NI供稿

加速到來的未來

我們進入21世紀已近20年，從自主學習機器人、價格不再遙不可及的基組測序、到無處不在的數據存儲，不可否認，技術的發展從未如此之快。以此速度面向未來，我們是時候審慎思考我們將去向何方、我們該如何到達。

近期有一些最令人興奮的科技進步，包括人工智能和云計算超越人類智慧的時間比預測提前了整整10年；硅鍺異質雙極晶體管設定了新的速度參數標準。此外，NIOEP9電動超級跑車在2:40:33的時間內以160英里每小時的速度自主完成了3.4英里的美洲賽道（Circuitof Americas track），創造了新的世界記錄；而經過原型驗證的超級高鐵系統有望以600英里每小時的平均速度將乘客送到目的地。延續這一趨勢，2018年無疑將成為技術進步的又一標桿年。

在即將到來的這一年，基于大模擬數據（Big AnalogData?）解決方案和功能日益強大的機器學習 將會生成新的商業視角。我們將繼續迎來車輛網技術和智能工廠的重大里程碑、看到在集成電路日趨復雜的需求下測試時間反而大幅減少、見證5G通信和連接振奮人心的進展。

我們都在競相奔向未來，NI將繼續以軟件為中心的開放平臺加快所有用戶定義的測試、測量和控制系統的開發，助力用戶始終走在技術最前沿。未來正加速而來，您準備好了嗎？

文章目錄

   成功管理IIoT的3大準則

工業物聯網(IIoT)中智能設備和互聯設備的數量快速增加，為提高性能和降低成本提供了巨大的機會，但一個往往被忽視的挑戰是如何高效地管理這些分布式系統。

   5G將顛覆測試過程

5G創新不止于設計測試和測量解決方案將成為產品商業化周期中的關鍵環節，但是5G需要的測試方法與之前的無線技術截然不同。了解哪些技術正在讓5G逐步變成現實。

   打破摩爾定律

盡管最近關于摩爾定律消亡的言論很多，實際情況與摩爾定律也有所偏差，但數十年的創新基本上還是一直遵循著摩爾定律。但現在，這個經過50多年驗證的定律再次面臨挑戰。了解這一現狀如何影響半導體市場的未來發展。

   汽車電氣化：顛覆汽車產業及其他行業

電氣化的影響 - 汽車電氣化趨勢不只是全球從內燃機汽車和混合動力汽車向全電動汽車的轉變。除了車輛本身日益復雜化的影響，我們還需要考慮對支持基礎設施提出的新要求。

   通過機器學習，自動獲取工程信息

智能系統不僅生成大量數據，也依賴于數據，但大幅增加的數據量加劇了大模擬數據挑戰。了解機器學習如何幫助工程師解決面前的問題，專注于探索和應對下一個重大挑戰。

成功管理IIoT的3大準則

工業物聯網（IIoT）已經從概念和試點項目迅速演變為大規模的廠級部署，并取得了豐碩的成果。這些成果主要表現在為前瞻性公司（如捷豹路虎、中國鋼鐵和杜克能源）提供更加優化的數據分析和決策，以最大限度地延長正常運行時間，提升性能并推動未來的產品創新。工業正在日益智能化和互聯化。如果無法跟上IIoT創新的步伐，不僅可能丟失市場份額，而且會消耗許多不必要的成本。事實上，據埃森哲2017年3月的《ConnectedBusiness Transformation》報告指出：“95%的商業領袖期望他們的公司在未來三年內使用IIoT。”

結合目前的邊緣節點硬件和數據分析軟件，通過小型IIoT試點實現設備預測性維護和智能機器互聯控制所獲得的商業優勢是顯而易見的。現有的技術已經完全可以容納更大規模的工業互聯系統，但同時也帶來了更大的工業數據智能管理挑戰。而現在，最受關注的技術熱點和挑戰是：如何擴展和管理大型IIoT部署，包括遠程系統管理、軟件配置管理和數據管理。

1.遠程系統管理

隨著運營技術成本的降低，針對關鍵資產的監測和控制系統應用日益普及。資產和維護經理正在面臨的挑戰是，如何利用高性價比的策略來管理這些運營資產并最大限度地減少資產停機。公司可以利用云托管技術提供的靈活性來實現遠程系統管理解決方案，從而掌握多個互聯系統的狀態。

成功的遠程系統管理解決方案需要能夠解決配置、診斷和邊緣設備管理等方面的挑戰。遠程系統管理功能通常包括任務或進程級的系統參數監測，如內存和CPU使用情況、網絡和I/O統計信息，以幫助最大限度地減少由于軟件錯誤而導致停機所產生的影響，并發現潛在的安全漏洞。

2.軟件配置管理

IIoT市場對持續交付和改進有很高的期望。與日俱增的快速上市壓力要求企業使用靈活的軟件來修復漏洞、修改功能以及解決安全漏洞。如果沒有有效的軟件管理策略，就會導致系統運行的軟件過時，從而影響資產性能、安全性和可靠性。IIoT公司可通過部署經驗證的框架和最佳實踐來避免手動軟件部署的高成本和低效率。

在工業環境中，高效的軟件配置管理策略應可應對高度動態環境中不斷變化的系統利用率和網絡穩定性。位于IIoT不同階段的多個供應商提供的系統方案是高度混合的，更加需要能夠跟蹤和控制應用程序級以及固件級微小軟件更改的技術。展望未來，企業需要在保證現有業務的基礎上，轉換到一個集成了軟件配置管理的優化平臺，以探索運營技術（OT）和主流IT解決方案之間的邊緣聯接。

“百分之九十五的商業領袖期望他們的公司在未來三年內使用IIoT。”

—埃森哲, 2017

3.數據管理

IIoT系統會生成大量數據，數據量將會達到TB級，甚至是艾字節級別。管理這些數據以實現優化的商業決策是企業在了解自身業務并實現提升的過程中必須實現的一個要素。IIoT系統產生的數據中隱藏著大量有價值的信息，這些信息可以借助先進的智能信號處理算法挖掘出來。隨著數據管理技術的日益普及，企業可以有多種方案來管理其數據，在整個企業范圍內獲取不同層次的有用信息。

數據管理策略需要同時包含能夠運行在邊緣側和企業級的分析功能。據《IDCFutureScape: Worldwide Internet of Things 2017 Predictions》報告指出：到2019年，至少有40%的IoT數據將存儲到邊緣設備進行處理、分析和操作。高效的數據管理解決方案必須能夠整合來自多個分散源的數據，并提供不同級別的分析，以便讓正確的人員獲得正確的信息，并將原始數據轉化為有據可依的決策。

是時候展示平臺的力量

現在，構建IIoT解決方案可以為企業帶來前所未有的競爭優勢，同時避免被不斷更新的市場淘汰。 各行各業的公司正在采用一系列顛覆性的平臺和生態系統，利用傳感器驅動的計算、工業分析和智能機器應用等智能技術，將業務轉變為實現創新和發展的引擎。借助IIoT技術，我們可以利用這些最先進的平臺的優勢，降低維護成本，提高資產利用率。

5G將顛覆測試過程

5G代表著新一代的變革，將深刻影響全球的企業和消費者。它有望提供革命性的無限制的體驗，具有更快的數據，更短的網絡響應時間（更低的延遲），隨時隨地的即時訪問以及數十億個設備的容量。我們這里說的不只是更快速地將視頻下載到手機上。與3G和4G不同，5G的應用領域遠不只是移動設備，它將擴展到我們生活的各個方面。從實現工業物聯網到確保自主汽車的安全，5G將以難以想象的方式改變我們的生活。

十年后，我們回頭看時，肯定會說5G是迄今為止最重要的技術之一。它實現了當今正在興起的一切，包括可以相互通信的自主駕駛汽車，以及最快速的視頻體驗。

—Patrick Moorhead，Moor   Insights & Strategy總裁兼首席分析師

通往5G之路

3GPP標準機構正在馬不停蹄地定義5G，但真正的工作才剛剛開始。現在，半導體、網絡基礎設施、云、軟件、制造和測試技術領域的公司必須設計、開發、測試和交付能夠利用這些新無線功能的解決方案。這并非易事。

5G采用了大規模MIMO和毫米波等新技術。兩種技術都使用多天線和波束成形技術，這與目前和以往的無線架構有很大的不同。5G還包括新的無線控制機制，通過將控制與數據分割開來實現網絡切片的概念，使服務擴展到單個用戶設備。

另外，5G標準比3G和4G標準要復雜得多。5G將變革我們的網絡，所以行業必須改變這些系統的設計、開發和測試方式。對于算法設計，如果要從概念過渡到生產，只是對系統進行建模而沒有進行真實的驗證是不夠的。而對于測試來說，僅針對單個組件的傳統方法將無法解釋對系統的整體影響。

基于平臺的方法

世界各地的無線研究人員很快就發現，成功的唯一途徑是采用以軟件為中心的平臺化方法來開展5G研究。諾基亞推出了首個73GHz的毫米波5G原型，并使用毫米波頻譜打破了移動接入數據速率的紀錄。隆德大學開發了第一個大規模MIMO原型，布里斯托大學和Facebook的研究人員擴展了其大規模MIMO原型，創造了前所未有的頻譜效率里程碑。

這些系統原型已經成為5G技術演變中的重要環節。這些案例中使用的平臺化設計方法充分利用了軟件無線電（SDR）來應對系統挑戰以及縮短獲得結果的時間。用于設計和原型驗證的SDR將隨著軟件的變化而不斷發展。我們甚至可以預想功能更加強大的SDR，其軟件將擴展到擴展到物理層之上，以利用龐大的開源軟件生態系統。這將使研究人員能夠解決更上層的網絡，進一步減少采用時間，并打破了孤立的設計方法。

5G創新不止于設計

測試和測量解決方案將成為5G商業化周期的關鍵。測試系統必須擴展到物理層之上，才能使用可控/可轉向的波束來快速且經濟高效地測試這些新的多天線技術。此外，這些系統必須解決具有極寬帶寬的新毫米波設備。這些測試解決方案不僅需要能夠測試設備的重要參數，而且還要具有成本效益，不僅能充分發揮5G的潛力，而且可使之得到廣泛應用。

基于這些特性，5G需要采用不同的方法來測試無線設備和系統。例如，系統級空口傳輸技術(Over-the-air,OTA)測試將成為5G生態系統的標準測試之一。OTA測試提出了幾個挑戰，但最困難的地方或許是測試設備和待測設備共存的環境。空氣是一種不可預知的媒介，而信道本身也隨時間和環境條件而變化。無線測試工程師必須在OTA場景中隔離通道，并逐個使用波束來控制設備，以有效地“測試”設備。

此外，英特爾等公司已經推出了早期的相控陣天線模塊，其特征是直接連接到RF前端的天線，以最大限度減少系統損耗。因為設備的訪問會受到限制，測試設備的頻率必須升高到毫米波頻帶，然后逐個波束地分析主要性能參數。

最后一點，盡管帶寬是一個常見的測試挑戰，但是經過測試的5G帶寬預計將比標準LTE信道寬50倍。在這些帶寬下，測試系統不僅必須生成和采集更寬帶寬的波形，還需要能夠實時處理所有數據。

下一步

無線研究人員采用基于SDR的平臺設計方法，加快了5G的早期研究階段以及所獲得的成果。現在，測試解決方案提供商也必須這樣做。5G要求我們必須以前所未有的方式轉變測試方法，而靈活且可配置的平臺化方法對于生態系統的發展至關重要。

打破摩爾定律

最近關于摩爾定律終結的言論非常多。 雖然經過了五十多歲的反復驗證，這一定律再次再次面臨挑戰，但請不要對半導體和電子市場的前景悲觀失望。英特爾聯合創始人戈登摩爾（GordonMoore）提出了一個著名的定律：半導體的晶體管數量一開始將每12個月翻一番，之后將每24 個月翻一番。盡管有一些微小的偏差，但半導體處理技術的發展數十年來一直遵循這一定律。 這種“無限制”的體積縮小（scaling）可允許復用類似的架構設計，為半導體技術的發展提供更低的成本、更低的功耗以及更快的處理速度。而這種“無限制”的體積縮小的終結是否意味著計算技術的進步即將走到盡頭？ 盡管這一威脅嚴重到足以讓DARPA增加資金投入到后摩爾定律世界的研究，但科學家和工程師一直以來都在不斷地克服縮小體積芯片過程中的障礙，而純粹針對半導體芯片體積縮小的一些創新替代方案則描繪了一個明朗有趣的未來。“摩爾定律的終結可能是一個轉折點。”Microsoft Research企業副總裁PeterLee博士在《經濟學人》2016年3月的季度技術報告中表示。這將充滿挑戰- 但同時也是一個機會，可以探索不同的方向，并真正打破這一定律。

打破摩爾定律的歷史

從摩爾定律的角度是看在芯片上的三極管數量（也就是更小的體積上存在更多的三極管數量），但是對于半導體行業來說這些并不意味著所有半導體瞄準的方向，包括更高速的處理速度和更低的功耗，都是半導體技術提升帶來的好處。人們對半導體技術提升帶來的好處的預期數十年來一直在變成現實，但這些好處將不再容易實現或預期。處理器的冷卻問題阻礙了處理器頻率技術的指數級上升，但這種明顯的“障礙”激發了大量創新，促進了多核處理器的普及。雖然核心頻率的增長受到限制，但由于多核技術的發展，結合可加快圖形、游戲和視頻播放速度的專用矢量處理單元，PC系統性能仍不斷提升。但這些新技術給開發軟件模型最好地利用這些新的處理塊帶了新的挑戰。隨著處理架構的變化，高速晶體管的應用不再僅限于CPU，也應用到I/O子系統中，為處理器提供更高網絡、攝像頭和數據采集帶寬。高速信號處理在無線和有線標準中的應用使得I/O帶寬的增長速度已經超過了純粹的晶體管體積縮小速度。

“摩爾定律的終結可能是一個轉折點。這將充滿挑戰 - 但同時也是一個機會，可以探索不同的方向，并真正打破這一定律。”

—Peter Lee博士，企業副總裁，Microsoft  Research

利用第三維度（3D-IC和SiP）

隨著芯片設計方面的不斷突破，以前對摩爾定律終結的預測已經變成現實。目前的技術正在通過堆疊芯片和晶體管來更充分地利用第三維度，這將進一步增加晶體管的密度，但也可能帶來新的設計和測試問題。例如，晶體管體積越小，成本越高，這要求新的芯片能夠結合更多的系統功能來匹配更高的價格。這種先進的“片上系統(SoC)”方法表現在FPGA從簡單的邏輯門陣列演變成高性能I/O和處理系統，將處理器、DSP、存儲器和數據接口組合到單個芯片中。許多擴大芯片密度的新選擇從第三維度來考慮，即如何設計晶體管以及如何使用3D-IC技術將現有芯片組合到一個封裝中。雖然片上系統在設計和測試方面更為復雜，但它們的設計目的是通過高集成度來降低終端設計的成本。即便有這些好處，但芯片堆疊會帶來新的復雜性，進而帶來新的挑戰。隨著越來越多的系統開始從第三維度考慮體積縮小，調試和測試挑戰將變得更加明顯，更多的芯片空間將被用于提供集成的調試和測試功能。

新的計算架構

歷史表明，以往在縮小芯片體積時遇到的各種問題激勵工程師進行創新，通過改進架構來更好地利用硅技術。最新的各種挑戰開創了需求導向的計算時代，即通過將多個不同類型的獨特計算架構相結合來解決問題。這種趨勢越來越廣泛地應用于圖像處理器GPU，并與通用CPU相輔相成，但是隨著FPGA、向量處理器甚至針對特定應用的計算塊促進專用計算技術加速發展，該技術也在更快速地擴張。這些加速的技術，如機器學習技術，將成為未來片上系統的標準組成模塊。利用這些混合處理架構的關鍵是能夠幫助用戶使用上層描述語言進行設計并部署到各種處理引擎以提高處理速度的軟件工具和框架。隨著異構計算成為縮小芯片體積的的選擇，最初研發多核芯片以利用并行性的場景將重演。盡管摩爾定律的適用性再次受到威脅，但機器學習和自主駕駛等市場需求將持續擴展處理能力和I/O帶寬，為推動架構創新提供新的機遇。

汽車電氣化：顛覆汽車產業及其他行業

在全球范圍內，政府正在推行新的指令，這些指令將導致內燃機逐漸消失。中國率先規定在2018年之前上路的新車輛中，必須有8％是“新能源”或零排放車輛，這是很大的挑戰，因為目前這一比例僅為2％至3％。類似的限制內燃機未來發展的政府法規已經遍及全球，與此同時，混合動力汽車和全電動汽車產業的重要性和發展也不容忽視。沃爾沃可能是汽車制造商中立場最堅定的，該公司承諾到2019年僅生產混合動力汽車或全電動汽車，并承諾到2025年將銷售超過100萬輛電動汽車。“這個法令標志著內燃機汽車的結束。” 沃爾沃總裁兼CEO H?kan Samuelsson在2017年7月的一次聲明中表示。

“這個法令標志著內燃機汽車的結束。”               —H?kan  Samuelsson，沃爾沃總裁兼CEO

不只是EV / HEV

從內燃機到混合動力以及全電動汽車的轉變只是車輛電力電子系統中變化最顯著的一部分。電氣化對車輛子系統也同樣很重要。10年前，方向盤和前輪之間采用完全機械聯接并不罕見。方向盤連接到一根轉動軸，轉動軸再連接到用于轉動車輪的齒條齒輪裝置，甚至是更高效的液壓系統，也仍保持方向盤和輪胎之間的機械耦合。油門踏板和手動變速器也采用相似的連接。

線控技術在現代車輛中的普及打破了這種模式。傳感器、遠程執行機構和多個控制系統已經取代了機械耦合。方向盤與前輪之間不再直接連接，而是由轉向柱上的傳感器測量車輪的角度。然后，嵌入式控制器將該測量換算成一個角度值，并將該值發送到車輛的通信總線。在通信總線上的另一個端，另一個控制器接收該值，根據車速和駕駛員設置將其轉換為車輪角度，然后命令執行機構將車輪移動到所需的角度。在許多車輛中，安全系統位于線控轉向系統的中間，以確保車輛停留在行車道內，并避免車道中的障礙物。隨著車輛電力電子子系統數量的增長，汽車本身也開始看起來像一個微電網，在微電網中，公共電力總線連接著越來越多的源極和漏極組件，每個組件都由獨立的嵌入式控制系統進行管理。

更廣泛的影響

從更廣義的角度來看政府汽車法令的影響，電氣化的指數增長和內燃機時代的即將終結要求電力基礎設施發生根本性的變化才能支持汽車發電廠的轉型。在任何街角的加油站中，一輛內燃機汽車只需大約10分鐘的時間就能將油箱加滿，繼續行駛300英里。而即使是使用專用增壓器，類似的充電站需要至少一個小時的時間才能使全電動車輛充滿電。即使是針對日常通勤所需的緩慢充電，充電硬件也有需要一定的考量。對于房主來說，安裝充電站可能像在車庫中放置大電流電路一樣簡單，但對于房屋或公寓的租賃者而言，情況就有點復雜。如果汽車主人都住在一個城市，并在街上停車，那么家庭收費站的概念可能是完全不可能實現的。

從電力公司的前景來看汽車電氣化的未來，基于日常勞動力進度的循環需求加上快速充電的高負載需求，為電網提出了難以置信的新挑戰。如果所有上班者都在下午5點回家，并在同一時間內插入電動汽車，這會改變電網典型峰值需求的時間，區域高峰耗電領域將從供暖或制冷變成交通運輸。對于規模較大的加油站，眾多用于快速充電的增壓器將需要類似于中等規模小區所需的電能。政府法規驅動的電動汽車趨勢直接導致車輛復雜性的增長，并間接導致對增加基礎設施的迫切需求。汽車行業的未來將推動電網的未來，這將需要更智能的控制系統。將其變為現實需要建立安全可靠的控制系統，這是一個真正跨領域的挑戰。為了快速上市，這將需要更多地依賴實時測試、生產測試以及能夠熟練使用業界領先的靈活開放平臺來開發各種工具的生態系統合作伙伴。借助正確的工具，工程師將能夠適應汽車電氣化所需的變革性技術。

通過機器學習，自動獲取工程信息

機器學習已經在模式識別（patternrecognition）相關的某些利基領域取得了顯著的成果，但是該技術正在對企業產生更大、更長遠的影響，需要相關行業提出更廣泛的見解以及提高效率。技術巨頭對機器學習應用的投資正在引起廣泛的關注。Google在美國總部以外的最大型開發人員團隊就是致力于研究機器學習。微軟公司推出開源CNTK，百度發布了PaddlePaddle、亞馬遜決定在AWS上支持MXNet，此外Facebook也開發了兩個深度學習框架。消費者領域的機器學習應用浪潮將滲透到工業中，這將幫助工程師和管理人員通過自動化數據分析改進業務運營。除了推動創新，機器學習還帶來了直接即時的業務改進，例如正常運行時間延長、生產成本降低以及工程開發效率提高。

機器學習以數據為基礎

網絡智能系統提高數據可見性的能力一方面使物聯網（IoT）大大受益，另一方面也帶來了大模擬數據的挑戰。ABIResearch (QTR 1 2017)指出，工業設備的傳感器和機器數據預計到2020年將超過78艾字節，這些數據可能包含當今技術無法發現的機器故障、制造缺陷或重要驗證測試數據相關的證據。大量數據結合機器學習算法，可訓練出更精確的模型，更快速生成結果，但前提是能夠有效獲取這些海量數據。系統設計人員在部署機器學習技術時，首先需要能夠查看到規范有序的數據集，然后才能為互連系統開發更全面的數據采集和管理策略。

驅動創新

在產品開發過程中處理設計缺陷可能會導致昂貴的代價，這也是工程師將很多時間、注意力和預算用在設計驗證和測試上的原因。在機器學習幫助工程師將寶貴的工程時間集中在最需要測試和驗證的產品領域之前，我們需要整理歷史測試數據，使其便于訪問。

提高產量

目前大多數制造商的做法是篩選通過/失敗條件并保存數據以便進行取證分析、校準記錄和溯源。一些制造商使用更先進的自動測試方法，但機器學習模型可以幫助他們更加高效的定位產品缺陷，而不論其產生的根本原因是什么。當前版本的硅片組件是否來自新的晶圓廠？設計是否包括仿冒組件？實際工程應用中，無數的異常可能會導致缺陷，因此為所有異常分別設置測試條件是不切實際的。但機器學習技術能夠幫助制造測試工程師發現在設計和測試產品時未察覺的缺陷。

提高正常運行時間

許多加工制造或其他加工行業的公司都擁有龐大的數據庫來存儲工業資產維護和運營數據。當今的現狀是維護工程師手工處理這些數據，但未來將采用機器學習方法來處理這些數據、對操作狀態進行分類以及檢測異常。經過訓練的系統將能夠自動識別異常情況，并提醒維護人員進行故障排除。

利用邊緣

從許多角度來看，機器學習的時代已經到來。高性能處理以及傳感器融合與機器學習的結合，將幫助工程師開發更高性能的系統，可以在邊緣側解讀數據，而無需與企業堆棧進行通信。一些技術可以在邊緣設備上直接訓練和運行模型，為工程師提供以下三種系統架構選項來進行模型訓練和部署：云端、邊緣或兩者結合。基于真實物理信號將邊緣設備智能化，可以減少決策的延遲和對昂貴的IT基礎架構的需求，這有助于緩解數十億臺新設備競爭有限帶寬的狀況。

平臺將利用機器學習的強大力量

需要注意的一個關鍵因素是將機器學習納入現有技術平臺，這將有助于開發人員專注于新問題，快速將相鄰的技術整合在一起，避免中間件丟失。大多數工程師不希望將時間花在處理已有答案或者僅因為工具鏈的緣故而被認為是必要問題。當前平臺支持哪些云分析？哪些公司的云？部署模型時是否會存在RTOS兼容性問題？ 將機器學習集成到云、軟件和硬件平臺將提供前期的技術棧，使工程師可以專注于新的挑戰。

“有很多選擇可以幫助企業提取其分散的商業信息系 統中隱藏的有用信息。機器學習平臺可以通過最新獲取的IoT傳感器數據快速的將這些數據整合在一起。讓平臺來完成這些瑣碎的工作，使企業可以專注于進行更加優化的決策。”

—Andy Timm, CTO, PTC

當今的機器學習應用可以非常快速地在一本相冊中找到關于狗的照片，但商業領袖正在尋找合適的工程師和平臺以及下一代機器學習，以在大模擬數據中找到提高正常運行時間、產量和效率的有用信息。