11.1 信息物理系统技术概述

11.1.1 信息物理系统的概念

信息物理系统（Cyber-Physical Systems, CPS）是控制系统、嵌入式系统的扩展与延伸，其底层理论技术源于嵌入式技术的应用与提升。

CPS 通过集成先进的感知、计算、通信、控制等信息技术和自动控制技术，构建物理空间与信息空间中人、机、物、环境、信息等要素相互映射、适时交互、高效协同的复杂系统，实现系统内资源配置和运行的按需响应、快速迭代、动态优化。

其本质是构建一套信息空间与物理空间之间基于数据自动流动的状态感知、实时分析、科学决策、精准执行的闭环赋能体系，核心目标是解决生产制造、应用服务过程中的复杂性和不确定性问题，提高资源配置效率，实现资源优化。

11.1.2 CPS 的实现

1. CPS 的体系架构

CPS 体系架构分为三个层级，层层递进实现规模化协同：

• 单元级 CPS：CPS 的最小不可分割单元，具备可感知、可计算、可交互、可延展、自决策功能，如智能部件、工业机器人、智能机床等；
• 系统级 CPS：多个单元级 CPS 通过工业网络（工业现场总线、工业以太网等）互联，实现异构集成、即插即用、协同控制、监视与诊断等功能，扩大资源优化配置的广度与精度；
• SoS 级 CPS：多个系统级 CPS 有机组合而成（如多个工序组成车间级 / 工厂级 CPS），核心实现数据汇聚、存储、融合、分布式计算与大数据分析，对内支撑资产优化，对外提供运营优化服务，具体功能包括数据存储、数据融合、分布式计算、大数据分析、数据服务，以及基于数据服务的资产性能管理和运营优化服务。

2. CPS 的技术体系

CPS 技术体系分为三大类，涵盖顶层设计、基础支撑与核心实现：

• 总体技术：含系统架构、异构系统集成、安全技术、试验验证技术，是 CPS 的顶层设计核心；
• 支撑技术：含智能感知、嵌入式软件、数据库、人机交互、中间件、SDN（软件定义网络）、物联网、大数据，为 CPS 应用提供基础支撑；
• 核心技术：含虚实融合控制、智能装备、MBD、数字孪生技术、现场总线、工业以太网、CAX/MES/ERP/PLM/CRM/SCM 等，是 CPS 落地的基础技术。

3. 四大核心技术要素

CPS 技术可凝练为 “一硬、一软、一网、一平台”，共同支撑系统运行：

• 一硬（硬件支撑）：感知和自动控制技术，是 CPS 物理交互的基础；
• 一软（核心核心）：工业软件，固化计算和数据流程规则；
• 一网（网络载体）：工业网络，实现互联互通和数据传输；
• 一平台（上层支撑）：工业云和智能服务平台，汇聚数据并提供资源管控与能力服务。

11.1.3 信息物理系统的建设和应用

CPS 的典型应用场景覆盖设计、生产、服务、应用全流程：

1. 智能设计：产品及工艺设计、生产线 / 工厂设计等工作在虚拟空间完成仿真、迭代与改进；
2. 智能生产：打破信息孤岛，实现设备互联互通与生产过程监控，优化生产计划，达成资源与制造协同，推动 “制造” 向 “智造” 升级，含设备管理、生产管理、柔性制造；
3. 智能服务：构建本地与远程云服务协同的工业云服务体系，含健康管理、智能维护、远程征兆性诊断、协同优化、共享服务，支撑企业经济性、安全性和高效性经营目标；
4. 智能应用：重构价值链，推动设计者、生产者、使用者转变为新价值创造参与者，含无人装备、产业链互动、价值链共赢，实现制造业转型。

11.2 人工智能技术概述

11.2.1 人工智能的概念

人工智能（Artificial Intelligence, AI）是利用数字计算机或数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

AI 的核心目标是理解智能实质，生产出能以人类智能相似方式反应的智能机器，研究领域包括机器人、自然语言处理、计算机视觉、专家系统等。

根据是否能真正实现推理、思考和解决问题，AI 可分为：

• 弱人工智能：无法真正实现推理和解决问题的智能机器；
• 强人工智能：真正具备思维能力的智能机器。

11.2.2 人工智能的发展历程

暂未补充相关内容

11.2.3 人工智能关键技术

1. 自然语言处理（NLP）研究人与计算机之间自然语言有效通信的理论与方法，核心应用包括机器翻译、语义理解、问答系统等。

2. 计算机视觉（CV）模仿人类视觉系统，让计算机具备提取、处理、理解和分析图像及图像序列的能力，将图像分析任务分解为可管理的子任务。

3. 知识图谱（KG）将不同种类信息连接形成的关系网络，提供从 “关系” 角度分析问题的能力，常用于反欺诈、不一致性验证等场景。

4. 人机交互（HCI）聚焦人与计算机之间的信息交换技术，优化交互效率与体验。

5. 虚拟现实 / 增强现实（VR/AR）以计算机为核心的新型视听技术，生成与真实环境在视觉、听觉等方面高度近似的数字化环境。

6. 机器学习（ML）以数据为基础，通过研究样本数据寻找规律，进而预测未来数据的技术，广泛应用于数据挖掘、计算机视觉、自然语言处理等领域。

• 按学习模式分类：
  • 监督学习：利用标注训练数据集建立模型，实现对新数据的标记 / 映射，应用于自然语言处理、垃圾邮件侦测等；
  • 无监督学习：利用无标记数据挖掘隐藏结构 / 规律，无需人工标注，应用于经济预测、异常检测等；
  • 半监督学习：结合少量标注样本和大量未标记样本训练，减少标注代价，如拉普拉斯支持向量机；
  • 强化学习：学习环境状态到行为的映射，通过环境奖赏优化行为，应用于机器人控制、无人驾驶等。
• 按学习方法分类：
  • 传统机器学习：需手动提取领域特征，依赖大量专业知识；
  • 深度学习：基于多层神经网络，无需人工特征提取，需海量训练数据和强大算力，注重特征自学习。
• 其他常见算法：
  • 迁移学习：利用另一领域数据关系解决目标领域数据不足问题，应用于传感器网络定位、文字分类等；
  • 主动学习：查询有用未标记样本并由专家标注，提升模型精度；
  • 演化学习：基于演化算法设计，维护解的集合并通过启发式算子生成新解，持续优化，应用于分类、聚类、规则发现等问题。

        7.典型应用当前 AI 的典型应用代表为 ChatGPT，集成多种关键技术实现自然语言交互与知识生成。

 我开发了一个微信小程序，把我总结的高项、系规和架构笔记都放到上面了。
同时，我过高项使用的论文也放上面了，需要的可以去看看，完全免费。

链接：#小程序://软考辅助/GIdqTAaK0HM5B1y