CCIOT · 14.1

计算技术

让数据在合适的位置变成可行动的判断

VER. 2608 Built with impress.js

学习目标

物联网计算要看任务、位置、资源、人机关系和责任

01用输入、规则、输出和约束描述物联网计算任务
02比较端计算、边缘计算和云计算的距离、能力与失败边界
03解释本地执行、全卸载、部分卸载和云边端调度
04区分 IaaS、PaaS、SaaS 的服务责任
05说明人计算、众包／社会计算与人机协同中的增强、自动化和放大
06为案例分配任务并保留隐私、安全、接管与责任

2/24

LEARNING OBJECTIVES

计算把输入按规则映射为可行动的输出

先写任务输入、规则和输出，再选执行位置

感知／行为输入 → 规则、算法或模型 → 结果、预测、告警或控制

输入

温度、图像、位置、日志或人的判断

规则

统计、识别、预测、阈值、流程或模型

输出

标签、排序、告警、服务响应或执行指令

Takeaway

计算任务的边界由输入、输出、完成时间、资源和责任共同定义

3/24

COMPUTATION AS A MAPPING

物联网任务的约束并不相同

同一份数据在不同任务中可能需要不同的计算位置

实时性

结果必须在动作或安全窗口内到达

吞吐量

需要处理大量设备、样本或长期数据

资源

端侧算力、存储、电量、带宽和成本

可靠性

断网、节点或服务故障时仍需可用

隐私与安全

数据、模型和决策要按权限保护

责任

谁解释、确认、接管和承担后果

Takeaway

先写约束，才能判断是由设备、附近服务器、云端还是人来完成计算

4/24

TASK CONSTRAINTS

练习：把任务写成输入—规则—输出

Exercise

任务	请写输入	请写规则与输出	请补充关键约束
温度超限	填写	填写	填写
车牌识别	填写	填写	填写
预测维护	填写	填写	填写
医疗诊断建议	填写	填写	填写

Takeaway

不要先问“用什么 AI”，先问任务要在何时、以什么证据、由谁负责完成

5/24

TASK JUDGMENT

端计算在数据产生处换取实时与离线能力

端设备直接处理输入，不必把所有原始数据送出

端上：采集／筛选 → 即时响应或少量上报可选上送边缘／云；受算力、电池、更新与安全约束

优势

低通信延迟、少占带宽、可离线、数据较少外传

设备

传感器、手环、家电、机器人、手机和车载计算单元

方案

定制化可优化能效，通用化更灵活和兼容

边界

算力、存储、电池、更新、密钥和物理安全有限

Takeaway

端计算的“快”来自靠近数据源，但它必须接受设备资源和维护能力的约束

6/24

COMPUTE AT THE EDGE OF THE OBJECT

端计算要在定制与通用之间取舍

任务确定性、部署规模和未来变化会改变最优方案

定制化端

为固定任务设计专用硬件与软件

能效和成本可能更好，但设备碎片化、升级和扩展更难

通用化端

用标准硬件与软件承载多种任务

兼容与维护更容易，但可能出现过度设计和额外功耗

Takeaway

端侧能力不是越强越好，而是要与任务稳定性、生命周期和能源预算匹配

7/24

LOCAL TRADEOFFS

练习：哪些处理适合在设备上完成？

Exercise

场景	请写端上优先处理的部分	请写仍需考虑的边界
门锁开门	填写	填写
手环异常	填写	填写
摄像头监控	填写	填写
离线导航	填写	填写

Takeaway

端上处理不等于数据不上送；处理位置和上送范围都由时延、隐私与任务决定

8/24

LOCAL JUDGMENT

边缘计算把计算资源放到数据源附近

它为现场任务提供近端执行点，但不是端到云的必经层

位置：靠近数据源的计算资源作用：过滤／推断／协调；任务可留端、交给边或直达云

更近

通信路径短，延迟和回传数据量可能更小

更强

可使用服务器、加速器、存储和设备管理能力

更靠近现场边界

可做预处理、加密和访问控制；不天然安全

Takeaway

边缘的价值是让任务、数据和责任在靠近现场的位置重新组合

9/24

EDGE COMPUTING

卸载有三种基本方式

任务大小、通信代价、端／边／云算力和完成时限共同决定选择

本地：端侧完成全卸载：上传 → 边缘或云端计算 → 返回部分卸载：按阶段拆分

本地执行

任务全部在端设备完成

通信少、可离线，但受端侧资源限制

全卸载

任务整体交给边缘或云端

端侧负担小，但依赖链路和远端可用性

部分卸载

按阶段把预处理、推断或汇总拆给端、边或云

可平衡延迟、能耗、带宽与隐私

Takeaway

“卸载多少”本质上是计算时间、通信时间、能量和风险的联合优化

10/24

OFFLOADING CHOICES

练习：任务如何在端、边、云间分工？

Exercise

任务	请写初步分工	请写校验点
实时交通告警	填写	填写
工厂振动检测	填写	填写
大规模历史分析	填写	填写
隐私摄像头	填写	填写

Takeaway

把任务拆成“必须立即完成”和“可以延后分析”的部分，卸载才有依据

11/24

OFFLOADING JUDGMENT

云计算把远程资源变成按需服务

用户使用共享资源池，不必自行拥有每一台底层设备

访问：任务／数据 → 共享资源池服务：弹性计算／存储／数据库／应用

资源

服务器、存储、网络、数据库、软件和分析能力

模式

按需获取和释放，服务方承担部分底层管理

优势

规模、伸缩、共享与远程访问；恢复能力取决于服务设计

边界

网络依赖、数据主权、服务中断、供应商责任和延迟

Takeaway

云端适合规模化和长期服务，但“远程可用”不等于“现场实时”

12/24

CLOUD AS A SERVICE

三种云服务模式：谁管理什么？

服务方承担得越多，用户管理的底层越少；可控范围随之变化

基础设施即服务 IaaS

提供虚拟计算、存储和网络

用户仍需管理操作系统、运行时和应用

平台即服务 PaaS

进一步提供运行环境、数据库和开发工具

用户聚焦应用代码与数据

软件即服务 SaaS

直接提供可使用的应用服务

用户管理配置、账户、业务数据和使用规则

Takeaway

云服务选型要问“谁负责什么”，而不是只看服务名称

13/24

IAAS PAAS SAAS

练习：云端能力怎样回到物联网现场？

Exercise

云端工作	请写适合放在云端的原因	请写现场仍要保留的部分
长期数据分析	填写	填写
模型训练与更新	填写	填写
设备管理服务	填写	填写
关键安全动作	填写	填写

Takeaway

云端负责规模和长期能力，现场仍需保留安全动作、降级路径和可验证的本地状态

14/24

CLOUD JUDGMENT

人参与物联网计算与决策

机器扩大处理；人保留判断；明确证据、接管与后果责任

数据与模型 → 机器分析 → 人理解／判断／沟通决策／行动 → 反馈

人计算

把人的识别、判断或输入作为计算资源

众包计算

把可分解任务分给大量参与者，汇总群体结果

社会计算

利用技术支持群体互动、知识共享和集体决策

人机协同

让机器和人互补，共同完成复杂任务

15/24

HUMAN AND MACHINE

增强、自动化和放大是三种协同形式

它们可以组合，但人工责任不会因为自动化而消失

增强

机器提供分析、建议或信息，人做最终判断

自动化

机器独立完成规则明确、风险可控的任务

放大

机器处理规模和复杂度，人提供方向、语境与责任

采集与模型 → 机器输出人工复核／接管 → 行动 → 反馈改进

Takeaway

机器承担的任务越多，越要明确偏差、解释、隐私、申诉和责任界面

16/24

AUGMENT AUTOMATE AMPLIFY

练习：哪些决定不能只交给模型？

Exercise

场景	请写机器适合的部分	请写人需要保留的部分
医学影像	填写	填写
生产分拣	填写	填写
客服问答	填写	填写
复杂工程设计	填写	填写

Takeaway

把机器输出放回人的工作和责任流程，才能判断“自动化”是否真的合适

17/24

HUMAN JUDGMENT

云边端与人机协同：任务闭环

图示把端、边、云与人放在同一闭环；各位置按任务承担不同职责

端：即时动作 ↔ 边：近端协同 ↔ 云：分析／更新 ↔ 人：高风险判断／接管按任务组合这些位置，不必全部经过

18/24

CLOUD EDGE END HUMAN

案例中的计算分工与责任

同一闭环在不同场景中分工不同，关键是保留安全动作、临床判断和调度责任

自动驾驶

端侧感知与控制，边缘处理道路协同，云端训练与长期分析；关键安全动作不能只依赖远端

智慧医疗

设备和平台采集整理，机器辅助分析，医生负责临床判断、沟通与最终决策

调度支撑

协调任务、资源、网络和版本；保留审计、降级和恢复

19/24

CASE RESPONSIBILITIES

用一张清单分配计算任务

从“算出来”走到“可用、可解释、可恢复”

Case

TEXT

01输入 → 端／边／云／人分工 → 证据 → 行动／接管 → 版本／隐私／恢复

01

约束

时延、吞吐、能耗、隐私、可靠性、成本

02

分配

本地、端边协同、云服务或人工协同

03

验证

对象、时间、版本与结果证据

04

治理

权限、更新、接管、降级、审计、责任

20/24

COMPUTING DESIGN CHECKLIST

练习：为一个高风险任务保留接管点

Exercise

场景	请写自动计算的部分	请写必须保留的接管或恢复
自动驾驶避障	填写	填写
医疗诊断建议	填写	填写
工业预测维护	填写	填写
设备批量更新	填写	填写

Takeaway

高风险系统必须让自动结果可追溯、可质疑、可接管、可恢复

21/24

CASE JUDGMENT

本节回顾

分析物联网计算时，按任务、位置、资源、人机关系和责任逐项判断

01任务：输入、规则、输出和实时性、吞吐、资源、责任约束
02端计算：近、快、可离线和少外传，但受设备资源与维护限制
03边缘计算：靠近数据源，支持低延迟、预处理和任务卸载
04云计算：按需资源、伸缩与服务模式，承担规模化和长期能力
05人机协同：增强、自动化、放大，明确证据、接管和责任
06案例闭环：任务分工、版本、隐私、恢复和最终行动共同决定可用性

22/24

SECTION REVIEW

本节思维导图

23/24

MIND MAP

本节问题

01如何用输入、规则、输出和约束定义一个物联网计算任务？
02端计算、边缘计算和云计算分别在哪些条件下更合适？
03本地执行、全卸载和部分卸载如何比较通信、能耗和延迟？
04IaaS、PaaS、SaaS 把哪些资源和责任交给服务方？
05人计算、众包计算、社会计算与人机协同有什么关系，增强、自动化、放大如何区分？
06如何为自动驾驶或智慧医疗设计带版本、证据、接管和恢复的计算闭环？

24/24

QUESTIONS