目录

一、信息物理系统技术

1.1 信息物理系统技术概述

1.2 CPS 的体系架构

1.3 CPS 的技术体系

1.4 CPS 典型应用场景

二、人工智能技术

2.1 人工智能关键技术

2.2 机器学习

2.2.1 按照学习模式分类

2.2.2 按照学习方法分类

2.2.3 机器学习算法

往期推荐

历年真题练习

        历年真题考情：本章节每年单项选择考2分左右。

        主要学习信息物理系统技术、人工智能技术、机器人技术、边缘计算、数字孪生体技术以及云计算和大数据技术等内容。部分超纲。

一、信息物理系统技术

1.1 信息物理系统技术概述

        信息物理系统(CPS)是控制系统、嵌入式系统的扩展与延伸，其涉及的相关底层理论技术源于对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，构建了物理空间与信息空间中人、机、物、环境、个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。

        CPS的本质就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、实时析、科学决策、精准执行的闭环赋能体系，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。

1.2 CPS 的体系架构

        (1)单元级CPS。是具有不可分割性的CPS最小单元，是具备可感知、可计算、可交互、可延展、自决策功能的CPS 最小单元，一个智能部件、一个工业机器人或一个智能机床都可能是一个CPS 最小单元。

        (2)系统级CPS。多个最小单元(单元级)通过工业网络(如工业现场总线、工业以太网等)，实现更大范围、更宽领域的数据自动流动，实现了多个单元级CPS 的互联、互通和互操作，进一步提高制造资源优化配置的广度、深度和精度。包含互联互通、即插即用、边缘网关、数据互操作、协同控制、监视与诊断等功能。其中互连互通、边缘网关和数据互操作主要实现单元级CPS 的异构集成，即插即用主要在系统级CPS 实现组件管理，包括组(单元级CPS)的识别，配置，更新和删除等功能；协同控制是指对多个单元级CPS 的联动和协同控制等;监视与诊断主要是对单元级CPS 的状态实时监控和诊断其是否具备应有的能力

        (3)SoS级。多个系统级CPS的有机组合构成SoS级CPS。例如，多个工序(系统的CPS)形成一个车间级的CPS 或者形成整个工厂的CPS。主要实现数据的汇聚，从而对内进行资产的优化和对外形成运营优化服务。其主要功能包括：数据存储、数据融合、分布式计算、大数据分析、数据服务，并在数据服务的基础上形成了资产性能管理和运营优化服务。

1.3 CPS 的技术体系

        CPS 技术体系主要分为 CPS 总体技术、 CPS 支撑技术、 CPS 核心技术。

        CPS 总体技术主要包括系统架构、异构系统集成、安全技术、试验验证技术等，是CPS 的顶层设计技术。

        CPS 支撑技术主要包括智能感知、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、大数据等，是基于 CPS 应用的支撑。

         CPS 核心技术主要包括虚实融合控制、智能装备、MBD、 数字孪生技术、现场总线、工业以太网、 CAXMES\ERP\PLM\CRMSCM 等，是CPS 的基础技术。

        上述技术体系可以分为四大核心技术要素即“一硬”(感知和自动控制)、“一软”(工业软件)、“一网”(工业网络)、“一平台”(工业云和智能服务平台)。其中感知和自动控制是CPS实现的硬件支撑；工业软件固化了 CPS 计算和数据流程的规则，是 CPS 的核心；工业网络是互联互通和数据传输的网络载体；工业云和智能服务平台是CPS 数据汇聚和支撑上层解决方案的基础，对外提供资源管控和能力服务。

1.4 CPS 典型应用场景

        （1）智能设计方面：产品及工艺设计、生产线/工厂设计。

        （2）智能生产方面：设备管理应用场景、生产管理应用场景、柔性制造应用场景。

        （3）智能服务方面：健康管理、智能维护、远程征兆诊断、协同优化、共享服务。

        （4）智能应用方面：无人装备、产业链互动、价值链共赢。

        CPS 的建设路径是：CPS 体系设计、单元级 CPS 建设、系统级 CPS 建设、SOS 级 CPS 建设。

二、人工智能技术

        人工智能(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。人工智能根据是否能真正实现推理、思考和解决问题，分为弱人工智能和强人工智能。目前的人工智能应用都属于弱人工智能。

2.1 人工智能关键技术

        (1) 自然语言处理(Natural Language Processing,NLP) 是研究实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理涉及的领域主要包括机器翻译(利用计算机实现从一种自然语言到另外一种自然语言的翻译)、语义理解(利用计算机理解文本篇章内容，并回答相关问题)和问答系统(让计算机像人类一样用自然语言与人交流)等。

        (2) 计算机视觉(Computer Vision) 是使用计算机模仿人类视觉系统的科学，让计算机拥有类似人类提取、处理、理解和分析图像以及图像序列的能力，将图像分析任务分解为便于管理的小块任务。如自动驾驶、机器人、智能医疗等。

        (3) 知识图谱(Knowledge Graph) 把所有不同种类的信息连接在一起而得到的一个关系网络，提供了从“关系”的角度去分析问题的能力。知识图谱可用于反欺诈、不一致性验证、组团欺诈等对公共安全保障形成威胁的领域。

        (4) 人机交互(Human-Computer Interaction，HCl) 人机交互主要研究人和计算机之间的信息交换。人机交互技术除了传统的基本交互和图形交互外，还包括语音交互、情感交互、体感交互及脑机交互等技术。

        (5) 虚拟现实或增强现实(Virtual Reality /Augmented Reality，VR/AR) 以计算机为核心的新型视听技术。在一定范围内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 (Machine Learning，ML) 是以数据为基础，通过研究样本数据寻找规律，并根据所得规律对未来数据进行预测。目前，机器学习广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别等领域。

2.2 机器学习

2.2.1 按照学习模式分类

        按照学习模式的不同，机器学习可分为监督学习、无监督学习、半监督学习、强化学习。其中，监督学习需要提供标注的样本集，无监督学习不需要提供标注的样本集，半监督学习需要提供少量标注的样本，而强化学习需要反馈机制。

        (1)监督学习是利用已标记的有限训练数据集，通过某种学习策略/方法建立一个模型，从而实现对新数据/实例的标记(分类)/映射。在自然语言处理、信息检索、文本挖掘、手写体辨识、垃圾邮件侦测等领域获得了广泛应用。最典型的监督学习算法包括回归和分类等。

        (2)无监督学习是利用无标记的有限数据描述隐藏在未标记数据中的结构/规律。无监督学习主要用于经济预测、异常检测、数据挖掘、图像处理、模式识别等领域，例如组织大型计算机集群、社交网络分析、市场分割、天文数据分析等。无监督学习常见算法包括Apriori算法、 KMeans 算法、随机森林、主成分分析等。

        (3)半监督学习介于监督学习与无监督学习之间，可以利用少量的标注样本和大量的未标识样

本进行训练和分类，从而达到减少标注代价、提高学习能力的目的。半监督学习的应用场景包括分类和回归，算法包括一些常用监督学习算法的延伸，这些算法首先试图对未标识数据进行建模，在此基础上再对标识的数据进行预测。例如，图论推理算法或者拉普拉斯支持向量机等。

        (4)强化学习可以学习从环境状态到行为的映射，使得智能体选择的行为能够获得环境的最大奖赏。目前，强化学习在机器人控制、无人驾驶、工业控制等领域获得成功应用。

2.2.2 按照学习方法分类

        按照学习方法的不同，机器学习可分为传统机器学习和深度学习。区别在于，传统机器学习的领域特征需要手动完成，且需要大量领域专业知识；深度学习不需要人工特征提取，但需要大量的训练数据集以及强大的 GPU 服务器来提供算力。

2.2.3 机器学习算法

        机器学习的常见算法还包括迁移学习、主动学习和演化学习。

        迁移学习是指当在某些领域无法取得足够多的数据进行模型训练时，利用另一领域数据获得的关系进行的学习。主要在变量有限的小规模应用中使用，如基于传感器网络的定位、文字分类和图像分类等。

        主动学习通过一定的算法查询最有用的未标记样本，并交由专家进行标记，然后用查询到的样本训练分类模型来提高模型的精度。

        演化学习基于演化算法提供的优化工具设计机器学习算法，针对机器学习任务中存在大量的复杂优化问题，应用于分类、聚类、规则发现、特征选择等机器学习与数据挖掘问题中。算法通常维护一个解的集合，并通过启发式算子来从现有的解产生新解，并通过挑选更好的解进入下一次循环，不断提高解的质量。

        人工智能目前典型应用：ChatGPT、文心一言、星火大模型(讯飞)等。

往期推荐

【系统架构设计师】一、计算机系统基础知识(硬件组成|CPU|校验码)-CSDN博客文章浏览阅读989次，点赞12次，收藏14次。一、计算机的硬件组成；二、中央处理单元：2.1 CPU的组成；2.2 CPU 的功能；三、校验码；四、考试真题练习。

https://shuaici.blog.csdn.net/article/details/139684918

【系统架构设计师】十四、软件架构的演化和维护(演化和定义|面向对象软件架构演化过程|软件架构演化方式的分类)-CSDN博客文章浏览阅读440次，点赞11次，收藏10次。软件架构的演化就是软件整体结构的演化，演化过程涵盖软件架构的全生命周期，包括软件架构需求的获取、软件架构建模、软件架构文档、软件架构实现以及软件架构维护等阶段。所以，人们通常说软件架构是演化来的，而不是设计来的。

https://shuaici.blog.csdn.net/article/details/140522109 【系统架构设计师】十三、软件可靠性(软件可靠性管理|软件可靠性设计|软件可靠性测试与评价)-CSDN博客文章浏览阅读242次，点赞10次，收藏3次。提高系统可靠性的技术可以分为避错(排错)技术和容错技术。避错是通过技术评审、系统测试和正确性证明等技术，在系统正式运行之前避免、发现和改正错误。容错是指系统在运行过程中发生一定的硬件故障或软件错误时，仍能保持正常工作而不影响正确结果的一种性能或措施。容错技术主要是采用冗余方法来消除故障的影响。软件容错技术主要包括恢复块方法、N版本程序设计、防卫式程序设计和冗余设计等多种方法。

https://shuaici.blog.csdn.net/article/details/140516798

【系统架构设计师】十三、软件可靠性(基本概念|软件可靠性建模)-CSDN博客文章浏览阅读1.1k次，点赞14次，收藏18次。软件可靠性是软件产品在规定的条件下和规定的时间区间完成规定功能的能力。软件可靠性和硬件可靠性区别： (1)复杂性：软件复杂性比硬件高，大部分失效来自于软件失效。 (2)物理退化：硬件失效主要是物理退化所致，软件不存在物理退化。 (3)唯一性：软件是唯一的，每个COPY版本都一样，而两个硬件不可能完全一样。 (4)版本更新周期：硬件较慢，软件较快。

https://shuaici.blog.csdn.net/article/details/140492470

历年真题练习

        1.人工智能(Artificial Intelligence，简称 AI)，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。今年在技术上取得长足的进步，其主要的研究方向不包含()。

                A.人机对弈        B.人脸识别

                C.自动驾驶        D.3D 打印

人工分割线-答案

        1. D