▲总平面图
NBBJ是世界著名建筑设计公司，在西雅图、纽约、洛杉矶、旧金山、哥伦比亚和罗里达勒姆分别设有分公司，同时在挪威的奥斯勒，中国的北京，台北，日本的东京均设有办事机构。
▲腾讯大厦
腾讯滨海大厦相当于3个腾讯大厦。
项目占地面积18650平米，设计包括两幢不同高度的高耸的塔楼，50层楼248米的南塔楼和194米高41层楼的北塔楼，每一层都是采用LOFT式风格的设计。
两座塔楼由三个位于不同高度的天桥连接。
滨海大厦硬件被三条“腰带”连接在一起
三条“腰带”其实也是三种不同的工作生活空间，包括2～5层的“文化连接层”， 22～26层的“健康连接层”，和35～37层“知识连接层”。
两塔楼间相互连接，象征着因特网各个遥远角落的连通，以一种更富有效率的方式将腾讯公司员工连接在一起。在业内看来，这种巧妙的建筑结构也与马化腾提出的“腾讯未来要做连接器”的理念形成呼应。
能源策略比传统办公塔楼减少40%的消费和碳排放。另外，塔楼的少许旋转和高度偏移拦截了场地的盛行风，使中庭通风同时使直接日照最少化。为控制炫目和热量获取，幕墙集成了一套根据日照角度不同而各异的模块化的遮阳系统。
腾讯滨海大厦是典型的大型高层建筑，体量大、跨度大、空间大、能耗高，后备电力系统可靠性、安全性、高可用性备受重视，绿色节能作为电力系统的发展趋势，亦是腾讯此次重点的考虑因素。
这座大厦采用物联网和人工智能技术，
集数字化、智能化于一体的智慧大厦，满是黑科技！
在大厦内部，腾讯应用物联网、人工智能等前沿科技，让滨海大厦成为探索物联网解决方案和人工智能的“超级试验场”。 2019年全新的创业模式已经诞生，一部手机就可住家创业，奖金周结周发，短时间就可轻松月入几万，详情微信咨询六二五八四四零一六。
所有设施设备均植入具有腾讯DNA的QQ SDK和微信SDK，其数据在智慧化管理平台上进行交互，并发生化学反应。每个员工从进入大门开始，就能体验到最新的互联网科技成果。
• 员工不用刷卡，直接“刷脸”即可进入；
• 加入物联网系统的电梯，可用手机“召唤”，员工可提前在微信上预约电梯和到达楼层，再到指定电梯门等待；
• 智能寻车导航；
• 大厦墙体按照深圳日照规律设计，全落地玻璃窗自带遮阳系统；
• 依据“海绵城市”理念打造空中花园，回收IT机房热量来维持恒温的游泳池；
• 在大厦内部走动时，室内精准定位技术可以准确到一米内；
• 访客在大堂等待时可通过手机与AR、VR设备进行多种互动；
• 根据节假日变化的表情大屏；
• 下班后，打通QQ账号的智能寻车导航系统，帮助员工顺利快速地开车回家……
为保证员工的快乐工作和健康生活，滨海大厦不仅有更先进、更舒适、采光更好、风景更优美的办公区和会议室，城市广场、空中花园、攀岩等也应有尽有。大厦内部还配备有标准的篮球场、羽毛球场等运动设施，还有一条贯穿两栋塔楼的300米环形跑道，高度位居国内建筑之最。另外，楼内还有众多著名餐饮商家为员工提供服务。
• “工作使我快乐”的办公区，每个办公桌上都有绿化植物；
• 办公室内，有可以随意调节高度、方便站立办公的小桌；
• 食堂有多个区域可供选择，桌椅各不相同；
• 各种室内球馆：羽毛球、篮球、乒乓球、台球。
• 健身房里有跑步机、动感单车。
• 三层楼之高的超大攀岩墙
• 300米长的室内环形跑道
腾讯滨海大厦创造了让员工“不愿下班”的办公环境，为公司员工带来了疏解办公压力的舒适空间，也为员工福利和人才招聘加分不少。
随着人工智能的飞速发展以及广泛落地应用，越来越多的设备将会被植入智能问答技术，人机交互场景随处可见，智能问答在未来将会成为一个非常重要的入口。
腾讯小知凭借着业界领先的智能AI引擎算法和海量大数据仓库，已将智能问答技术落地实施，并且经过大量的业务考验和优化，知识点匹配度和准确率都已达到90%以上，在2018 年 GITC 全球互联网技术大会上，腾讯小知荣获年度互联网最具价值产品奖。
腾讯小知算法负责人陈松坚也在会场发表了关于智能问答技术原理及其在To B场景下的应用的专题演讲，从自己的角度为我们展现智能问答技术的最新成果。
他首先从智能问答是什么，为什么和怎么做的三个问题出发，阐明了他对当前智能问答技术的定位和价值，首先，现阶段的智能问答是信息检索技术的升级，是量变而未达到质变。但是无论在To B还是To C的场景下，当前的技术都能够切实解决一些用户的痛点，提升用户体验，是亟待推进和充满想象的方向。
在回答怎么做这个问题时，他详细介绍了几种不同的问答机器人的实现路径，包括单轮问答机器人，多轮问答机器人及阅读理解机器人。其中重点阐述了单轮问答机器人的实现原理，包括字面匹配，词向量匹配，深度语义匹配，迁移学习等技术。
此后他还分享了小知团队将上述技术产品化的经验，包括智能客服机器人和电话机器人两大块，主要分享了当前产品的形态，亮点和实际项目中取得的一些成果。
最后，他简单总结了小知目前完成的工作以及就智能问答的发展提出了自己的几点看法。
--------------------------------------------------------------
以下是演讲稿全文：
各位下午好，很高兴今天能在这里给大家做分享报告。先介绍一下，我们腾讯小知是致力于为政府和各行业提供一揽子智能问答解决方案的团队，目前已经落地的包括基于文本的智能客服机器人和基于语音的电话机器人等。
在大多数人的认知里，智能问答很可能是以上的3个印象，2011年打败了人类取得问答竞赛冠军的waston;2017年被沙特授予公民身份的机器人sofia;更为大家熟知的钢铁侠中的机器人管家jarvis。在大家心目中，智能就意味着能够像真人一样交流。然而作为从业者，很遗憾地告诉大家，目前的技术还远没有达到这个目标，我认为本质上目前的智能问答技术是对信息检索技术的一次升级，是量变而未到质变。这个皇冠上的明珠还等待我们去摘取。
既然问答技术还不成熟，那为什么还要投身到这个领域呢。我想从To B和To C两个角度去回答。对企业来讲，当前的问答技术虽然无法解答复杂的咨询，但是大部分的简单的头部问题是可以比较好的解答的。从本轮AI大潮NLP赛道的几名种子选手都从智能客服这个方向切入就可以看出企业是确实存在对智能问答的刚性需求。而对普通用户来讲，一方面siri等语音助手每天都在为用户提供便捷的交互界面，另一方面像amazon echo这一类的智能家居产品也逐步进入千家万户，成为物联网生态的中心入口之一，这便是智能问答的价值所在。
那如何实现智能问答机器人呢我们先来看最基本的单轮问答机器人的实现原理。
熟悉搜索引擎的朋友会发现这个架构跟搜索引擎的很类似。单轮问答一般来说就是FAQ问答，是基于业务问答对组成的问答库进行检索匹配。其中FAQ问题集包含多个相似问法供用户问题去匹配。预处理阶段一般会进行文本纠错，标准化和底层NLP特征提取;召回阶段会在倒排索引中召回若干个候选问题(粗排)，而最后的匹配阶段会基于各种模型进行匹配打分并返回得分最高的结果(精排)。匹配阶段还会引入其他模块，如知识图谱和拒识模型，目的是辅助提升匹配的最终准确率。
retrieval中的匹配可以看做是naive solution，词袋+VSM, 筛选候选够用了，但是精排需要更精致的策略，第一，要利用监督信息做拟合，我们构建基于问题对的训练语料，拟合是否匹配这个二分类目标。第二，特征上抛弃稀疏的词袋模型，而是构造各种相似度来做base scorer，然后利用非线性的抗噪能力强的xgboost来做融合，比如我们用到词bigram, 字bigram, 核心词，名词等特征集合的相似度。这种方法的优缺点是一体的，由于模型只学习字面相似的特征，因此不受领域影响，通用性强，适合用在冷启动阶段;但也因为只考虑字面相似，无法处理更深层的语义匹配。
那如何度量语义的相似呢。词向量技术的兴起是语义匹配的前提，所谓词向量，是将孤立的传统的token表示映射到相互关联的向量空间中，这种关联性，或者说是相似性，是通过词语的上下文的来描述的。也就是说，上下文越相似的词语，他们的语义就越相似，词向量的欧式距离就越近。这是很容易理解的，更妙的是，通过对向量进行简单加减运算，能够呈现出概念的关系，比如king-man+woman的结果非常接近于queen, 因此说明词向量能够一定程度刻画语义。那对句子如何做向量表示呢一个简单的想法是直接求和平均，WMD是另一个比较有意思且有效的做法，他将计算句子到句子的相似度建模成一个运输的问题，把句子p的各个词，运输到q的各个词上，也可以说是变换;运输成本是词向量的cosine相似度，而要运输的是各个词在句子中的权重，用线性规划求解一个最优解，即为p到q的距离。另外还有个有效的方法是SIF，思路是做词向量加权求和，但是突显出句子中非通用的部分，即权重用词频倒数来计算权重，实验效果也很不错。
上面的方法有一个问题就是没有利用有监督信息，所以效果有明显的天花板。下面介绍这个工作是基于深层网络做有监督学习的匹配的，做法也比较简单，首先把句子文本用one-hot编码，假如词典大小是500K，那编码完长度就是500K维，其实等于是词袋模型，然后输入到一个多层的神经网络去学习，最终得到一个128维的向量作为句子的语义表示，然后用cosine计算两个句子与文档的相似度作为模型输出。这个方法其实是将高维稀疏的token特征映射到低维语义空间，跟词向量的思路很类似，只不过训练目标不同，并且这里使用了深层网络结构。
但是CNN对上下文的处理能力依赖于窗口大小，远距离就没办法处理了，因此要考虑另一种网络单元RNN，这种单元是专门为时序模型量身打造的，简单来说，每一时刻t上的隐藏状态，或者说第t个词上的语义编码，都由两个输入共同决定，即上一时刻的隐藏状态和当前时刻的原始输入，而为了解决远距离传递导致的梯度消失和梯度爆炸等问题，RNN有一些变种结构来应对，比如 LSTM和GRU等。
CNN和RNN都是对原始输入进行语义编码的基本单元，编码后的向量就可以接入多层感知机进行相似度计算，如果是直接计算cosine相似度，那就是dssm的升级版，而更常见的做法是把两个句子的编码向量拼接在一起，再经过一个多层感知机计算相似度，而这种方法统称为表达式建模;
另一种方案考虑到两个句子之间的交互信息对学习他们是否匹配显然更为重要，这一类方案被称为交互式建模，右边是一个典型的例子，他最大的不同是首先对两个句子的所有窗口组合进行拼接和卷积，得到交互信息。然后再进行多次卷积和池化得到表示。其他的交互方式还包括编码之后，进行交互 *** 作，如作差，点乘等，还有计算attention表示，也是常见的交互方式。
下面介绍我们的方案，跟上面介绍的模型相比，我们的方案主要做了两处改动，一个是使用了稠密连接的网络结构，让rnn层的输入和输出拼接在一起做为下一层的输入，第二个是混合注意力机制，即在计算attention向量进行交互式建模的基础上，增加self-attention向量计算，然后把两个attention向量经过门机制进行融合，这样做一方面引入了问句间的交互信息，同时又增强了对自身的表达建模。
上面的模型是比较复杂的模型，参数量有58M。在实际中应用中训练语料会严重不足，为了解决这个问题，我们引入了迁移学习的策略。首先第一种是多任务联合学习，比如在拟合两个问句是否匹配的同时，也对问句进行分类预测;另外还可以同时对匹配的问题对做seq2seq的翻译模型训练。这两个策略都证明能有效提升准确率。
而另一个思路更加直观，即引入其他领域的语料，所谓多语料迁移。Fine-tune即参数微调是其中一种做法，即先用通用语料训练网络，固定底层表达层的参数，然后再使用领域语料调整上层参数;另一种思路参考了对抗学习的思想，即引入一个新的任务“混淆分类器”去判别当前样本是来自源语料还是目标语料，通过在损失函数中增加反向的混淆分类损失项，让混淆分类器尽可能地无法区分样本的来源，从而保证共享了参数的表达网络能够学习到两部分语料中共性的部分。
以上的介绍都是为了完成一个基本的单轮对话机器人，而实际应用中，往往存在需要需要交互的场景，比如查询社保余额，就需要用户提供指定信息，如姓名，身份z号，手机号等。这种是所谓任务导向型机器人，而另一种，基于知识图谱的机器人也往往会涉及到多轮交互。这里简单介绍一下多轮对话机器人的架构，整体上是一个对话管理系统，总的来说是管理会话状态，包含4个模块，分别是输入部分：自然语言理解模块NLU，负责意图识别和抽取槽位实体，比如这里匹配到了意图是查询社保余额，抽取到了社保号1234。得到的意图和槽位值会送入到对话状态追踪模块，DST，他负责会话状态的更新，形式化来说是一个函数，输入是当前状态s和当前的query经过NLU处理过得到的意图和槽位值q, 输出新的状态s‘，下一步是把s’送入DPL，对话策略模块，这个模块是根据新的状态s‘输出行动a，通常这个决策选择会依赖于一个外部数据库或知识图谱，最后，由输出部分，自然语言生成模块NLG负责将行动转换为自然语言文本，返回给用户。
前面提到的单轮FAQ机器人，有一个问题是问答准确率依赖于问答库的质量，而问答库的构建耗时费力，所以针对数据较大的非结构化文档，如果可以直接从中抽取答案，是非常理想的做法。比如斯坦佛大学开源的drQA，就是基于wikipedia的语料做的一个开放域上的问答机器人，我们来看看这种阅读理解机器人的架构示意，他也是基于检索重排的思路，首先把可能的文段从语料库中摘取出来，然后送入阅读理解模型进行答案定位，打分，排序和选择得分最高的答案。阅读理解模型与匹配模型是类似的，需要先对问题和候选文段进行编码表示，不同之处在于最终预测的目标是答案的起始和结束位置。我所在的团队在去年，在阅读理解的权威公开测评Squad v1中取得过第一的成绩，同时参加这个测评的包括了google, facebook, 微软，阿里idst, 科大讯飞等国内外同行。说明业界对这种技术还是非常看重的。
下面分享小知在把以上技术落地产品化的经验。首先我们来看看小知的整体架构图，核心引擎有两部分，一块是上面重点阐述的深度语义匹配模型，另一块是本次分享没有展开的知识图谱引擎，在此之上，我们构建了FAQ机器人，多轮会话机器人(任务机器人)，闲聊机器人等。以下是我们单轮和多轮机器人的示例。
在我们实际的落地项目中，得益于深度迁移模型的语义匹配能力和行业知识图谱的的精准匹配和辅助追问，小知机器人能够做到95%左右的问答准确率，并且节省了50%以上的服务人力，切实为政府和企业提升效率和降低成本。
在智能客服的基础上，我们又打造了基于语音的电话机器人，力主融合智能客服，人工在线客服，工单系统和电话机器人，为客户打造从售前售中售后的整体解决方案。
以下是电话机器人的整体架构图，核心是自然语言理解NLU模块，负责识别用户提问意图
提取相关实体。根据NLU输出的结果，内置的对话管理引擎会进行流程状态流转和跟踪。
另外，ASR语音识别和TTS语音合成是不可或缺的重要服务，这三个模块相互协作，共同完成与用户的交互。
最后对智能问答的未来发展提几点我的看法。目前学术界比较公认的一个方向是，需要更有机地结合模型和规则，而在问答领域，规则的一大组成部分就是知识图谱，包括开放领域的知识图谱和专业领域知识图谱。而更进一步地，我们需要研究带有推理性质的事理型知识图谱去描述领域内的规则和知识，让机器人能够处理带有复杂条件的问题，提供更智能的回复。在我看来，智能问答的一个突破口就在于解决以上三个问题。以上就是今天分享的内容，谢谢大家。
主讲人介绍：
陈松坚，腾讯数据平台部算法高级研究员，有着8 年的 NLP 研发经验，2017 年加入腾讯 TEG 数据平台部，负责智能客服产品腾讯小知的算法规划和落地。负责过多个智能客服项目，对封闭领域的智能问答有丰富的实战经验。
文／杨剑勇
以NB-IoT和LoRa为核心的低功耗广域网无线连接规模日益扩大，且5G也开启冲刺阶段，大连接将掀起新一轮信息 科技 变革，一个万物互联的时代伴随通信技术发展即将到来，只是，万物互联最终透过云端实现跨行业和跨设备互联互通，各种设备所收集到的数据经过“云”上处理，并利用这些数据将会催生众多新商业模式。
万物互联在于通信技术发展，而万物智能在于数据处理，使得各种设备具有感知能力，云端作为数据集散中心，并利用AI技术，使得万物智能得以实现。
物联网核心在于数据的收集和处理，数以万亿计的传感器被嵌入到各个角落，所收集数据经AI技术进行智能分析，正是这个小小传感器，则驱动着 社会 数字化变革，企业有能力获取无限数据，并从中洞察实现快速创新，驱动产业转型升级，基于海量数据，地区甚至可以洞悉未来商业经济。
各种智能设备和传感器联网后，所产生数据并将厘清，挖掘其价值，从而激发物联网潜力。而云服务商则打通了云、端、边，并通过AI能力助力物联网应用落地，至此，各巨头积极布局，不仅有亚马逊、微软和谷歌等国际巨头，包括BAT今年纷纷调整战略，提升云服务战略，向物联网延伸，以此抢夺这条全新赛道。
在此之前，物联网并没有得到大规模部署，物联网高级顾问杨剑勇支持，受制于传感器的部署，跨品牌、跨平台和跨设备之间互通限制，以及物联网设备碎片化等诸多因素，但一线 科技 巨头进入，并伴随传感器部署规模日益扩大，以及无线通信技术迅猛发展，经过云端把人、机器和数据连接起来，且能为物联网所产生的海量数据提供强大的计算处理的平台，是物联网发展关键所在。
至此，巨头的云服务面向各行业物联网云平台应运而生，继而激活数据价值，以丰富的应用来抢夺主导权，对于他们来说，丰富的物联网应用是争夺市场核心，在其平台比拼的是应用能力，覆盖工业、交通、教育和金融等丰富的应用，这将是争夺物联网这一张船票的核心。
物联网不断推进和部署规模日益扩大，数以百亿设备接入网络，其经济价值超10万亿美元，各种设备利用传感器收集数据，一部分在边缘侧处理，并结合云端大脑，使得设备具有感知能力，仅在工业互联网领域就能激发高达7000亿市场规模。制造业在部署各种传感器后，与云平台结合，并利用人工智能技术对数据分析，赋予工业企业依据数据具有洞察力，把制造业推向数字制造转型。
（一）微软
GE在微软Azure云平台上标准化其Predix解决方案，将Predix产品组合与Azure的本地云功能，包括Azure物联网和Azure数据与分析，进行深度整合。在农业应用方向，布勒集团作为一家食品加工系统企业，将人工智能、智能云以及物联网技术相结合，提高玉米产量，同时最大限度地减少谷物地毒害污染。
微软以云、边缘智能和人工智能构件生态，并已经广泛应用智能硬件和工业制造等各行各业，Azure IoT等服务帮助制造商实施工业40，包括ABB和西门子等工业巨擘都在利用微软Azure开发自己的物联网平台。
（二）腾讯
腾讯云和三一重工打造的工业数据根云平台，三一重工连接了全区超过30万台重型机械设备，能够实时采集近1万个运行参数，共积累1000多亿条工程机械工业大数据，实现了全球范围内工程设备2小时到场，24小时内完工的服务承诺，大大提升了运营的效率，堪称工业智慧生态中的典范。
腾讯云在华星光电应用场景中，通过物联网平台采集数据，利用腾讯优图AI图像检测技术，系统可以724小时不间断进行质检工作，准确率达到了90%以上，远远超过人的水平，整个生产周期缩短了近40%。
产业互联网最初的营收机会还是来自云业务，腾讯的云服务增长非常快，市场份额一直不断提高，并强调，云业务的本质决定了需要大量的投入，包括数据中心和服务器方面的支出，这样才有来自云服务的经常性收入。这是腾讯总裁刘炽平在此前第三季度季报后高管电话电话会议上的讲话。
特别今年新成立云与智慧产业事业群后，腾讯积极拥抱产业互联网，通过整合自身技术和生态资源，腾讯云正构筑全链路的开发者服务体系，帮助人工智能、物联网、小程序、云原生领域开发者快速成长，并促进各行业与互联网深度融合，助推产业互联网升级。
（三）百度
百度以ABC＋IoT＋智能边缘促进物联网在各垂直领域展开大规模应用，百度云质检云解决方案帮助宝钢建立从连接采集、存储计算到理解决策的感知认知平台，并展示了钢包内衬熔损识别的应用。还有宝钢技术和百度共同打造“智能钢包”应用，通过为钢包部署传感器，实时监控钢包状态，并结合ABC能力打造智能调度的钢包管理系统，降低50%钢包烘烤能耗，平均降低出钢温度10℃，可以节约能源成本70亿元，大约可以节约150亿元。
百度在物联网应用中能大放异彩，得益于2010年开始积极 探索 发展AI技术，应用开始在多个领域开花结果，并以百度云为平台把AI能力分享给 社会 ，从农业到工业，从家庭到 汽车 ，以及翻译、图像识别和信息流等产品和服务，百度AI商业落地走在行业前列。在百度看来，人工智能将推动全 社会 新一轮产业变革，“云”巅之上的企业正向着智能化、AI化升级。
（四）阿里
阿里云在制造业也有不少案例，通过云＋AI+IoT能力先后为协鑫集成、天合光能和徐工集团等大型制造企业提供服务。基于阿里云可以轻松安全地将设备连接至云，从边缘设备到云端，从各种设备上收集数据、分析数据，帮助制造业提高运营效率，如协鑫光伏切片生产车间，生产良品率已经提升1个百分点，每年可节省上亿元的生产成本。
全球工业40和智能制造如火如荼进行中，这制造业升级大趋势下，越来越多的制造商开始评估并加大部署物联网，不仅西门子和通用电气等工业巨擘，包括 科技 企业也积极涌入，出击这个新风口，纷纷推出打通数据的工业互联网云平台，透过云端连接设备、服务和数据，并经AI技术处理，可以实时监测工厂运转状态，自主检测生产线上机械异常，以数字化来提升工厂生产率和产品合格率，推动制造业向数字化转型。
作者系物联网高级顾问杨剑勇，网易最佳签约作者，致力于深度解读IoT和AI等前沿 科技 ，基于对未来物联网洞察和对趋势判断，其观点被众多权威媒体和知名企业引用。
阿里、腾讯和百度的互联网大数据应用不同之处如下：1 阿里的大数据应用主要集中在电商领域，通过淘宝、天猫、菜鸟等电商平台，收集用户的消费数据、购物行为等，以便更好地了解顾客需求，从而提供更精准的商品推荐、营销策略等服务。2 腾讯的大数据应用主要集中在社交领域，通过微信、QQ等社交应用收集用户的社交行为，以便更好地了解用户兴趣和社交圈子，从而提供更好地社交服务和精准的广告投放。3 百度的大数据应用主要集中在搜索引擎领域，通过百度搜索、百度地图等平台，收集用户的搜索词、地理位置等信息，以便提供更好的搜索服务和位置服务，同时为广告主提供更精准的广告投放服务。总体来说，三家公司的大数据应用各有侧重，但都希望通过大数据技术实现更好的用户体验和商业价值。物联网平台是什么？
物联网平台并没有一个标准的定义，就如物联网并不是一项新技术，而是已有技术在新情景和新用例中的应用。每一个行业巨头都可以根据自己的业务特点，整合业务和产品线，抽离共性技术、业务流程等重组出一个“业务平台”，并称之为物联网平台。例如，系统服务/软件厂商通过开放开发工具、API来搭建一个AEP平台；工业巨头将某一细分领域的Kown-how数字化并封装成一套解决方案，便能够提供一个工业互联网平台。
当然，一个平台的构建并没有说的那么简单，它是一个系统的工程，需要上下游的资源整合优化，以及根据业务需求和顶层规划进行有逻辑的重组，而不是简简单单的叠加。
基于平台供应商数量众多的现实，大多数的供应商只能提供平台能力的一部分。实际上，这类公司并不能称为物联网平台提供商。如果仅仅提供连接管理或者应用使能这类简单功能，那么只能被称为连接管理平台或者应用使能平台，而不能称为综合性物联网平台。
物联网平台可以干什么：物联网平台基于IaaS（基础设施即服务）、PaaS（平台即服务）、SaaS（软件即服务）三种云计算服务模型，逐步完善了其功能体系，即ICP（基础设施云服务平台）、CMP（连接管理）、DMP（设备管理平台）、AEP（应用使能平台）、BAP（业务分析平台）等。
物联网平台公司举例：互联网领域 :
阿里云|Link物联网平合、腾讯|QQ物联、百度云|天工智能物联网平台
京东|京东微联、小米|小米IOT开发者平台
通信领域 ：
中国移动| OneNeT、中国联通| 物联网平台20、中国电信|ctwing
华为|Ocean Connect、中兴通讯 |Thing Cloud兴云、中国通信服务|CCS开放物联网平台
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）