或许会成为终结碎片化、统一物联网的一个契机。[15]  全球NB-IOT论坛筹备会议召开 编辑 近日，中国移动，中国联通，爱立信，阿联酋电信，GSMA，GTI，华为，英特尔，LG Uplus，诺基亚，高通，意大利电信，西班牙电信和沃达丰（排名顺序按照英文字母）等全球主流运营商，设备，芯片厂商及相关国际组织齐聚香港，共商产业大计，筹划成立NB-IOT产业论坛。此次峰会的圆满召开为下一步论坛的成立奠定了良好基础。 NB-IOT论坛旨在团结产业及生态链伙伴，促进NB-IOT市场快速上市、健康发展，将极大的促进NB-IOT产业蓬勃成长。[16]  NB-IOT聚焦于低功耗广覆盖（LPWA）物联网（IoT）市场，是一种可在全球范围内广泛应用的新兴技术。具有覆盖广、连接多、速率低、成本低、功耗少、架构优等特点。 NB-IOT使用License频段，可采取带内、保护带或独立载波等三种部署方式，与现有网络共存。 NB-IOT论坛的宗旨包括： 1.加速业务应用示范和POC测试及现网验证，帮助NB-IOT解决方案更好的匹配LPWA（低功耗广域）市场需求。 2.引领行业伙伴共同构筑成熟的端到端产业链，以促进NB-IOT产业未来的快速发展及商用部署； 3.促进NB-IOT在垂直市场的应用，孵化新的商业机会点； 4.与NB-IOT所有产业伙伴合作，共同确保不同厂家的解决方案和业务的互联互通。 此次会议上，中国移动、阿联酋电信、LG Uplus、上海联通、意大利电信和沃达丰（排名顺序按照英文字母）共同宣布将在全球成立六个NB-IOT开放实验室。该实验室将专注于NB-IOT的业务创新、产业发展、互操作性测试以及产品合格验证。同时，做为NB-IOT论坛的关键组成，开放实验室还将致力于探索全新的商用案例与商业模式，并将成果分享到整个行业。 据悉，一些客户已经开始对Pre NB-IOT进行实验局测试，预计在2016年下半年预商用。2017年初将迎来商用部署。 NB-IOT论坛的筹备和开放实验室的成立标志着NB-IOT产业已经进入了全新的发展阶段，这将强有力的推动产业的快速成熟与商用进程。该论坛将接受现有国际组织的管理和指导，其范围，形式和目标已经开始制定，论坛成员可以在未来进行增补。[16]  NB-IoT Forum成立，产业步入发展快车道 编辑 [西班牙，巴塞罗那，2016年2月21日] GSMA联合华为，沃达丰，爱立信，中国移动，中国联通，AT&T，德电，Etisalat, GTI, 英特尔, KDDI, KT, LG Uplus, Mediatek, 诺基亚, Oberthur Technologies, 高通，意大利电信，Telefónica，u-blox, Verizon共同发起成立了NB-IoT Forum，并于今日召开了首届全球NB-IoT峰会。[17]  NB-IoT是目前在3GPP立项的应用于LPWA（低功耗广域网）市场的蜂窝网络技术，LPWA市场被认为是未来蜂窝物联网市场重要发展方向。其自身具备的低功耗、广覆盖、低成本、大容量等优势使其可广泛应用于远程抄表、智慧农业、资产跟踪等应用领域。 NB-IoT Forum旨在促进产业链健康、快速、可持续发展，扩大移动运营商网络在物联网领域创新和应用。论坛鼓励运营商和设备商等合作建立NB-IoT开放实验室，为创新及应用提供开发和测试环境，加速技术创新和市场化。此次论坛的成立标准着NB-IoT产业达到了一个新的里程碑，具备了端到端全产业链生态环境。随着更多伙伴的加入，整个产业将更加快速的向前发展。 会上GSMA、运营商、设备商、垂直行业代表分别就NB-IoT发展规划，NB-IoT Forum运作，以及行业应用发展等做主题发言和精彩讨论。与会嘉宾认为，2016年将是物联网发展具有里程碑意义的关键一年。随着3GPP标准在6月份冻结，经过市场的洗礼后，NB-IoT会在LPWA市场的多个技术竞争中脱颖而出，成为领先运营商的最佳选择。同时2016年也将成为NB-IoT的商用元年。NB-IoT Forum会发展成为横跨多个行业的最广泛的论坛组织。[17]  中兴通讯成为NB-IoT Forum主要成员 近日，中兴通讯宣布，在刚刚闭幕的巴塞罗那MWC2016展，中兴通讯正式加入并成为GSMA NB-IoT(Narrow Band-IoT) Forum主要成员。NB-IoT联盟涵盖全球主流运营商、主要的设备制造商以及芯片提供商、终端模组厂商等。作为主要的设备制造商，中兴通讯将与联盟中其他伙伴一起，共同推进基于蜂窝网的NB-IoT产业发展；协助联盟一起促进和验证NB-IoT技术，参与和推进NB-IoT相关的创新服务和应用的开发，推动NB-IoT的商用。[18]  中兴通讯一直是面向物联网的广域低功耗技术NB-IoT的主要推进者。物联网IoT（Internet of Thing）面向海量连接，在一些物联网的场景下，例如智能抄表，生态农业，智慧停车，智能小区，智能建筑等场景， 对广覆盖、低功耗、低成本终端的需求更为明确。目前广泛商用的2G/3G/4G、WLAN及其他无线技术都无法满足这些挑战，而NB-IoT，即基于LTE的窄带IoT技术，具有低功耗、广覆盖、多连接的特征，可满足物联网场景的需求。 国际标准组织3GPP计划在2016年6月冻结并发布NB-IoT标准。中兴通讯作为NB-IoT标准的主要贡献者之一，在NB-IoT技术研究和标准化工作中与同行一起积极推进，并大量投入，在空中接口核心技术例如信道设计、短码、多连接以及超低功耗方面均做出了主要贡献。 随着智能化、移动化、云化等技术的发展，多种形式的智能终端不断普及。根据预测，2020年全球智能连接数将达到1000亿。NB-IoT将会有效的解决对运营商网络提出的千亿连接的需求，使得电信运营商能够快速满足“物-物”互联的连接需求，是电信运营商发展的重要方向。中兴通讯为运营商和产业打造了基于NB-IoT的端到端解决方案，积极投入对芯片、终端、系统和物联网IoT平台的研究，助力运营商实现未来“千亿”的连接。 中兴通讯在2015年提出万物互联M-ICT的战略，提供IoT整体解决方案；在工业互联网、车联网、智能家居和智慧城市、智能抄表等领域均有完善的解决方案和应用。中兴通讯通过优化连接，构建开放IoT应用使能平台，并推出适用于物联网的SmartOS，致力于构建安全可信的生态环境，为上下游产业链的客户提供服务，帮助合作伙伴挖掘每个“BIT”的价值。中兴通讯将继续与合作伙伴一起，为行业、政企、运营商客户提供领先的IoT端到端解决方案与服务。[18]  中国电信建成下一代物联网 编辑 2017年5月17日，中国电信宣布全球首个覆盖最广的商用下一代物联网（NB-IOT)网络建成，同时领先的4G网络实现全国覆盖。 2017年6月5日，中国电信集团公司与青岛市人民政府战略合作协定签署暨新一代物联网（NB-IoT）正式商用启动协定。中国电信将发挥物联网专网网路通道优势，以4G/5G移动网路为主，在青岛率先推进NB-IoT建设，推动青岛成为全国领先的物联网应用示范城市和智慧城市标杆。[19]  2016年11月，中国电信将无锡列为首批窄带物联网试点城市。中国电信无锡分公司采用业界最先进的网络通信设备和架构，投资近2亿元，历时5个月，建设通信基站近2000个，率先实现了基于800M超低频窄带网络无锡全域覆盖。[20]  中国联通NB-IoT网络即将“试商用” 编辑 中国联通将于2017年5月15日举办“中国联通NB-IoT网络试商用发布会暨物联网生态论坛”，以迎接万物互联，抢抓百亿级市场机遇。作为智慧城市建设的积极参与者，中国联通一直致力于物联网的发展，建成了以上海为代表的目前世界上最大规模的NB-IoT商用城域网络，实现了上海城域全覆盖。[21]  和中国电信重耕800M，在800M低频上建设部署NB-IoT不同的是，中国联通采取了在900M/1800M双频上进行部署，除北京、上海等大城市，超过80%的基站拟采用基于LTE 1800M的升级部署方案。[22]  并且目前正在积极推进NB-IoT和eMTC技术试点。试点主要包括两部分：一部分是内场实验，依托于中国联通物联网开放实验室，主要推进各类物联网技术对接；另一部分是外场测试，中国联通已经在全国10多个城市同步推进测试工作。[2