京公网安备 11010802034615号
经营许可证编号:京B2-20210330
区块链和人工智能技术能否加速物联网经济的到来
区块链、人工智能和物联网都是如今非常流行的科技名词,它们不仅拥有各自的特点,还能够互相利用互相促进。本文对人工智能和区块链如何实现物联网经济进行了分析,指出这些新技术可能改善人们对大数据的访问及交换,使设备更加智能,帮助用户通过自己的设备直接获利。
被称为物联网(IoT)的连接设备集体网络正在不断增长。高德纳咨询公司(Gartner)估计到2020年将会出现84亿物联网设备。这种增长预计大部分将出现在消费者设备领域,因为更多消费者会持有智能设备。预计企业也会加大采用以提高生产效率并使行业应用最大化。
人工智能(AI)和机器学习(ML)方面的进步会使智能设备变得更加智能化。物联网会共同生成大量的数据,并具有多种多样的功能,从而反过来用于指导和改进算法,使技术更好地发挥作用。
物联网的这些发展可能会改变世界。例如,智能温控器可能被一些人视为新奇事物,但是,这些设备实际上可以防止停电等可能出现的事件。暖季期间能源需求可能会很高。人工智能就可以监测温度设置和家庭与公司的能源消耗,并远程自动调整这些智能温控器以防断电。
数据可被视为改善物联网设备的基础,因此对于开发人员来说,更好地获得信息是至关重要的。但不幸的是,信息交换目前仍充满挑战,尽管人们正在努力改变这种情况。例如,由区块链驱动的数据流服务公司Streamr就正在推动更民主的数据交易方式,BDEX和Terbine等大数据市场则在把大数据所有者与开发人员联系起来。
1使人们能够访问大数据
一般来说,公司和开发人员必须收集和存储自己的数据,才能获取大数据。如果他们需要数据多样性,那么他们可能不得不向外界寻求这样的信息,这项工作也因此更具挑战性。许多小企业也可能缺乏资源来开展一些项目,因为他们无法利用大数据。
更令人沮丧的是,由于可访问的大数据数量有限,组织本身在使用一切时都会遇到困难。根据Forrester的数据,企业内部多达60%到73%的数据在分析中都得不到应用。有价值的信息可能只被闲置在数据仓库和数据湖泊中。
大数据所有者不会让数据在存储中“死亡”,而是会参与像BDEX这样的市场,使他们的数据可供有需要的人使用。他们甚至可以通过这样做获得收入。
2区块链与物联网
区块链在多个领域(包括物联网)得到了越来越多的采用,也因此获得了极高的热度。其透明且不可变的特点在物联网安全等方面能够得到利用。鉴于不安全设备遭劫持或被用作僵尸网络的风险越来越高,该技术成为一种深受欢迎的进步。
更多开发人员现在可以通过以太坊区块链为其各自的用途实施智能合约。这种技术可通过编程与物联网设备一起工作,这些设备中的数据可以触发自动化任务。
从数据方面来看,区块链甚至可以使数据交换更加民主。由区块链驱动的数据流平台Streamr为所有人提供去中心化手段来购买和销售数据。该平台允许数据所有者轻松连接到对等网络并传输他们的数据,其他人可以购买获得数据的权限。Streamr的市场使用区块链智能合约及代币来促进交易并激励数据交换。
Streamr的目标是使人们能够通过实时数据的价值盈利。无人驾驶汽车就能够很好地解释其服务。Streamr首席执行官Henri Pihkala写道:“为了实现最佳操作,它需要不断通过其他机器获取数据,例如来自其他车辆的交通拥堵信息、周边充电站的价格及天气预报等等。Streamr为实时数据交付和支付提供单一接口,使人们和机器能使用加密代币DATAcoin交易数据流。汽车可以自动获取其所需的数据并进行支付。反过来,汽车还可以销售它所产生的数据,例如向其他汽车销售交通数据,向智能城市销售路况测量值,向广告商销售位置和电池用量信息等。这样,数据流经济就诞生了。”
3物联网经济
这种去中心化方式的优势在于它使数据所有者能够随意地通过自己收集和生成的数据获利。他们能够按照自己的意志进行这种活动,直接通过数据盈利,而不用通过中介来进行。
区块链的透明特点还能在用户中形成一种信任感。可以使用声誉系统等机制来帮助潜在买家识别高质量数据来源。由于这个市场向所有人开放,它可能有助于实现由市场驱动的定价,而不是由少数垄断性实体来决定价格。
这种方式还有可能为物联网创建一个更加包容的生态系统,使高质量数据能够更自由地进行交换。更多的参与者也意味着更多可访问的数据来源。这反过来又有助于推动应用程序和物联网设备的改进,从而完善其性能。
区块链作为催化剂能够鼓励用户间的公开数据交换,其去中心化特点能够打破有用数据访问受限的现状。随着数据交易新方式的出现以及硬件与人工智能的不断发展,更多激动人心的创新一定会出现。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19