1、 版权声明版权声明 本白皮书版权属于网络通信与安全紫金山实验室所有并受法律保护，任何个人或是组织在转载、摘编或以其他方式引用本白皮书中的文字、数据、图片或者观点时，应注明“来源：网络通信与安全紫来源：网络通信与安全紫金山实验室金山实验室”。否则将违反中国有关知识产权的相关法律和法规，对此网络通信与安全紫金山实验室有权追究侵权者的相关法律责任。编写说明编写说明 编写单位：编写单位：网络通信与安全紫金山实验室、北京邮电大学、人工智能与数字经济广东省实验室（深圳）、Carleton University、中国信息通信研究院、中国联合网络通信有限公司研究院、“科创中国”未来网络专业科技服务团 主要编写

2、人员：主要编写人员：谢人超、F.Richard Yu、贾庆民、唐琴琴、谢高畅、邹鑫、吴双、黄韬、周晓茂、胡玉姣、郭凯、彭开来、刘辉、赖华尧、何斌、汤雅婷、张华宇、严园园、马千飘、陈平平、吴运翔、刘芷若、张岩、崔煜喆 I 前 言 随着信息通信网络技术的快速发展，在云计算、边缘计算、终端设备中部署的智能模型和资源变得越来越多，如何高效利用这些智能资源，驱动各行各业智能化水平的提升成为当前业界面临的重要课题。在“网络需要智能、智能需要网络”的背景下，智能互联网的概念得以提出。智能互联网旨在将分布式的智能资源进行互联，充分利用和共享智能资源及智能服务，提升智能资源的利用率，同时提升设备和应用的智能化决

3、策水平。本白皮书详细阐述了智能互联网的发展背景、基本概念、参考架构、关键使能技术，同时介绍了智能互联网的典型应用场景，并探讨了智能互联网的生态建设和挑战机遇。目前，工业界和学术界对智能互联网的研究尚处于起步阶段，并仍处于快速发展之中，因此本白皮书还存在需要不断完善的地方，真诚地企盼读者批评指正。II 目 录 前 言.I 目 录.II 一、智能互联网发展背景.1 1.1 互联网面临的挑战.1 1.2 网络范式演进历程.3 1.3 人工智能演进历程.5 1.4 智能互联网的产生.8 二、智能互联网参考架构及关键技术.12 2.1 智能互联网参考架构.12 2.2 智能互联网使能技术.16 2.2.

4、1 物理资源层.16 2.2.2 资源虚拟层.20 2.2.3 信息层.22 2.2.4 智能层.25 2.2.5 应用层.29 三、智能互联网应用场景.31 3.1 智慧交通.31 3.2 智能制造.33 3.3 智慧城市.35 3.4 智慧医疗.37 3.5 元宇宙.38 III 四、智能互联网生态建设.41 4.1 基础设施建设.41 4.2 异构实体兼容.42 4.3 智能资源互联.43 五、技术挑战与未来方向.46 5.1 智能度量与建模.46 5.2 协议设计.47 5.3 激励机制.47 5.4 智能发现.48 六、总结与展望.50 附录 A：术语与缩略语.51 参考文献.53

5、1 一、智能互联网发展背景一、智能互联网发展背景 智能互联网（IoI，Internet of Intelligence）是一种新兴的网络范式，推动未来的网络从基于信息的体系结构转向基于智能的体系结构，并使智能像物质、能量和信息一样容易获得，以进一步模糊人工智能（AI，Artificial Intelligence）与人类智能的边界。本白皮书阐述了智能互联网的产生背景、体系结构、使能技术、应用场景、生态建设和机遇挑战，旨在为那些有兴趣了解智能互联网概念和技术的研究人员提供介绍与指导。具体而言，本章首先从研究网络范式和人工智能的演进历史入手，然后通过论证网络需要智能，智能需要网络，进一步阐述了智能

6、互联网产生的动因及目的。1.1 互联网互联网面临的挑战面临的挑战 互联网经过几十年的研究和发展已经成为当今世界促进经济发展和社会进步的重要信息基础设施。根据思科的白皮书显示，到 2023年互联网用户总数将达到 53 亿，联网设备将超过 293 亿。通过用户与机器之间的信息联网，互联网可以将信息即时传递给千里之外的各类用户，实现全球信息化。然而，用户与信息的快速膨胀也给后互联网时代的发展带来了一些新的挑战。信息爆炸信息爆炸：互联网中不断接入的终端设备、边缘计算（MEC，Multi-access Edge Computing）站点、以及云计算数据中心等设备产生 2 了爆炸式增长的信息，这会造成信息

7、过载并导致网络决策困难和应用服务质量降低；虚假信息虚假信息：越来越多的虚假信息和劣质信息通过互联网迅速、广泛地传播，破坏了互联网的和谐环境，也危害了经济和社会的发展；人在回路人在回路（Human-in-the-loop）：互联网爆发式的发展趋势，给当前“人在回路”的网络运营管理带来了在规模、复杂性、动态性和成本高等方面前所未有的挑战；应用应用局限性局限性：互联网在解决现有应用场景中的挑战方面表现出局限性。例如，互联网现有的运维管理能力难以支撑开发可靠且效益极高的自主系统（如智能制造系统及自动驾驶系统）。随着具备通用性特征的 AI 技术获得学术界和产业界前所未有的关注，研究人员开始将 AI 应用

8、于计算机/通信网络中以解决上述问题并推进各个领域应用的发展。例如：在智慧城市、智能电网、智慧教育等场景中使用了、AI 技术以驱动应用系统构建及相关技术研发。另外，通过智能组网可以实现分布式智能、智能存储、智能共享，以进一步模糊人工智能与人类智能的边界，显著提升训练效率，更有效地模拟真实世界环境。因此，从应用场景和技术发展角度来看，未来的网络的演进呈现出需要从基于信息的体系结构转向基于智能的体系结构的趋势。智能互联网就是一种基于上述思想来解决网络挑战的新兴网络范式，并引起了工业界和学术界的高度关注。为了使研究人员更直观、更深入地理解 IoI，并提供有洞察力的指导方案以充分发挥 IoI 的深远效益

9、，本白皮书从网络范式与人工智能的演进历史入手，3 从概念、架构、技术、场景、生态、挑战等多个方面对 IoI 进行了系统、全面的阐述。1.2 网络网络范式范式演进演进历程历程 为探索 IoI 产生和发展的必要性和必然性，需要在更长远的时间角度上审视人类社会的发展。回顾人类社会发展史，可以发现“合作”是信息交互的核心纽带。人类作为社会物种，需要依靠合作来实现生存和繁荣。人们往往认为，人类之所以能够主宰世界，是因为人类是唯一能够大量灵活合作的动物。在现代历史上，为了促进社会经济系统中的合作，人类发明了使物质、能源和信息联网的技术，即交通运输网、能源传输网和信息互联网。如图 1-1 中所示。下面将简要

10、回顾这三种组网技术。图 1-1 网络范式演进 交通运输网：交通运输网：在人类发展历程中，第一个成功的网络是交通运输网，它实现了物质的传输。交通技术对于促进人类合作至关重要，其 4 本质上是将大量的物体从一个地点运到另一个地点，以减少不同空间之间的物质资源差距。在物质联网的初始阶段，人类靠步行运输；后来，人类利用动物和木船等简易交通工具运输。在 18 世纪和 19 世纪，大量新型交通工具及相关技术被发明，比如自行车、汽车、火车和有轨电车。如今，飞机、高铁、磁悬浮列车、宇宙飞船等都是交通技术的广泛应用，极大地推动了社会经济贸易的繁荣和人类文明的进步。能源传输网络：能源传输网络：能源传输网络是另一种

11、颠覆性技术，是当今人类生存的基础，也是人类繁荣的基石。能源传输网络的主要目的是将能源从一个地点转移到另一个地点，以减少能源的时空分布差距。通过电网，电能可以从发电厂传输到家庭和企业，这样人们就可以很容易地获得能源，以使用家用电器、照明建筑等各类用电物体。能量是系统在能源传输网络中引起变化的能力的度量。根据热力学第一定律，能量是守恒的，它既不能凭空产生也不能凭空消失,它可以从一个位置转移到另一个位置，或者从一个物体转移到另一个物体，且在转移过程中能量的总和不变。能量和物质之间有着密切的关系，例如动能描述了物体由于机械运动而产生的能量。动能定理可以表示为：0.5mv2=0.5m(d/t)2，其中

12、m 表示质量，v 表示速度，d 表示距离，t 表示时间。因此，动能可以被视为物质在一个传输过程中的速度。信息互联网：信息互联网：随着计算机的发明和信息技术的发展，信息互联网应运而生，从而推动人类步入信息时代，信息互联网的发明使人类的 5 合作达到了一个新的水平。信息互联网的主要目的是将信息从一个地点移动到另一个地点，以减少信息的差异。当前，信息互联网已经成为我们的社会经济系统的主要基础设施之一，推动着人与人之间、人与机器之间的信息交换与信息共享。1867 年，麦克斯韦领导的“恶魔”实验首次提到了信息和能量之间的联系，该实验通过将信息（即每个粒子的位置和速度）转换为能量来减少系统的熵，这个实验激

13、发了关于热力学和信息论之间关系的讨论。1948 年，香农提出了“信息熵”的概念，解决了信息的定量度量问题，得到了与热力学中形式相同的熵公式。热力学熵是描述能量自发扩散过程的状态参量。它可以表示d=/，其中d是熵的变化，是转移的能量，T 是温度。类似地，信息熵衡量信息的状态，代表着信息从一个状态移动到另一个状态所需的最小能量。在上述网络范式的每一次演进中，我们都可以移动“某物”（如物质、能量或信息）来减少“某物”之间的差异，从而进一步通过共享“某物”来促进人类的合作。在人类社会发展的时间尺度下，我们可以观察到网络范式的演化趋势：新的网络范式需要基于现有网络范新的网络范式需要基于现有网络范式，但提

14、供了更高层次的抽象。式，但提供了更高层次的抽象。1.3 人工智能演进人工智能演进历程历程 人工智能作为计算机科学的一个分支研究方向，从诞生到现在已经经历了 70 多年的发展。图1-2 给出了人工智能的发展过程示意图。在过去的几十年里，AI 取得了很多进步和成就，但也经历了挫折和 6 坎坷。即使当前的人工智能比历史上任何时期都更接近人类智能水平，但在严格意义上其与人类智能仍有很大差距。图 1-2 人工智能演进历程 阶段阶段 1：1940-1970：在这一阶段，研究工作集中在传统的人工智能问题上，例如基于逻辑和启发式算法的方法推理。具体来说，在1943年，麦卡洛克（W.McCulloch）和皮茨（

15、W.Pitts）开发了生物神经元的数学和计算机模型；维纳（N.Wienner）在 1948 年开创了控制论，研究动物和机器的控制和交流；1950 年初，冯诺依曼（J.Von Neumann）和图灵（A.Turing）开发了现代计算机的体系结构；1956 年，斯坦福大学的麦卡锡（J.McCarthy）、麻省理工学院的明斯基（M.Minsky）等学者在美国达特茅斯学院首次提出了“人工智能”的概念，人工智能被定义为机器以类似于人类的方式思考和学习。接下来的二十年是 AI 发展的黄金时期。一个成功的案例是 1966年魏森鲍姆（J.Weizenbaum）开发的 Eliza 计算机程序，这是一种自 7 然

16、语言处理工具，可以模拟与人类的对话。另一个例子是西蒙（H.Simon）等人开发的通用问题解决程序，它可以自动解决某些问题，如汉诺塔（Tower of Hanoi）问题。这些鼓舞人心的成功案例使得AI 获得了前所未有的关注。然而，由于大量资本和劳动力的投入并没有收到预期的效果，AI 在 1974 年至 1980 年迎来了第一个寒冬，特别是由于明斯基对感知器的强烈批判，联结主义（或神经网络）派消沉了近十年。阶段阶段 2：1980-1990：随着 20 世纪 70 年代末第一批微处理器的出现，AI 再次引起人们的注意，并与专家系统密切相关。专家系统是指为特定目的而构建的系统，其中智能被嵌入在工具中，

17、并且有关其操作的知识在系统规范中是公开可用的。专家系统在工业领域有着广泛的应用。一个著名的例子是 IBM 的 Deep Blue 国际象棋程序在 1997年击败了世界冠军卡斯帕罗夫（G.Kasparov）。专家系统最适合静态问题，而不适合实时动态问题。专家系统将智能狭义地定义为抽象推理，这与模拟真实世界复杂性的能力相去甚远。此外，它的开发和维护是复杂的。20 世纪 90 年代，随着日本智能（第五代）计算机发展的失败和斯坦福大学主导的人类知识百科全书 Cyc 的衰落，AI 的发展再次进入寒冬。阶段阶段 3：2010 年至今：年至今：由于大量应用的成功实现，AI 的研究再次成为热点。例如，2016

18、 年，谷歌的 AlphaGo 击败了世界冠军李世石；2020 年，AlphaFold 成功预测了蛋白质的形状，使其能够执行生命活动。与专家系统不同，当今 AI 的浪潮的关键要素是系统的学习 8 能力。其中神经网络和深度学习这两种技术发挥着重要作用。神经网络的目的是建立一个类似于人类大脑结构和计算结构的模型，通过示例（监督学习）来指导网络，以学习变量之间的非线性相关性。深度学习则起源于 20 世纪 80 年代辛顿（G.Hinton）的工作。它的学习算法基于非线性统计，学习数据在多层神经网络中被组织。神经网络是深度学习算法的基石，而深度学习中的“深度”指的是神经网络中各层的深度。然而，深度学习仍有

19、许多挑战需要解决。例如，深度学习系统需要海量数据才能获得强大的学习性能。然而，在实际应用中，由于隐私和资源限制，系统可能无法获得高质量的训练数据。此外，与先验知识的融合、可解释性也是深度学习中的关键问题。1.4 智能互联网智能互联网的产生的产生（1）网络需要智能）网络需要智能 互联网作为极为关键的信息基础设施，在过去的几十年里经历了突飞猛进的发展，迄今为止它已经拥有数十亿的网站、活跃用户和连接设备。互联网的这一爆炸性发展趋势带来了诸如信息过载、虚假信息以及难以设计可信且经济高效的自治系统等挑战，因此网络需要智能解决上述问题挑战。AI 等智能技术通常被用于从各种信息源中提取网络环境中的智能。首先

20、，通过向网络中注入智能，可以有效地从海量互联网信息中提取有用信息；其次，智能也可以存储、传输和共享，从而减少网络中的信息冗余；再次，区块链技术的采用还可以有效增强网络安全和隐私问题，从而促进智能共享、智能分布、集中学 9 习和决策信任；此外，“人在回路”的网络操作方式有望增强网络的健壮性，实现对网络动态事件的快速响应。最后，智能的广泛应用使得网络还将具备自主配置、自主组织、自主适应的能力，从而有效支持自主驾驶等可靠性强且经济效益高的自治系统的设计开发。（2）智能需要网络）智能需要网络 现有的大多数 AI 工作都以单代理训练为主，这在很大程度上依赖于本地环境中的大量预定义数据集。然而，随着互联网

21、中数据的快速增长，这种集中式的 AI 方法受到本地计算能力和存储能力的限制，训练出的模型泛化能力有待提高。为了解决这些问题，AI 算法需要高质量的数据源来更好地训练模型。另外，虽然 AI 的概念被定义为使计算机能够像人类一样智能地执行任务的科学。然而目前它与人类学习还相差甚远，人类学习需要的数据集要少得多，并且在适应新环境方面也更加灵活。人类学习的一个决定性特征是集体学习，通过集体学习，智慧可以被人类保存、分享和传承。也就是说，集体学习是一种有效分享智慧的能力，这样个人的想法就可以储存在社区的集体记忆中代代相传。集体学习的这种特点使人类能够通过分享以应对周围环境来适应新环境，从而在生物圈中发挥

22、主导作用，而目前的人工智能系统很难做到这一点。因此，未来的智能发展也离不开网络，通过将智能联网，可以实现分布式智能、智能存储和智能共享，以进一步模糊人工智能与人类智能之间的边界，显著提高训练效率，并更有效地模拟真实世界环境。10（3）智能互联网）智能互联网 前文论证了网络需要智能的同时智能也需要网络，即未来的网络范式离不开智能化来解决当前信息网络范式中存在的问题。在此背景下，IoI 是继交通运输网络、电力能源网络、信息互联网之后的新一代网络体系，是未来网络技术与 AI 技术深度融合的网络新范式。IoI旨在将分布式的智能资源进行互联，充分利用和共享智能资源及智能服务，提升智能资源的利用率，同时提

23、升设备和应用的智能化决策水平。IoI 使智能如物质、能量和信息一样易于获取，这里的提到的智能并不等同于信息，而是对信息的更高层次的抽象和浓缩，它描述了通过分析信息集获得的一般模式和关系。智能可以是将信息聚合成智能的算法，即智能模型，也可以是通过应用模型而获得的抽象信息，即智能样本。例如，经过训练的机器学习（ML，Machine Learning）模型是一种能够从输入信息中返回智能信息的技术。之后，提取的智能信息可以通过智能组合的方法被进一步运用，在该方法中，现有智能信息被进一步分析/组织以生成新的智能。图 1-3 显示了数据、信息和智能之间的逻辑关系。IoI 有望有效帮助解决当前社会经济系统中

24、的挑战，并像前述三种网络范式一样显著影响人类的日常生活。研究探讨 IoI 对于突破当前互联网和人工智能存在的技术瓶颈、推动社会经济生活向智能化方向发展演进具有重要意义。11 图 1-3 数据、信息和智能的关系 12 二、智能互联网参考架构及关键技术二、智能互联网参考架构及关键技术 智能互联网从逻辑上分为物理资源层、资源虚拟层、信息层、智能层和应用层五层，基于虚拟化技术、信息中心网络技术、人工智能技术、大数据分析技术、区块链技术，助力通信、计算、存储和智能资源的灵活调度与共享互联。2.1 智能互联网参考架构智能互联网参考架构 智能互联网体系架构采用分层思想设计，包括物理资源层、资源虚拟层、信息层

25、、智能层和应用层五层，如图 2-1 所示。物理资源层涵盖智能互联网的各种底层物理资源，如通信资源、缓存资源、计算资源和感知资源，是系统架构的基础支撑。随着网络虚拟化、软件定义网络（SDN，Software Defined Network）等技术的不断发展，云化成为网络发展的重要趋势，在此背景下，资源的利用显得尤为重要。因此，物理资源层之上的资源虚拟层将基础设施资源通过虚拟化技术抽象为逻辑资源以灵活调度。信息层支持智能数据处理以提取有用的信息，并将其传输到智能层。然后，智能层合并信息，利用 AI、区块链和大数据分析等技术开发综合智能。应用层通过各种标准化接口实现应用程序的动态部署和管理。13 图

26、 2-1 智能互联网参考架构 物理资源层物理资源层：物理资源层主要由 IoI 中的各种基础设施资源组成，包括通信资源、缓存资源、计算资源、感知资源等。通信资源涵盖来自无线接入网（RAN，Radio Access Network）、传输网、核心网等的传输和网络资源。缓存资源和计算资源由支持内容存储和数据计算的各类型实体组成，如智能设备、边缘计算服务器、基站（BS，Base Station）和数据中心。感知资源由感知周围环境并实时收集数据的传感设备组成。由于物理资源存在于分布式且异构的基础设施中，需要通过虚拟化技术将物理基础设施资源抽象并形成共享资源池，为智能网络的差异化应用提供基础资源支持。14

27、 资源虚拟层资源虚拟层：异构泛在的通信、缓存、计算和感知资源在资源虚拟层被抽象和池化。资源虚拟化指使用合适的虚拟化技术对资源进行抽象，也即基于预先定义的标准表示资源，同时隐藏或忽略与标准无关的方面，从而简化资源的使用和管理。虚拟化的资源可以是物理层面或虚拟层面的，并且支持不同层的递归抽象。进一步的，通过引入池化管理程序，可以感知到各种物理资源，并将分散的资源聚合为通信资源池、缓存资源池、计算资源池和感知资源池。采用 SDN、网络功能虚拟化(NFV，Network Functions Virtualization)、容器化等先进技术，可实现资源虚拟化，为各种应用提供按需的虚拟资源。此外，虚拟化资

28、源还可以通过分片技术按需定制服务，实现资源有效共享。信息层信息层：信息层的主要功能是处理和分析智能互联网中各种设备产生的大量原始数据，并从中推断出有用的信息，传递给智能层。由于信息层有利于服务的开发和整合，近年来引发多方关注。与此同时，信息层中大量重复冗余的内容以及低效的传输给目前基于 TCP/IP 的网络架构带来巨大挑战。因此，在信息层采用信息中心网络（ICN，Information-Centric Networking）架构替代传统网络架构。其特点是基于名称的数据检索和网内数据缓存，允许用户从附近的缓存节点获取数据。ICN 将内容与位置分开，通过发布/订阅范式提供存储和多方通信等服务，支持

29、用户快速获取信息，无需关注信息存储位置。信息层通过把原始数据转换为有用信息，将自我意识引入到智能互联网系统的物理组件中。智能层智能层：智能化是未来网络范式的基本特征之一。智能互联网在 15 智能的驱动下，可实现网络的自配置、自优化、自组织和自修复。因此，智能层需要将信息层的信息转化为智能，并通过智能决策在智能互联网上提供智能化和自适应地管理与控制。在服务层，利用大数据、人工智能等技术，实现智能探索、智能共享、智能存储、智能传递、智能服务应用编程接口（API，Application Programming Interface）等功能模块。在数据面，智能层对来自信息层的有效信息做进一步智能处理，实

30、现网内智能计算。在控制面，智能层根据网络实时情况动态配置各种资源，为上层应用提供定制服务。此外，作为中间层，智能层可以基于区块链等技术，为订阅智能服务的用户提供认证、授权和计费服务，以确保其隐私。应用层应用层：应用层旨在根据用户的不同需求为其提供特定的应用服务，并对所提供的服务进行评估，然后反馈评估结果。通过智能编程和智能管理，支持整体管控更高层次的智能应用，如智慧城市、智能制造、智慧交通、智能电网、智慧医疗等。应用层还通过智能相关技术，实现智能互联网中智能设备和基础设施的全生命周期监控，赋予网络自组织能力。此外，应用层负责评估服务性能，评估因素涉及到服务质量（QoS，Quality of S

31、ervice）、体验质量（QoE，Quality of Experience）、收集的数据质量和获取的智能质量等；同时，还需要考虑资源的利用效率（成本维度），如计算效率、能源效率和存储效率，以完善智能资源管理及智能服务发放。16 2.2 智能互联网使能技术智能互联网使能技术 智能互联网是在物联网技术基础上，结合各种新兴技术，能够进行智能感知与应用、大数据分析、智能共享的智能化网络，关键技术包括虚拟化技术、人工智能技术、边缘计算技术、区块链技术等。本节将分层介绍各层关键使能技术。2.2.1 物理资源层物理资源层 物理资源层主要由智能互联网的各种基础设施资源组成，包括通信资源、缓存资源、计算资源和

32、感知资源。本节概述当前支持智能互联网的通信、缓存、计算和感知技术。（1）通信）通信 第五代网络通信（5G，5th Generation Mobile Communication Technology）和网络技术是智能互联网的关键驱动因素，可为用户带来高质量服务和体验，例如增强移动宽带（eMBB，Enhanced Mobile Broadband）、超可靠低延迟通信（uRLLC，Ultra-reliable&Low-latency Communication）和大规模机器型通信（mMTC，Massive Machine Type of Communication）。5G 的重大进展之一是对网络功

33、能的虚拟化和重分配。其中，动态网络切片技术显著提高了网络的灵活性、数据速率和延迟性能，为各种智能互联网服务的出现提供支持。此外，大规模多输入多输出（MIMO，multiple-in multiple-out）等技术在解决频谱拥塞问题和数据高传输速率方面发挥了重要作用。17 为更好满足智能互联网的超高数据速率、超低延迟、超高可靠性和无缝迁移等严格要求，业界提出了下一代 6G（6th Generation Mobile Communication Technology）网络。支持智能互联网的 6G 简单架构如图 2-2 所示。6G 架构沿用了 5G 中的关键技术，但相比之下，6G 的开发具有大尺度

34、、高复杂性、动态性和异构性特点。因此，引入了太赫兹频段等新兴关键技术。图 2-2 6G 使能智能互联网架构（2）缓存）缓存 随着智能互联网的发展，网络内交换的数据量将显著增加，回程可能成为瓶颈。通过将智能互联网的内容存储在接入点和边缘计算服 18 务器等基础设施上，缓存技术可以实现缓存内容的重用，从而有效减少回程距离。缓存范式对基于内容分发和检索的使用模式的要求将在网络移动性、可用性和可扩展性方面带来挑战。为此，业界提出了内容分发网络（CDN，Content Delivery Network）和对等网络（P2P，Peer-to-peer Networking）、ICN 等技术，基于现有的存储和

35、计算基础设施，赋予网络内容分发和检索能力。（3）计算）计算 自动驾驶、智慧城市和能源互联网等应用的发展对智能互联网的计算能力提出了巨大挑战。由于设备尺寸和电池寿命的限制，智能移动设备通常无法提供较强的计算能力。云计算技术通过将部分计算任务转移到强大的云中心，成为解决上述挑战的有效方法。然而，由于云中心通常处在远离智能移动设备的地方，可能难以满足智能互联网中一些时延敏感型应用的低延迟要求。此外，长距离迁移大量计算任务可能是不经济甚至不可行的。为了解决此类问题，业界提出了边缘计算技术，使得具有丰富计算资源的邻近服务器能够为用户提供服务。边缘计算旨在将云计算平台（包括计算、存储和网络资源）迁移到网络

36、边缘，实现传统移动通信网络、互联网和智能互联网之间的深度融合，减少端到端延迟，改善用户体验。智能互联网的计算技术如图 2-3 所示。19 图 2-3 智能互联网中的计算技术（4）传感）传感 智能互联网时代，需要部署多种传感设备如环境传感设备、运动传感设备、摄像头等以提供相应传感数据，结合识别、定位、检测、成像等技术，实时感知环境状态，帮助智能互联网提供智能决策。射频识别（RFID，Radio Frequency Identification）是一种非接触传感技术，以非接触方式有效识别和跟踪物体，具有快速扫描、非接触式读取、可重用性、大存储、低成本和安全性等优势，可应用于智能互联网中识别、跟踪物

37、体以及交换信息。无线传感器网络（WSN，Wireless Sensor Networks）具有动态重构、可扩展性、可靠性、低功耗、低成本和小尺寸等优势，有助于将无线传感器网络集成到具有不同需求的各个领域，感知与周围环境相关的真实物理参数。群智感知结合了群智思想和智能设备的感知能力，可应用在智能互联网中解决传统传感网络维护成本高和覆盖范围有限的问题。20 2.2.2 资源虚拟层资源虚拟层 资源虚拟层旨在将 IoI 中异构泛在的通信、缓存、计算和感知资源虚拟化，以便网络灵活利用这些资源。本节将介绍资源虚拟层中的三项关键技术：SDN、NFV 和网络切片。（1）SDN 图 2-4 SDN 技术组件 随

38、着网络规模日趋增大和网络范式日益复杂，网络异构化特性愈发明显，产生了大量需要采集、处理和分析的数据。在此背景下，智能互联网将面临灵活性、互操作性和重配置等方面的挑战。为应对这些挑战，SDN 通过将控制平面与数据平面分离，在网络管理、网络虚拟化、资源利用和安全方面发挥重要作用。IoI 中 SDN 的架构如图 2-4 所示。SDN 通过其较好的灵活性和高度的可编程性，支持智能互联的高效动态网络配置，支撑智能互联应用的服务定制。此外，通过将 21 SDN 引入 IoI，还能实现高效的资源共享、安全路由和移动性管理。（2）NFV NFV 架构和编排机制如图 2-5 所示。NFV 是处理与特定服务相关的

39、虚拟化实例的关键技术，在实现服务迁移、灵活性和可扩展性等方面表现出良好的性能。例如，通过添加额外的特定资源或软件实例，可以很容易地扩展 IoI 中流行应用的资源。此外，IoI 服务可以从 NFV的动态特性中获益：1）支持在可操作的分布式虚拟网络上部署可移植的功能；2）支持将独立的服务块迁移到各种网络的不同云环境中；3）支持对特定应用的虚拟网络资源进行分片；4）共享可配置的资源池支持实现按需访问。SDN 和 NFV 技术密切相关。一方面，SDN 可以协助 NFV 管理动态资源并协调智能功能。另一方面，SDN 可以通过 NFV 为特定的服务链动态地创建虚拟环境。在 SDN 和 NFV 的辅助下，I

40、oI 可实现对多维资源的动态调度、管理和使用，提高系统性能。图 2-5 智能互联网中的网络功能虚拟化（3）网络切片）网络切片 22 智能互联网实现了各种类型的连接和服务，需要保证网络的性能和安全。此外，不同的 IoI 应用对服务有不同的要求。例如，智能工厂中的高精度生产应用需要保证丢包率小于109，端到端延迟范围为250 微秒至 10 毫秒；智能车辆应用要求可靠性超过 99.99%，端到端延迟小于 1 毫秒。网络切片可以通过在同一个共享物理基础设施上创建多个逻辑网段，有效地满足不同 IoI 应用的差异化需求。网络切片中引入了多租户环境，以支持网络资源的灵活配置和网络功能的动态分配。网络切片在

41、IoI 中的应用如图 2-6 所示。图 2-6 网络切片在智能互联网中的应用 2.2.3 信息层信息层 信息层旨在对 IoI 中的海量原始数据进行处理，提取出有效信息，并将其传递给智能层。ICN 可以根据 IoI 的需求，构建以信息/内容为中心的信息层架构。ICN 主要包括两种类型的包：兴趣包（interest packet）和数据包（data packet）。兴趣包用于记录用户请求的路径，方便内容发布者返回响应数据，数据包则是发布者响应用户请求的内 23 容。兴趣包和数据包都包含三个表：内容存储表（CS，Content Store）、待定请求表（PIT，Pending Interest Ta

42、ble）和转发信息表（FIB，Forwarding Information Base）。CS 存储接收到的数据包；PIT 存储兴趣包信息及接收到的匹配兴趣包信息的接口集；FIB 维护能够访问名称前缀的合适接口的记录。ICN 网络模型如图 2-7 所示。ICN 中的用户可以在不知道内容位置的情况下请求内容。通信遵循接收者驱动的原则，而数据遵循反向路径。因此，ICN 中连接建立是通过匹配请求的内容而不是提供内容的位置来决定。图 2-7 ICN 网络模型 此外，标识解析也 IoI 信息层中的一项关键技术。类似于互联网中的域名系统（DNS，Domain Name System），它在 IoI 中起着入

43、口的作用。DNS 将域名和 IP 地址相互映射，使人们能够更方便地访问互联网，而不必记住复杂的 IP 地址。DNS 的输入是域名，而输出是 24 其 IP 地址。相比之下，标识解析的输入是标识符，而输出是标识符的映射信息。通过标识解析系统，零散的智能可以被关联起来，如图2-8 所示。用户只需要提供一个唯一的标识符就可以获得情报的可追溯性信息。图 2-8 标识解析系统在智能互联网中的应用 标识解析系统的建设可以为 IoI 带来很多好处。首先，标识解析系统可以为应用提供统一的对象识别、寻址和理解方法，满足大数据分析中的数据同质性要求。其次，通过身份协议层的建设，可以简化服务提供者的工作流程。并且身

44、份协议层的缺失将把身份验证的责任转嫁给服务提供者，导致效率低下。再次，标识解析系统可以实现对各种网络设备的更好管理。它可以识别终端、网络设备、服务资源和数据等各种主体，从而实现多个应用系统的联合优化和资源的统一调度。最后，标识解析还可以促进多个孤立的系统之间的互联互通。25 2.2.4 智能层智能层 智能层需要对海量信息背后的情报进行分析和提取，主要使能技术包括 AI、区块链和大数据分析等。（1）AI 在智能互联网中，AI 是关键技术之一，用于从大量信息中提取有价值的情报。根据对人类决策等高级认知过程建模的方法，AI 可以分为符号主义方法和联结主义方法。符号主义符号主义 AI：符号主义是 AI

45、 研究中基于演绎推理、逻辑推理和搜索算法的所有高级符号表示方法的总称。在符号主义 AI 中，关于环境的知识不是通过优化技术从数学模型中获得的，而是通过形式语言进行硬编码的。由于不完全依赖海量数据，符号主义 AI 的优势在于可以针对单个事件训练 AI 模型，逻辑推理可以避免数据遗漏或错误导致的问题。此外，符号主义 AI 可以提供透明且易于理解的计算过程。然而，符号主义 AI 存在泛化能力弱、鲁棒性差的缺点。由于符号和规则相对固定，符号主义 AI 系统通常专为某类任务构建，且不能轻易推广到其他任务。联结主义联结主义 AI：联结主义 AI 的目的是通过模拟我们大脑中的神经网络来模拟智能。ML 构成了

46、当代联结主义 AI 的核心，使用算法分析大量数据，通过不断学习探索输入和输出之间的数学和逻辑关系，然后判断和预测环境中发生的事情，使其变得智能。ML 方法可以分为五类：1）监督学习：在指导下使用标记数据学习，直接得出结果；26 2)无监督学习：在没有任何指导下使用未标记的数据学习，发现潜在模式；3)深度神经网络(DNN，Deep Neural Network)：通过和环境互动学习，优化长期收益；4)强化学习（RL，Reinforcement Learning）：智能体在与环境的交互过程中通过学习策略达成回报最大化；5)迁移学习（TL，Transfer Learning）：存储在解决问题过程中获

47、得的知识，并将其应用于不同但相关的问题。联结主义 AI 系统具有很强的适应能力，即使去掉一个神经元，系统仍然可以正常工作。此外，神经网络对不同问题具有更强的泛化能力，但通常缺乏可读性，即人类无法理解系统如何做出决策。联结主义 AI 的另一缺点是过于依赖大量数据，在没有初步数据的情况下，联结主义 AI 很难通过训练获得能力。混合混合 AI 方法方法：符号主义 AI 基于创建显式（符号）模型，而联结主义 AI 基于学习隐式模型。在现实世界中，人类在解决问题时通常结合了隐式和显式模型。因此，未来的 IoI 中的 AI 应该是符号主义和联结主义的结合，这不仅可以根据大量数据找出内在规律，还能学习人类经

48、验、专业知识和逻辑推理能力。混合 AI 方法将符号主义 AI与联结主义 AI 结合起来，有望推动智能互联网实现真正的人工智能。（2）区块链）区块链 可以预见，随着 IoI 的大规模应用和部署，数据感知和智能共享记录（交易）将以分布式的方式产生，IoI 将面临交易记录和设备的管理问题、信任和隐私问题，区块链作为一种通用分布式账本技术，能够解决 IoI 中智能共享、安全和隐私、去中心化智能、集体学习和决策信任问题。27 在智能互联网中，每个参与者都持有账本，记录所有的交易（如智能共享、数据传感等）。区块链上的每一笔交易都根据单向加密哈希函数进行验证，并存储在分布式账本中。任何 IoI 参与者都只能

49、在达成共识后才能更改账本。常用的共识机制包括权益证明（PoS，Proof of Reputation）、工作量证明（PoW，Proof of Work）和有向无环图（DAG，Directed Acyclic Graph）等。依托区块链的共识机制和链式结构，IoI 系统可以利用区块链来存储、访问和保护历史交易，从而安全地利用这些数据。基于区块链的IoI系统运行流程如图2-9所示。图 2-9 基于区块链的智能互联网系统运行流程（3）大数据分析）大数据分析 28 大数据分析通过提取海量信息背后的知识，可以有效丰富 IoI 中的智能。大数据的特征是 5V（volume，velocity，variety

50、，value，veracity），即数据数量多、数据到达速度快、数据来源和类型多样、数据价值密度低、数据质量多样。大数据分析可以从海量数据提取出有价值的信息，IoI 中的大数据分析主要步骤如图 2-10 所示，主要包括数据采集和预处理、数据传输和安全保障、数据存储、数据分析、数据预测。其中，数据传输中的安全保障可采用高级加密标准（AES，Advanced Encryption Standard）、数据加密标准（DES，Data Encryption Standard）、托管加密标准（EES，Escrow Encryption Standard）等多种加密技术，以及 Kerberos 认证协议等

51、认证技术。数据分析和数据预测可结合 ML技术，对不同问题进行合理分析和合理推测。图 2-10 智能互联网中的大数据分析 29 2.2.5 应用层应用层 IoI 应用层的关键技术包括数字孪生和各种沉浸式技术，如虚拟现实（VR，Virtual Reality）、增强现实（AR，Augmented Reality）和混合现实（MR，Mixed Reality）。（1）数字孪生）数字孪生 数字孪生能够促进 IoI 的数字传输转换和智能演进，通过建立物理对象的高保真数字虚拟模型，以模拟其行为并描述其操作状态，从而为实现网络物理集成和进一步的管控技术开发提供解决方案。图 2-11 智能互联网中的数字孪生

52、数字孪生的基本原理如图 2-11 所示。在物理空间中，传感器和监视器实时收集物理对象的数据，并将其存储在数据库中。通过数据挖掘和各种融合处理提取有用信息，并利用更深层次的智能在数字空间中动态构建虚拟模型。虚拟模型将根据各种应用的不同需求生成相应的目标结果，然后将匹配策略反馈到物理空间。此外，数字孪生还 30 可以与其他应用层技术结合，以更好地为人类服务。（2）沉浸沉浸式技术式技术 AR、VR 和 MR 等沉浸式技术使人们能够身临其境地体验远程场景。IoI 中的沉浸式技术可为促进智能教育、远程医疗和娱乐活动等做出贡献。此外，随着未来 IoI 的部署，沉浸式技术将成为支撑智能应用和网络功能的杀手级

53、技术，并可以以更有趣的方式用于改善智能环境中人机交互。31 三、智能互联网应用场景三、智能互联网应用场景 IoI 将丰富和拓展智能资源的供给、应用和服务方式，提升服务的灵活性和高效性。IoI 聚焦于社会、工业的数字化转型，面向生活、应用中的新兴业务，提供新型优质的解决方案赋能各行各业。本章从社会生活和工业产业中的典型场景为例，简述了 IoI 如何赋能千行百业。不过，IoI 还在持续发展，时代也在不断进步，未来将会涌现更多的 IoI 业务和应用场景，这需要产学研各界协力合作、共同挖掘、深化探索。3.1 智慧交通智慧交通 智慧交通将人、车辆和道路基础设施整合成一个庞大的智能系统，通过收集实时的车辆

54、和道路信息来管理城市交通，并通过端到端联合决策来控制车辆的行驶模式。自动驾驶是一种集成 AI、视觉计算、雷达、监控设备和定位系统的技术，它不仅依赖于高效、实时的数据计算，还需要实时访问道路基础设施和互联网数据，当前网络中简单的信息处理和转发机制已经不能满足此服务需求。IoI 可以在自动驾驶中发挥至关重要的作用，例如通过对收集到的信息进行处理、分析和理解来获取智能。此外，车辆之间的智能共享可以提供更准确的位置感知和更高的通信效率。下面列举了 IoI 可支撑的几个自动驾驶应用：（1）车辆集体学习：在 AI 自动驾驶系统中，ML 模型的准确性和效率直接影响网联自动驾驶车辆（CAVs，Connecte

55、d and Automated 32 Vehicles）的性能。为了获得更准确的 ML 模型，CAVs 需要从车载传感器收集大量数据，然而车载传感器复杂性持续增加，其性能仍无法得到绝对保证。目前，实现 AI 自动驾驶的方法有三种，即单车智能方法、集中式方法和分布式方法，但目前基于这三种方法的自动驾驶系统面临着单一模型、自主学习、隐私和安全问题等方面的挑战，造成此类挑战的主要原因是“缺乏信任机制和集体智能”。为解决上述问题和挑战，业界提出了基于区块链的集体学习（BCL，Blockchain-based Collective Learning）框架，在 BCL 中，受集体智能思想的启发，每辆自动驾

56、驶汽车都可以将学习到的本地模型进行智能共享，以提高ML 的效率和准确性。BCL 方法与传统方法的比较如图 3-1 所示。图 3-1 自主驾驶中单车智能、集中式方法、分布式方法和 BCL 方法对比（2）以消费者为中心的体验：通过分析驾驶员的年龄、性别、驾驶风格、驾驶体验、事故历史等特征和行为，IoI 可以帮助自动驾驶系统更好地理解不同的驾驶模式，并为司机提供定制化的驾驶体验。33 IoI 将为以乘客为中心的自动驾驶应用铺平道路，智能模型将基于大量车载偏好信息进行训练，例如乘客的背景和偏好速度、车内娱乐、风险等级等。训练后的智能模型可以存储在车载用户中，实时更新时间，并通过 IoI 与其他用户共享

57、。在 IoI 的驱动下，人的特征和动机将在驾驶体验中发挥重要作用。（3）车辆安全和隐私：不受信任的车辆环境中的动态车对车（V2V，Vehicle-to-Vehicle）通信以及对集中式网络授权的依赖对自动驾驶提出了安全挑战。IoI 可以帮助构建一个安全、可信、去中心化的自动驾驶生态系统。具有高安全性的区块链可以提高自动驾驶的安全性和服务质量。在智能互联网中，利用区块链的不可变账本、加密货币技术和非对称加密促进了安全的车载服务，在确保情报交易的安全性和声誉值方面发挥着至关重要的作用。3.2 智能制造智能制造 智能制造将智能融入并赋能工业制造过程，是 IoI 在制造领域的应用。IoI 集成了智能制

58、造中许多先进的通信和自动化技术，如 AI、机器对机器（M2M，Machine-to-Machine）通信和大数据分析，以提高其智能性。下面介绍 IoI 中智能制造行业的几个实施案例：（1）工业生产：智能制造通过采用云制造、物联网技术和面向服务的制造使制造业受益。目前，智能制造在集中式工业网络和第三方的权限等方面面临着灵活性、效率和安全性等挑战。在分布式 AI、区块链和边缘/云计算的支持下，IoI 可以更好应对工业生产系统中的 34 这些挑战，以有效提升和优化制造过程，实现工业生产中的智能信息分析。（2）机器人：机器人可以通过自动化和可编程能力处理制造任务，是工业系统的重要组成部分。智能制造的关

59、键挑战之一是机器人系统的实时数据处理和数据隐私，IoI 可以通过将智能分配给机器人设备来有效应对这些挑战，而无需依赖远程服务器进行数据处理。机器人可以在本地进行 AI 训练。然后，基于差分隐私技术，每个机器人只需要上传梯度参数在云端构建共享模型，无需共享其原始数据，从而有效降低网络传输延迟。通过多轮训练，云端可以积累不同机器人的生命智能，构建精准的智能模型，同时机器人还可以从交换的智能信息中受益。（3）定制生产：智能制造场景中自动化和智能技术的融合，可以创建智能的端到端生产流程，以满足不同企业和客户的需求。IoI 可以实现工业设计、生产和流通的网络化、智能化、定制化。将员工、设计机构、工厂、仓

60、库和供应链集成到一个智能网络系统中，从而降低物流和管理成本，提高工业生产效率和利润。如图 3-2 所示，在 IoI的支持下，可以形成人与机器、机器与机器、服务与服务的互联互通，实现高度横向、纵向、端到端集成，满足用户个性化定制需求。35 图 3-2 智能互联网驱动的定制生产 3.3 智慧城市智慧城市 智慧城市由多个部分组成，它包括独特的智能设备、各种异构网络以及具有大规模存储和强大计算能力的数据中心。通过使用 AI、区块链、数字孪生等关键技术，IoI 可以成为赋能智慧城市服务的有力支撑。IoI 让智慧城市不再仅限于传递信息，而是还可以传递智能，从而提供更安全、更有效的服务。与传统智慧城市相比，

61、IoI 使能的智慧城市具有以下特点：（1）高效的数据分析：分布在城市各个区域中数以亿计的智能设备和传感器可以自动收集和实时监控各种数据，包括交通、天气、能源、用水量、购物信息、空气质量等等。通过数据聚合、传输、存储、组织和分析，可以感知和分析正在发生的事件以及未来可能发生的事件。然而，由于上述过程中涉及的数据量过于庞大，因此目前智慧城市的数据处理效率还计较低下。IoI 支撑的智慧城市通过智能共享可以大大提高数据处理效率。例如，当人们从一个城市迁移到另一 36 个城市时，需要根据当地的天气建立新的着装方式。对于传统的智慧城市，机器学习可用于学习新环境，其根据收集到的天气和穿衣数据，通过大量的学习

62、和培训，可以建立一种新的穿衣方式。与此形成对比的是，当人们迁移到新城市时，他们会通过别人分享的经验而不是随意的尝试，以快速获得正确的穿衣方式。因此，如图 3-3 所示，在 IoI驱动的智慧城市中，不再是花费大量的时间、物力和财力进行再学习，而是参考人类智能的方式和通过智能代理之间的智能共享，建立正确的穿衣方式。图 3-3 智能互联网驱动的智慧城市（2）提高用户 QoE：IoI 驱动的智慧城市可以将物理环境和实时事件连接整合成一个基于人工智能的虚拟系统。IoI 则基于数字孪生 37 和各种沉浸式技术，将物理世界与数字世界融合，将现实主体映射到虚拟空间，汇聚线上线下的所有参与者，为构建例如智慧社区

63、、智慧楼宇、智慧办公区等智慧数字城市场景提供技术支撑。IoI 可以充分利用智能来协调计算、缓存和传输系统，实现无处不在的沉浸式体验。另外，接入网内置于 IoI 中，各种大数据分析和智能算法将部署在智慧城市网络的边缘，为用户提供实时、优质的体验。（3）安全可靠性：无处不在的数据服务给智慧城市带来了隐私、完整性和信任等安全挑战。IoI 则结合区块链提供先进的安全服务，从而在实现安全、高性能的智慧城市场景中发挥重要作用。通过构建去中心化的安全架构，区块链可为智慧城市提供真实性、机密性、完整性和不可否认性等能力，实现以分布式安全方式控制智慧城市运行方面的高效率。3.4 智慧医疗智慧医疗 在智慧医疗方面

64、，IoI 可以有效整合医生、患者、医院和监管机构，提供可靠的定制化精准健康管理服务。在满足隐私保护的前提下，IoI 可以存储、保护、检索、分析和共享来自患者、医生、医疗设备等的智能，医生和医院之间也可以共享医疗资源。医生或医疗设备可以远程检查患者，所有共享的智能都可以从本地或远程服务器检索，从而有效消除医院与医院、区域与区域之间的界限，实现医疗资源共享。在智慧医疗场景中，个性化诊断是可以受益于 IoI 的典型应用下。基于收集到的医疗数据和个性化生理指标，IoI 可以利用各种 ML 和 38 认知计算算法建立个性化诊断模型，从而为患者提供个性化的治疗方案，以更有效地预防和治疗疾病，如图 3-4

65、所示。此外，通过 IoI 在患者、亲属、朋友、个人健康顾问和医生之间建立有效的智能共享，以保持智能驱动型疾病诊断和治疗工作的可持续性。总的来说，IoI 主要通过两种方式为患者提供个性化诊断。一方面，IoI 使得病人可以在疾病早期阶段维持健康的生活规律以减少痛苦。另一方面，IoI 推动了院外治疗，可以有效降低患者长期住院费用。图 3-4 智能互联网驱动的智慧医疗 3.5 元宇宙元宇宙 元宇宙是一个与现实世界平行的虚拟空间，由于其还处于发展与完善中，不同群体有不同的定义。基于元宇宙涉及的关键技术，社交媒介公司 GamerDNA 创始人乔恩拉多夫（Jon Radoff）将其产业链 39 划分为七个层

66、次，分别为基础设施层、人机交互层、去中心化层、空间计算层、创作者经济层、发现层、体验层。可以从涉及的部关键技术的进展窥见元宇宙学术领域的发展情况，同时 IoI 也可对元宇宙各层的建设和应用提供有益的帮助。基础设施层包括通信技术和芯片技术等。通信技术主要涉及蜂窝网、WiFi、蓝牙等多种通信技术，主要目标是提升速率与降低时延，从而实现虚拟现实融合和万物互联。人机交互层主要涉及移动设备、智能眼镜、可穿戴设备、触觉、手势、声音识别系统、脑机接口等，全身跟踪和全身传感等多维交互。人机交互设备是进入元宇宙世界的入口，负责提供完全真实、持久与顺畅的交互体验，是元宇宙与真实世界的桥梁。去中心化层包括云计算、边

67、缘计算、AI、区块链等。云计算主要为元宇宙的实现提供高规格的算力支撑，从而支持大量用户的同时在线与虚拟化操作，同时也能使 3D 图形在云端 GPU 上完成渲染，释放前端设备的压力等。边缘计算在提供算力支撑的同时，保证低时延。AI 主要为元宇宙带来持续的生命力，其相关的识别、推荐、创作、搜索等技术储备可以直接应用于元宇宙的各个层面，从而加速其所需的海量数据加工、分析与挖掘任务。数字李生对现实世界进行虚拟化，主要偏向行业应用。元宇宙不仅是现实世界的模拟，还可以创造现实世界没有的元素，而其运用以个人为主。区块链主要保证元宇宙的虚拟资产不受中心化机构的限制，从而有效保障数字资产的归属权，使其经济体系成

68、为稳定、高效、透明、去中心化的独立系统。40 空间计算层包括 3D 引擎、VR、AR、MR、地理信息映射等。创作者经济层包括设计工具、资本市场、工作流、商业等。发现层包括广告网络、社交、内容分发、评级系统、应用商店、中介系统等。体验层包括游戏、社交、电子竞技、剧院、购物等。IoI 则可利用 AI 等技术能力为构建元宇宙各层次的关键技术以及用户在元宇宙中的应用服务提供线上化、智能化、无人化的支持，推动元宇宙形成有序的特殊社会经济结构，使得物质、能量、信息和智能迅速流动，有效缓解物质、能量、信息和智能的不平衡，从而促进元宇宙和现实世界宇宙的稳定。41 四、智能互联网生态建设四、智能互联网生态建设

69、IoI 具有传输与计算需求高、网内实体身份复杂、知识数据种类广泛等特点，为此，需提供基础设施完善、兼容性强、互联能力广泛的生态环境以支撑 IoI 的实现。如图 4-1 所示，在通信算力设施的基础上，为网内异构实体提供广泛兼容能力，构建新的知识数据传输模式，支撑智能资源互联互通。图 4-1 智能互联网生态建设示意图 4.1 基础设施建设基础设施建设 IoI 基础设施主要包括算力基础设施和网络基础设施，为 IoI 提供算力和网络支持。（1 1）网络基础设施网络基础设施 42 作为智能互联的高速公路，网络的基础建设在智能互联生态建设中起着举足轻重的作用。网络基础设施需具备提供超低时延的网络连接能力以

70、连通智能资源和服务，主要包含在光纤通信基础设施建设和无线通信基础设施建设两个部分。其中，为优化光网络时延，需在现有基础上持续探索光缆路由优化方法，减少由光网络链路长度带来的传输时延；需研究新型长距离光传输技术及光层调度技术，提高全光传输占比，减少由光电转换再生带来的电中继时延。为优化无线网络时延，需突破现有无线空口技术，建立更加灵活高效的数据传输方法；需加强现有拥塞控制技术，减少由于拥塞带来的额外时延。（2）算力基础设施算力基础设施 算力作为 IoI 的核心支点之一，是否具有充足且完备的算力基础设施决定了 IoI 的能力上限。算力基础设施主要负责对外提供算力资源，包括边缘计算节点、云计算节点等

71、，由云计算服务提供商负责建设。为真正实现泛在算力，服务商需提供具有纳管异构算力能力的计算节点，推动异构算力的融合，根据不同的芯片架构、针对不同计算任务提供多样性的计算能力，以应对 IoI 中对于算力专业化的需求。根据不同应用场景以及客户需求，打造云边端多层立体式算力资源架构，实现可应对任意时间、地点、需求的算力供给。4.2 异构实体兼容异构实体兼容 IoI 在实现智能资源泛在互联的同时，却也对网络中的实体有着更高的兼容性要求。随着 IoI 的实现，网内实体的数量及种类将会呈 43 现爆炸性的增长，不同实体间的异构性严重影响了智能资源的互联。因此，需实现异构实体间的兼容，以促进智能资源的互联。建

72、议从统一身份建模和信息交互标准构建两方面出发，实现异构实体间的兼容性。（1）统一身份建模统一身份建模 身份作为网内实体的唯一标识符号，在认证和授权实体访问互联网、实现准确的资源寻址和解析、实现智能资源交互等方面发挥着重要作用。随着网内实体数量的爆炸性增长，不同实体间的异构性问题凸显，建立统一的身份建模方法，将异构实体的身份同构化将有助于实体身份识别、分析和管理，支撑实体间的通信和智能资源的流通。该建模方法需兼容各领域，且能够完整描述实体信息以标定不同实体。（2）信息交互标准构建信息交互标准构建 为实现异构实体间的互联互通，也可建立统一的信息交互框架，通过提供统一的信息交互接口的方式突破异构实体

73、的制约。通过对信息交互标准的制定，实现异构实体的互联互通。如美国国家信息交换模型（NIEM，National Information Exchange Model）为解决异构实体间的信息交互提供了科学有效的解决方案，通过提供一致、可重用复用的数据术语和定义，有力支持了跨领域间的高效数据交互。4.3 智能资源互联智能资源互联 IoI 的主要目标是实现智能资源（包括智能算法、知识数据、AI模型等）的流通互联。因此，如何支撑智能资源的传递是智能互联网 44 生态建设的关键之一。建议从智能资源标识与管理、智能资源交易两方面出发，构建智能互联网生态，支撑智能资源互联。（1）智能资源标识与管理智能资源标识

74、与管理 为实现智能资源的互联，首先需要建立统一且完整的智能资源标识体系。当有新的智能资源进入网络时，需经过统一的资源模型对智能资源进行抽象处理，标定该资源各属性特征，为后续的智能资源管理和智能资源交易提供数据。其次需要为智能资源构建统一的纳管体系，明确智能资源索引方式和归属关系，为智能资源的流通与追溯提供支持。此外，也需要对智能资源进行统一的价值认定评估，通过价值系统推动智能资源的发现与流通。（2）智能资源交易智能资源交易 为实现 IoI 中智能资源互联的目标，需建立成熟的智能资源交易框架，以保证智能资源的传递。首先，需要建立统一的智能资源封装方法，为包括智能算法、知识数据、AI 模型、人工智

75、能应用服务在内的异构智能资源提供统一的 API 接口，以实现用户对智能资源的获取与编排调用。如同在信息互联网之中，数据资源由统一资源标识符（URI，Uniform Resource Identifier）所标记，用户可通过 URI 标定数据位置并获取数据。其次，需要建立智能资源的搜索机制，使用户可以按照自己的意图或需要去搜索相匹配的智能资源。如同信息互联网中的谷歌、百度等互联网搜索引擎一样，用户可按照自己的意图去搜索对应的数据。最后，需要制定智能资源的交易模式，对智能资源提供者给予价值反馈，促进智能资源的共享、流通和利用。以资源价 45 值为引导，通过统一的价值认定评估实现异构智能资源的交易互

76、通，降低无价值资源带来的网络冗余，提高网络整体效用。如同信息互联网中不同数据形态所产生的计时、计次、根据内容、根据流量等多种价值形态在费用上的统一，用户可通过“付费”的手段进行数据获取。46 五五、技术挑战与技术挑战与未来方向未来方向 智能互联网具有潜在的发展前景，但为实现其广泛部署仍有一些挑战和待解决问题需要解决，包括智能度量与建模、协议设计、激励机制以及智能发现。在本章中总结分析了这些研究挑战和待解决问题，以供在未来充分发掘智能互联网的潜力与效益。5.1 智能度量与建模智能度量与建模 在每类网络范式中，对“被联网之物”进行度量和建模是至关重要的。例如信息建模和能源建模分别在互联网和能源网中

77、发挥关键作用，特别是香农的信息论提出使用“熵”来量化信息，对互联网的成功至关重要。因此，智能建模对 IoI 的成功起着至关重要的作用。在人工智能中，图灵测试被广泛用于测试机器是否具有执行与人类相同或无法被区分的智能行为的能力。然而，图灵测试并没有对智能进行定量的衡量，如何对智能进行建模仍然是一个待解决的问题。值得思考和研究的是，是否有可能使用类似于熵的方法来量化智能。从网络范式的演变中可以看出，更高层次的网络范式提供了更高层次的抽象性。例如，能量可以被量化为物质运动的速度，而信息可以被量化为能量传播的程度。同样，智能可以被智能可以被量化为衡量学习过程量化为衡量学习过程中随时间传播的信息量中随时

78、间传播的信息量，其数学公式可以表示为：其数学公式可以表示为：=/。其中d是智能的变化，是当前的秩序与预期的秩序的相似度，而 R 是一般意义上的参数（如时间、数据量等）。这种定量的智能测量可以 47 有效地描述信息在学习后的传播范围与之前的状态相比差距有多大，这对智能互联网的发展具有重要意义。5.2 协议设计协议设计 为 IoI 设计新的协议以满足其服务要求是另一个关键的挑战。信息互联网已经经历了分层、跨层和跨系统的设计范式。在设计智能互联网时，我们应该遵循类似的程序还是先考虑跨系统是一个重要问题。在信息互联网时代，互联网是基于 TCP/IP 实现的，其中 IP 是整个TCP/IP 协议套件的核

79、心。互联网成功的“细腰”沙漏结构是以通用网络层（即 IP 层）为中心实现了信息网络的主要功能。这样的架构使各层的技术都能独立发展，成功地推动了信息互联网的急速发展。参照信息互联网的协议设计，我们还可以构想出 IoI 的“细腰”沙漏架构，这需要在未来进一步研究。5.3 激励机制激励机制 IoI 可以降低成本，提高资源利用率，并通过可信的智能互动为社会经济系统建立新的基础。追溯互联网的成功发展，其最突出的特点是自发性。激励机制和商业模式是互联网发展的主要动力，因此 IoI必须提供适当的激励机制，以促进网络之间的实际集体智能。开发设计者总是希望 IoI 的所有参与者能够自愿贡献和分享他们的智能，并使

80、用他们存储在本地的训练数据。然而，在现实世界的场景中，除非参与者能够获得满意的回报，否则他们不会对参与集体智 48 能的训练感兴趣。例如，由于担心隐私泄露和物理资源的消耗，IoI 的参与者可能不愿意参与智能的分享。此外，对于智能互联应用，参与者可以同时是服务消费者和数据生成者。如何根据贡献的智能量在IoI 生态系统的参与者中巧妙定价并合理分配收入是一个值得研究的问题。相应地，我们需要思考为什么参与者愿意贡献和分享他们的智能，这是从信息网络到智能网络的本质转变。激发智能分享和交流的动力，是 IoI 的内在动力。5.4 智能发现智能发现 在 IoI 中诸如分布式智能、智能共享等操作只有在了解智能分

81、布式信息的前提下才能进行。例如，IoI 参与者可能不知道他们所连接的网络有哪些服务。此外，智能互联网中的参与者可能不知道应该与哪些参与者联网或分享智能。因此，智能发现是 IoI 发展的另一个挑战。由于智能实体分布在 IoI 的不同地理位置，有效的智能发现机制对于识别和定位智能具有重要意义。在 IoI 中参与者需要发现以下信息：1）智能的可用性；2）用于调用智能的命名规则。第一条信息使参与者能够发现提供他们所需功能的智能以及与智能相关的元数据（例如，智能描述、版本、复杂性）。第二条定义了参与者如何调用智能，例如，智能的输入参数是什么，以及构成智能名称所需的组件是什么。从 ICN 衍生出来的发布订

82、阅机制能够帮助实现智能发现。在这种机制中，智能发布者只负责发布智能，而智能订阅者可以订阅多 49 个发布者发布的智能而不需要了解智能的来源。这种模式有效地消除了参与者之间的依赖性，从而提高了网络的可扩展性，并使通信基础设施能够很好地适应异步和分布式环境。目前，发布订阅机制已被广泛用于资源感知和服务感知。然而，这些方案并不适合在 IoI 中实现基于智能变化的发布/订阅。改进和扩展现有的解决方案以实现 IoI中的智能发现是一项重要挑战。50 六六、总结与展望、总结与展望 近年来，随着 5G、边缘计算、人工智能的不断发展，智能资源越来越迫切的需要进行互联和共享，智能互联网的提出，为提升智能资源的利用

83、率、降低机器学习的成本提供了一个新的思路。同时，我们还必须清楚的认识到智能互联网还处于发展的初期，还存在许多问题和挑战亟需解决。例如智能的建模和度量、智能互联网架构和协议设计、安全和隐私等。白皮书通过介绍智能互联网的发展背景、参考架构、使能技术、应用场景、生态建设和未来发展方向，试图为大家详地的描绘智能互联网在未来发展中的美好愿景。期待在不远的将来，智能互联网能够进一步赋能各行各业，推动人类向智能化社会迈进。51 附录 A：术语与缩略语 英文缩写英文缩写 英文全拼英文全拼 中文释义中文释义 IoI Internet of Intelligence 智能互联网 AI Artificial Int

84、elligence 人工智能 MEC Multi-access Edge Computing 边缘计算 ML Machine Learning 机器学习 SDN Software Defined Network 软件定义网络 RAN Radio Access Network 无线接入网 BS Base Station 基站 NFV Network Functions Virtualization 网络功能虚拟化 ICN Information-Centric Networking 信息中心网络 API Application Programming Interface 应用编程接口 QoS Q

85、uality of Service 服务质量 QoE Quality of Experience 体验质量 5G 5th Generation Mobile Communication Technology 第五代网络通信 eMBB Enhanced Mobile Broadband 增强移动宽带 uRLLC Ultra-eliable&Low-latency Communication 超可靠低延迟通信 mMTC Massive Machine Type of Communication 大规模机器型通信 6G 6th Generation Mobile Communication Tech

86、nology 第六代网络通信 MIMO multiple-in multiple-out 大规模多输入多输出 CDN Content Delivery Network 内容分发网络 P2P Peer-to-peer Networking 对等网络 RFID Radio Frequency Identification 射频识别 WSN Wireless Sensor Networks 无线传感器网络 CS Content Store 内容存储表 52 PIT Pending Interest Table 待定请求表 FIB Forwarding Information Base 转发信息表 D

87、NS Domain Name System 域名系统 DNN Deep Neural Network 深度神经网络 RL Reinforcement Learning 强化学习 TL Transfer Learning 迁移学习 PoS Proof of Reputation 权益证明 PoW Proof of Work 工作量证明 DAG Directed Acyclic Graph 有向无环图 AES Advanced Encryption Standard 高级加密标准 DES Data Encryption Standard 数据加密标准 EES Escrow Encryption S

88、tandard 托管加密标准 VR Virtual Reality 虚拟现实 AR Augmented Reality 增强现实 MR Mixed Reality 混合现实 CAVs Connected and Automated Vehicles 网联自动驾驶车辆 BCL Blockchain-based Collective Learning 基于区块链的集体学习 V2V Vehicle-to-Vehicle 车对车 M2M Machine-to-Machine 机器对机器 NIEM National Information Exchange Model 美国国家信息交换模型 URI Un

89、iform Resource Identifier 统一资源标识符 53 参考文献 1 于非.智能简史：从大爆炸到元宇宙M.北京：清华大学出版社,2022.2 Tang Qinqin,F.Richard Yu,Xie Renchao,et al.Internet of Intelligence:A Survey on the Enabling Technologies,Applications,and ChallengesJ.IEEE Communications Surveys&Tutorials,2022.3 F.Richard Yu.From information networking to intelligence networking:motivations,scenarios,and challengesJ.IEEE Network,2021,35(6):209-216.4 Cisco U.Cisco annual internet report(20182023)white paperR.Cisco:San Jose,CA,USA,2020.