AI预警系统是基于什么技术的呢？

智慧安防预警系统针对公用、民用安防领域，运用AI视觉智慧监控技术，基于GPU（图形处理器）架构高度优化和机器人深度学习，对图像进行识别和处理。核心是“采用计算机视觉算法，在不需要人为干涉情况下，对摄像机拍摄的海量图像数据进行自动分析、识别、定位、追踪，并在此基础上判断目标行为，对异常做出反应或预警。”可降低人力成本，大大提升监控精准度。

物联网就是物物相连的互联网。

这有两层意思：

其一，物联网的核心和基础仍然是互联网，是在互联网基础上的延伸和扩展的网络；

其二，其用户端延伸和扩展到了任何物品与物品之间，进行信息交换和通信，也就是物物相息。

物联网通过智能感知、识别技术与普适计算等通信感知技术，广泛应用于网络的融合中，也因此被称为继计算机、互联网之后世界信息产业发展的第三次浪潮。

物联网的应用：

1、智能交通。物联网技术在道路交通方面的应用比较成熟。随着社会车辆越来越普及，交通拥堵甚至瘫痪已成为城市的一大问题。对道路交通状况实时监控并将信息及时传递给驾驶人，让驾驶人及时作出出行调整，有效缓解了交通压力。

2、智能家居。智能家居就是物联网在家庭中的基础应用，随着宽带业务的普及，智能家居产品涉及到方方面面。 家中无人，可利用手机等产品客户端远程 *** 作智能空调，调节室温。

3、公共安全。近年来全球气候异常情况频发，灾害的突发性和危害性进一步加大，网可以实时监测环境的不安全性，情况提前预防、实时预警、及时采取应对措施，降低灾害对人类生命财产的威胁。

人工智能云计算在2020年科创板上市的公司有：
1、腾讯云：提供AI、大数据、云计算等服务；
2、百度云：提供AI、云计算、大数据、物联网等服务；
3、阿里云：提供AI、云计算、大数据、物联网等服务；
4、网易云：提供AI、云计算、大数据、物联网等服务；
5、中信云：提供AI、云计算、大数据、物联网等服务；
6、华为云：提供AI、云计算、大数据、物联网等服务；
7、联想云：提供AI、云计算、大数据、物联网等服务；
8、京东云：提供AI、云计算、大数据、物联网等服务；
9、浪潮云：提供AI、云计算、大数据、物联网等服务；
10、微软云：提供AI、云计算、大数据、物联网等服务。

很不错。该校通过构建高尖端全智能校园平台，此外以互联网、物联网、大数据、人工智能(AI)、智慧校园、共享课堂等新兴技术为基础，为学生提供涵盖课堂实时互动直播、录播，微课制作，资源中心，翻转课堂等功能模块的共享教育平台和智慧实训平台，人工智能是目前非常流行的一种职业，也是未来发展的一种趋势。

当前，物联网（IoT）技术领域充释着各种标准，像NB-IoT、LoRa、SigFox等，他们正通过各自擅长的技术和应用抢夺IoT风口，以争取在这片广阔的市场上取得优势。
这里写描述
NB-IoT是由电信标准延伸而出的，主要是由电信运营商支持，而LoRa则是一个商业运用平台，两者主要区别在于商业运营的模式：NB-IoT基本是由电信运营商来把控运营，所以使用者必须使用它的网关及服务，而LoRa就量对开放一些，有各种不同的组合方式，商业的模式是完全不同的。
技术层面上来看，NB-IoT和LoRa的差异其实并不是很大，属于各有优劣。而相对于某些领域，国内有一些用户在并行使用这两种技术和网络。NB-IoT相对而言是受限于基站的，而LoRa则要加入一个网关相对简单容易，并且总的来说价格要比NB-IOT低廉。用户可以根据需求，增加不同的网关覆盖。所以从覆盖程度上来说LoRa的覆盖程度可能比NB-IoT更广一点。
LPWAN又称LPN，全称为LowPower Wide Area Network或者LowPower Network，指的是一种无线网络。这种无线网络的优势在于低功耗与远距离，通常用于电池供电的传感器节点组网。因为低功耗与低速率的特点，这种网络和其他用于商业，个人数据共享的无线网络(如WiFi，蓝牙等)有着明显的区别。
在广泛应用中，LPWAN可使用集中器组建为私有网络，也可利用网关连到公有网络上去。
LPWAN因为跟LoRaWAN名字类似，再加上最近的LoRaWAN在IoT领域引起的热潮，使得不少人对这两个概念有所混淆。事实上LoRaWAN仅仅是LPWAN的一种，还有几种类似的技术在与LoRaWAN进行竞争。
概括来讲，LPWAN具有如下特点：
• 双向通信，有应答
• 星形拓扑(一般情况下不使用中继器，也不使用Mesh组网，以求简洁)
• 低数据速率
• 低成本
• 非常长的电池使用时间
• 通信距离较远
LPWAN适合的应用:
• IoT，M2M
• 工业自动化
• 低功耗应用
• 电池供电的传感器
• 智慧城市，智慧农业，抄表，街灯控制等等
LoraWAN和Lora之间关系
虽然一样是因为名字类似，很多人会将LoRaWAN与LoRa两个概念混淆。事实上LoRaWAN指的是MAC层的组网协议。而LoRa只是一个物理层的协议。虽然现有的LoRaWAN组网基本上都使用LoRa作为物理层，但是LoRaWAN的协议也列出了在某些频段也可以使用GFSK作为物理层。从网络分层的角度来讲，LoRaWAN可以使用任何物理层的协议，LoRa也可以作为其他组网技术的物理层。事实上有几种与LoRaWAN竞争的技术在物理层也采用了LoRa。
LoraWAN的主要竞争技术
这里写描述
如今市场上存在多个同样使用LoRa作为物理层的LPWAN技术，例如深圳艾森智能（AISenz Inc）的aiCast。aiCast支持单播、多播和组播，比LoRaWAN更加复杂完备。许多LoRaWAN下不可能的应用因此可以实现。
Sigfox使用慢速率的BPSK(300bps)，也有一些较有前景的应用案例。
NB-IoT(Narrow Band-IoT)是电信业基于现有移动通信技术的IoT网络。其特点是使用现有的蜂窝通信硬件与频段。不管是电信商还是硬件商，对这项技术热情不减。
关键技术Lora简介
LoRaWAN的核心技术是LoRa。而LoRa是一种Semtech的私有调制技术(2012收购CycleoSAS公司得来)。所以为了便于不熟悉数字通信技术的人们理解，先介绍两个常见的调制技术FSK与OOK。选用这两个调制方式是因为：
1这两个是最简单、最基础、最常见的数字通信调制方式
2在Semtech的SX127x芯片上与LoRa同时被支持，尤其是FSK经常被用来与LoRa比较性能。
OOK
OOK全称为On-Off Keying。核心思想是用有载波表示一个二进制值(一般是1，也可能反向表示0)，无载波表示另外一个二进制值(正向是0，反向是1)。
在0与1切换时也会插入一个比较短的空的无载波间隔，可以为多径延迟增加一点冗余以便接收端解调。OOK对于低功耗的无线应用很有优势，因为只用传输大约一半的载波，其余时间可以关掉载波以省功耗。缺点是抗噪音性能较差。
这里写描述
FSK
FSK全称为Frequency Shift Keying。LoRaWAN协议也在某些频段写明除LoRa之外也支持(G)FSK。FSK的核心思想是用两种频率的载波分别表示1与0。只要两种频率相差足够大，接收端用简单的滤波器即可完成解调。
对于发送端，简单的做法就是做两个频率发生器，一个频率在Fmark，另一个频率在Fspace。用基带信号的1与0控制输出即可完成FSK调制。但这样的实现中，两个频率源的相位通常不同步，而导致0与1切换时产生不连续，最终对接收器来讲会产生额外的干扰。实际的FSK系统通常只使用一个频率源，在0与1切换时控制频率源发生偏移。
这里写描述
GFSK是基带信号进入调制前加一个高斯(Gaussian)窗口，使得频率的偏移更加平滑。目的是减少边带(Sideband)频率的功率，以降低对相邻频段的干扰。代价是增加了码间干扰。
对于这一方面的研究实验发现：学习Lora调制技术的一些准备及发现
然而，对于“悠久历史积累”和高安全、易部署等综合优势的LoRa阵营来说，最近几年里，在技术和落地方面虽取得了长足的进步，但离真正的规模、解决行业客户的切实问题是有着不小的差距。那么，究竟是技术壁垒突破较难？产业链生态不健全？亦或者是商业模式限制了从业者对市场规模的想象？对于LoRa产业链的广大从业者而言，找到制约LoRa技术大规模发展的瓶颈，并联手产业合力突围对推动产业良性发展至关重要。

从AI的市场需求和政策支持来看，落地应该是非常轻松简单的，可实际上却事与愿违，现实是AI很火但是落地却很难。是什么原因导致AI无法自然融入这个 社会 ，只能成为华而不实的幻影？

从政策来看， 国务院印发的《新一代人工智能发展规划》，计划到2025年，人工智能基础理论实现重大突破，部分技术与应用达到世界领先水平，人工智能成为我国产业升级和经济转型的主要动力，智能 社会 建设取得积极进展；到2030年，人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心。

从应用来看， 人工智能(AI)技术在工业现代化的浪潮下向各个领域渗透，包括市政、交通、医疗、商用等，随着5G商用的春风，如今AI技术更火了。

从数据来看， 2020年中国人工智能产业规模超过1500亿元，带动相关产业规模超过1万亿元。然而AI企业在资本市场并不太顺利，在 探索 技术与产品、应用与商业方面存在着各种各样的问题。

人工智能行业历经多年快速发展，逐步进入一个瓶颈期。一个很重要的影响因素就是AI落地难。那么，到底是什么阻碍了AI落地？

场景限制

碎片化太严重是AI应用落地的一大瓶颈。AI并不是万能的，在使用上经常受限于场景，随着用户对AI应用的诉求变得越来越个性化和碎片化，企业所提供的产品和解决方案也呈现碎片化，然而场景多样化的脚步并未追上AI算力的增长，溢出的算力需要更多的场景来释放其能力。

数据制约

数据也是制约AI成功落地的一大因素。由于AI依赖数据训练基础算法，因而获得有意义的高质量数据，对于AI落地成功至关重要。如果缺少统一、标准化、高质量的数据，AI应用可能就是无米之炊、无源之水。

人才短缺

AI不只是一个技术、工具，更是一种思维方式，在AI落地过程中，储备真正懂得AI思维、AI语言的人才，显得尤为重要。实施AI项目通常需要数据科学家、ML工程师、软件架构师、BI分析师等相关人员组成团队，但是这些有经验的专业人员很难聘请，这种状态进一步导致了AI的落地难。

成本高昂

企业用户的核心目标是利用人工智能技术实现业务增长，只有将AI技术应用到现实世界里，才能为企业创造利润价值。然而，在深入产业落地的过程中，落地成本太高的问题被暴露出来，而这些也成为当前阶段AI落地应用过程中新的痛点。

总结

AI如何落地一直是行业热议的话题。我们看到近两年，在疫情、物联网、5G、智能化等因素的影响下AI的应用需求更加明晰。应用场景、资源与基础设施、算法和模型、智能设备、数据构成了AI技术落地的五大要素。如何将这五大要素在落地场景中实现协调，是AI技术在产业界落地的另一个关键点。

虽然AI离实际落地还有很长一段路要走，但是从长远来看，AI还有很大的进步空间，市场前景广阔，是发展潜力无限的朝阳产业。

---