近期有一些最令人兴奋的科技进步，包括人工智能和云计算超越人类智慧的时间比预测提前了整整10年；硅锗异质双极晶体管设定了新的速度参数标准。此外，NIOEP9电动超级跑车在2:40:33的时间内以160英里每小时的速度自主完成了3.4英里的美洲赛道（Circuitof Americas track），创造了新的世界记录；而经过原型验证的超级高铁系统有望以600英里每小时的平均速度将乘客送到目的地。延续这一趋势，2018年无疑将成为技术进步的又一标杆年。

 

在即将到来的这一年，基于大模拟数据（Big AnalogData™）解决方案和功能日益强大的机器学习 将会生成新的商业视角。我们将继续迎来车辆网技术和智能工厂的重大里程碑、看到在集成电路日趋复杂的需求下测试时间反而大幅减少、见证5G通信和连接振奋人心的进展。

 

我们都在竞相奔向未来，NI将继续以软件为中心的开放平台加快所有用户定义的测试、测量和控制系统的开发，助力用户始终走在技术最前沿。未来正加速而来，您准备好了吗？

 

 

工业物联网(IIoT)中智能设备和互联设备的数量快速增加，为提高性能和降低成本提供了巨大的机会，但一个往往被忽视的挑战是如何高效地管理这些分布式系统。

 

 

5G创新不止于设计测试和测量解决方案将成为产品商业化周期中的关键环节，但是5G需要的测试方法与之前的无线技术截然不同。了解哪些技术正在让5G逐步变成现实。

   

 

尽管最近关于摩尔定律消亡的言论很多，实际情况与摩尔定律也有所偏差，但数十年的创新基本上还是一直遵循着摩尔定律。但现在，这个经过50多年验证的定律再次面临挑战。了解这一现状如何影响半导体市场的未来发展。

   

 

电气化的影响 - 汽车电气化趋势不只是全球从内燃机汽车和混合动力汽车向全电动汽车的转变。除了车辆本身日益复杂化的影响，我们还需要考虑对支持基础设施提出的新要求。

   

通过机器学习，自动获取工程信息
 

智能系统不仅生成大量数据，也依赖于数据，但大幅增加的数据量加剧了大模拟数据挑战。了解机器学习如何帮助工程师解决面前的问题，专注于探索和应对下一个重大挑战。

 

 

工业物联网（IIoT）已经从概念和试点项目迅速演变为大规模的厂级部署，并取得了丰硕的成果。这些成果主要表现在为前瞻性公司（如捷豹路虎、中国钢铁和杜克能源）提供更加优化的数据分析和决策，以最大限度地延长正常运行时间，提升性能并推动未来的产品创新。工业正在日益智能化和互联化。如果无法跟上IIoT创新的步伐，不仅可能丢失市场份额，而且会消耗许多不必要的成本。事实上，据埃森哲2017年3月的《ConnectedBusiness Transformation》报告指出：“95%的商业领袖期望他们的公司在未来三年内使用IIoT。”

 

结合目前的边缘节点硬件和数据分析软件，通过小型IIoT试点实现设备预测性维护和智能机器互联控制所获得的商业优势是显而易见的。现有的技术已经完全可以容纳更大规模的工业互联系统，但同时也带来了更大的工业数据智能管理挑战。而现在，最受关注的技术热点和挑战是：如何扩展和管理大型IIoT部署，包括远程系统管理、软件配置管理和数据管理。

 

 

 

随着运营技术成本的降低，针对关键资产的监测和控制系统应用日益普及。资产和维护经理正在面临的挑战是，如何利用高性价比的策略来管理这些运营资产并最大限度地减少资产停机。公司可以利用云托管技术提供的灵活性来实现远程系统管理解决方案，从而掌握多个互联系统的状态。

 

成功的远程系统管理解决方案需要能够解决配置、诊断和边缘设备管理等方面的挑战。远程系统管理功能通常包括任务或进程级的系统参数监测，如内存和CPU使用情况、网络和I/O统计信息，以帮助最大限度地减少由于软件错误而导致停机所产生的影响，并发现潜在的安全漏洞。

 

 

IIoT市场对持续交付和改进有很高的期望。与日俱增的快速上市压力要求企业使用灵活的软件来修复漏洞、修改功能以及解决安全漏洞。如果没有有效的软件管理策略，就会导致系统运行的软件过时，从而影响资产性能、安全性和可靠性。IIoT公司可通过部署经验证的框架和最佳实践来避免手动软件部署的高成本和低效率。

 

在工业环境中，高效的软件配置管理策略应可应对高度动态环境中不断变化的系统利用率和网络稳定性。位于IIoT不同阶段的多个供应商提供的系统方案是高度混合的，更加需要能够跟踪和控制应用程序级以及固件级微小软件更改的技术。展望未来，企业需要在保证现有业务的基础上，转换到一个集成了软件配置管理的优化平台，以探索运营技术（OT）和主流IT解决方案之间的边缘联接。

 

“百分之九十五的商业领袖期望他们的公司在未来三年内使用IIoT。”

 

—埃森哲, 2017

 

 

IIoT系统会生成大量数据，数据量将会达到TB级，甚至是艾字节级别。管理这些数据以实现优化的商业决策是企业在了解自身业务并实现提升的过程中必须实现的一个要素。IIoT系统产生的数据中隐藏着大量有价值的信息，这些信息可以借助先进的智能信号处理算法挖掘出来。随着数据管理技术的日益普及，企业可以有多种方案来管理其数据，在整个企业范围内获取不同层次的有用信息。

 

数据管理策略需要同时包含能够运行在边缘侧和企业级的分析功能。据《IDCFutureScape: Worldwide Internet of Things 2017 Predictions》报告指出：到2019年，至少有40%的IoT数据将存储到边缘设备进行处理、分析和操作。高效的数据管理解决方案必须能够整合来自多个分散源的数据，并提供不同级别的分析，以便让正确的人员获得正确的信息，并将原始数据转化为有据可依的决策。

 

 

现在，构建IIoT解决方案可以为企业带来前所未有的竞争优势，同时避免被不断更新的市场淘汰。 各行各业的公司正在采用一系列颠覆性的平台和生态系统，利用传感器驱动的计算、工业分析和智能机器应用等智能技术，将业务转变为实现创新和发展的引擎。借助IIoT技术，我们可以利用这些最先进的平台的优势，降低维护成本，提高资产利用率。

 

 

5G代表着新一代的变革，将深刻影响全球的企业和消费者。它有望提供革命性的无限制的体验，具有更快的数据，更短的网络响应时间（更低的延迟），随时随地的即时访问以及数十亿个设备的容量。我们这里说的不只是更快速地将视频下载到手机上。与3G和4G不同，5G的应用领域远不只是移动设备，它将扩展到我们生活的各个方面。从实现工业物联网到确保自主汽车的安全，5G将以难以想象的方式改变我们的生活。

 

十年后，我们回头看时，肯定会说5G是迄今为止最重要的技术之一。它实现了当今正在兴起的一切，包括可以相互通信的自主驾驶汽车，以及最快速的视频体验。

 

—Patrick Moorhead，Moor   Insights & Strategy总裁兼首席分析师

 

 

3GPP标准机构正在马不停蹄地定义5G，但真正的工作才刚刚开始。现在，半导体、网络基础设施、云、软件、制造和测试技术领域的公司必须设计、开发、测试和交付能够利用这些新无线功能的解决方案。这并非易事。

5G采用了大规模MIMO和毫米波等新技术。两种技术都使用多天线和波束成形技术，这与目前和以往的无线架构有很大的不同。5G还包括新的无线控制机制，通过将控制与数据分割开来实现网络切片的概念，使服务扩展到单个用户设备。

 

另外，5G标准比3G和4G标准要复杂得多。5G将变革我们的网络，所以行业必须改变这些系统的设计、开发和测试方式。对于算法设计，如果要从概念过渡到生产，只是对系统进行建模而没有进行真实的验证是不够的。而对于测试来说，仅针对单个组件的传统方法将无法解释对系统的整体影响。

 

 

世界各地的无线研究人员很快就发现，成功的唯一途径是采用以软件为中心的平台化方法来开展5G研究。诺基亚推出了首个73GHz的毫米波5G原型，并使用毫米波频谱打破了移动接入数据速率的纪录。隆德大学开发了第一个大规模MIMO原型，布里斯托大学和Facebook的研究人员扩展了其大规模MIMO原型，创造了前所未有的频谱效率里程碑。

 

这些系统原型已经成为5G技术演变中的重要环节。这些案例中使用的平台化设计方法充分利用了软件无线电（SDR）来应对系统挑战以及缩短获得结果的时间。用于设计和原型验证的SDR将随着软件的变化而不断发展。我们甚至可以预想功能更加强大的SDR，其软件将扩展到扩展到物理层之上，以利用庞大的开源软件生态系统。这将使研究人员能够解决更上层的网络，进一步减少采用时间，并打破了孤立的设计方法。

 

 

测试和测量解决方案将成为5G商业化周期的关键。测试系统必须扩展到物理层之上，才能使用可控/可转向的波束来快速且经济高效地测试这些新的多天线技术。此外，这些系统必须解决具有极宽带宽的新毫米波设备。这些测试解决方案不仅需要能够测试设备的重要参数，而且还要具有成本效益，不仅能充分发挥5G的潜力，而且可使之得到广泛应用。

 

 

基于这些特性，5G需要采用不同的方法来测试无线设备和系统。例如，系统级空口传输技术(Over-the-air,OTA)测试将成为5G生态系统的标准测试之一。OTA测试提出了几个挑战，但最困难的地方或许是测试设备和待测设备共存的环境。空气是一种不可预知的媒介，而信道本身也随时间和环境条件而变化。无线测试工程师必须在OTA场景中隔离通道，并逐个使用波束来控制设备，以有效地“测试”设备。

 

此外，英特尔等公司已经推出了早期的相控阵天线模块，其特征是直接连接到RF前端的天线，以最大限度减少系统损耗。因为设备的访问会受到限制，测试设备的频率必须升高到毫米波频带，然后逐个波束地分析主要性能参数。

 

最后一点，尽管带宽是一个常见的测试挑战，但是经过测试的5G带宽预计将比标准LTE信道宽50倍。在这些带宽下，测试系统不仅必须生成和采集更宽带宽的波形，还需要能够实时处理所有数据。

 

 

无线研究人员采用基于SDR的平台设计方法，加快了5G的早期研究阶段以及所获得的成果。现在，测试解决方案提供商也必须这样做。5G要求我们必须以前所未有的方式转变测试方法，而灵活且可配置的平台化方法对于生态系统的发展至关重要。

 

 

最近关于摩尔定律终结的言论非常多。 虽然经过了五十多岁的反复验证，这一定律再次再次面临挑战，但请不要对半导体和电子市场的前景悲观失望。英特尔联合创始人戈登摩尔（GordonMoore）提出了一个著名的定律：半导体的晶体管数量一开始将每12个月翻一番，之后将每24 个月翻一番。尽管有一些微小的偏差，但半导体处理技术的发展数十年来一直遵循这一定律。 这种“无限制”的体积缩小（scaling）可允许复用类似的架构设计，为半导体技术的发展提供更低的成本、更低的功耗以及更快的处理速度。而这种“无限制”的体积缩小的终结是否意味着计算技术的进步即将走到尽头？ 尽管这一威胁严重到足以让DARPA增加资金投入到后摩尔定律世界的研究，但科学家和工程师一直以来都在不断地克服缩小体积芯片过程中的障碍，而纯粹针对半导体芯片体积缩小的一些创新替代方案则描绘了一个明朗有趣的未来。“摩尔定律的终结可能是一个转折点。”Microsoft Research企业副总裁PeterLee博士在《经济学人》2016年3月的季度技术报告中表示。这将充满挑战- 但同时也是一个机会，可以探索不同的方向，并真正打破这一定律。

 

 

从摩尔定律的角度是看在芯片上的三极管数量（也就是更小的体积上存在更多的三极管数量），但是对于半导体行业来说这些并不意味着所有半导体瞄准的方向，包括更高速的处理速度和更低的功耗，都是半导体技术提升带来的好处。人们对半导体技术提升带来的好处的预期数十年来一直在变成现实，但这些好处将不再容易实现或预期。处理器的冷却问题阻碍了处理器频率技术的指数级上升，但这种明显的“障碍”激发了大量创新，促进了多核处理器的普及。虽然核心频率的增长受到限制，但由于多核技术的发展，结合可加快图形、游戏和视频播放速度的专用矢量处理单元，PC系统性能仍不断提升。但这些新技术给开发软件模型最好地利用这些新的处理块带了新的挑战。随着处理架构的变化，高速晶体管的应用不再仅限于CPU，也应用到I/O子系统中，为处理器提供更高网络、摄像头和数据采集带宽。高速信号处理在无线和有线标准中的应用使得I/O带宽的增长速度已经超过了纯粹的晶体管体积缩小速度。

 

 

“摩尔定律的终结可能是一个转折点。这将充满挑战 - 但同时也是一个机会，可以探索不同的方向，并真正打破这一定律。”

 

—Peter Lee博士，企业副总裁，Microsoft  Research

 

 

随着芯片设计方面的不断突破，以前对摩尔定律终结的预测已经变成现实。目前的技术正在通过堆叠芯片和晶体管来更充分地利用第三维度，这将进一步增加晶体管的密度，但也可能带来新的设计和测试问题。例如，晶体管体积越小，成本越高，这要求新的芯片能够结合更多的系统功能来匹配更高的价格。这种先进的“片上系统(SoC)”方法表现在FPGA从简单的逻辑门阵列演变成高性能I/O和处理系统，将处理器、DSP、存储器和数据接口组合到单个芯片中。许多扩大芯片密度的新选择从第三维度来考虑，即如何设计晶体管以及如何使用3D-IC技术将现有芯片组合到一个封装中。虽然片上系统在设计和测试方面更为复杂，但它们的设计目的是通过高集成度来降低终端设计的成本。即便有这些好处，但芯片堆叠会带来新的复杂性，进而带来新的挑战。随着越来越多的系统开始从第三维度考虑体积缩小，调试和测试挑战将变得更加明显，更多的芯片空间将被用于提供集成的调试和测试功能。

 

 

历史表明，以往在缩小芯片体积时遇到的各种问题激励工程师进行创新，通过改进架构来更好地利用硅技术。最新的各种挑战开创了需求导向的计算时代，即通过将多个不同类型的独特计算架构相结合来解决问题。这种趋势越来越广泛地应用于图像处理器GPU，并与通用CPU相辅相成，但是随着FPGA、向量处理器甚至针对特定应用的计算块促进专用计算技术加速发展，该技术也在更快速地扩张。这些加速的技术，如机器学习技术，将成为未来片上系统的标准组成模块。利用这些混合处理架构的关键是能够帮助用户使用上层描述语言进行设计并部署到各种处理引擎以提高处理速度的软件工具和框架。随着异构计算成为缩小芯片体积的的选择，最初研发多核芯片以利用并行性的场景将重演。尽管摩尔定律的适用性再次受到威胁，但机器学习和自主驾驶等市场需求将持续扩展处理能力和I/O带宽，为推动架构创新提供新的机遇。

 

 

在全球范围内，政府正在推行新的指令，这些指令将导致内燃机逐渐消失。中国率先规定在2018年之前上路的新车辆中，必须有8％是“新能源”或零排放车辆，这是很大的挑战，因为目前这一比例仅为2％至3％。类似的限制内燃机未来发展的政府法规已经遍及全球，与此同时，混合动力汽车和全电动汽车产业的重要性和发展也不容忽视。沃尔沃可能是汽车制造商中立场最坚定的，该公司承诺到2019年仅生产混合动力汽车或全电动汽车，并承诺到2025年将销售超过100万辆电动汽车。“这个法令标志着内燃机汽车的结束。” 沃尔沃总裁兼CEO Håkan Samuelsson在2017年7月的一次声明中表示。

 

“这个法令标志着内燃机汽车的结束。”               —Håkan  Samuelsson，沃尔沃总裁兼CEO

 

 

 

从内燃机到混合动力以及全电动汽车的转变只是车辆电力电子系统中变化最显著的一部分。电气化对车辆子系统也同样很重要。10年前，方向盘和前轮之间采用完全机械联接并不罕见。方向盘连接到一根转动轴，转动轴再连接到用于转动车轮的齿条齿轮装置，甚至是更高效的液压系统，也仍保持方向盘和轮胎之间的机械耦合。油门踏板和手动变速器也采用相似的连接。

 

线控技术在现代车辆中的普及打破了这种模式。传感器、远程执行机构和多个控制系统已经取代了机械耦合。方向盘与前轮之间不再直接连接，而是由转向柱上的传感器测量车轮的角度。然后，嵌入式控制器将该测量换算成一个角度值，并将该值发送到车辆的通信总线。在通信总线上的另一个端，另一个控制器接收该值，根据车速和驾驶员设置将其转换为车轮角度，然后命令执行机构将车轮移动到所需的角度。在许多车辆中，安全系统位于线控转向系统的中间，以确保车辆停留在行车道内，并避免车道中的障碍物。随着车辆电力电子子系统数量的增长，汽车本身也开始看起来像一个微电网，在微电网中，公共电力总线连接着越来越多的源极和漏极组件，每个组件都由独立的嵌入式控制系统进行管理。

 

 

从更广义的角度来看政府汽车法令的影响，电气化的指数增长和内燃机时代的即将终结要求电力基础设施发生根本性的变化才能支持汽车发电厂的转型。在任何街角的加油站中，一辆内燃机汽车只需大约10分钟的时间就能将油箱加满，继续行驶300英里。而即使是使用专用增压器，类似的充电站需要至少一个小时的时间才能使全电动车辆充满电。即使是针对日常通勤所需的缓慢充电，充电硬件也有需要一定的考量。对于房主来说，安装充电站可能像在车库中放置大电流电路一样简单，但对于房屋或公寓的租赁者而言，情况就有点复杂。如果汽车主人都住在一个城市，并在街上停车，那么家庭收费站的概念可能是完全不可能实现的。

 

从电力公司的前景来看汽车电气化的未来，基于日常劳动力进度的循环需求加上快速充电的高负载需求，为电网提出了难以置信的新挑战。如果所有上班者都在下午5点回家，并在同一时间内插入电动汽车，这会改变电网典型峰值需求的时间，区域高峰耗电领域将从供暖或制冷变成交通运输。对于规模较大的加油站，众多用于快速充电的增压器将需要类似于中等规模小区所需的电能。政府法规驱动的电动汽车趋势直接导致车辆复杂性的增长，并间接导致对增加基础设施的迫切需求。汽车行业的未来将推动电网的未来，这将需要更智能的控制系统。将其变为现实需要建立安全可靠的控制系统，这是一个真正跨领域的挑战。为了快速上市，这将需要更多地依赖实时测试、生产测试以及能够熟练使用业界领先的灵活开放平台来开发各种工具的生态系统合作伙伴。借助正确的工具，工程师将能够适应汽车电气化所需的变革性技术。

 

 

机器学习已经在模式识别（patternrecognition）相关的某些利基领域取得了显著的成果，但是该技术正在对企业产生更大、更长远的影响，需要相关行业提出更广泛的见解以及提高效率。技术巨头对机器学习应用的投资正在引起广泛的关注。Google在美国总部以外的最大型开发人员团队就是致力于研究机器学习。微软公司推出开源CNTK，百度发布了PaddlePaddle、亚马逊决定在AWS上支持MXNet，此外Facebook也开发了两个深度学习框架。消费者领域的机器学习应用浪潮将渗透到工业中，这将帮助工程师和管理人员通过自动化数据分析改进业务运营。除了推动创新，机器学习还带来了直接即时的业务改进，例如正常运行时间延长、生产成本降低以及工程开发效率提高。

 

 

 

网络智能系统提高数据可见性的能力一方面使物联网（IoT）大大受益，另一方面也带来了大模拟数据的挑战。ABIResearch (QTR 1 2017)指出，工业设备的传感器和机器数据预计到2020年将超过78艾字节，这些数据可能包含当今技术无法发现的机器故障、制造缺陷或重要验证测试数据相关的证据。大量数据结合机器学习算法，可训练出更精确的模型，更快速生成结果，但前提是能够有效获取这些海量数据。系统设计人员在部署机器学习技术时，首先需要能够查看到规范有序的数据集，然后才能为互连系统开发更全面的数据采集和管理策略。

 

 

在产品开发过程中处理设计缺陷可能会导致昂贵的代价，这也是工程师将很多时间、注意力和预算用在设计验证和测试上的原因。在机器学习帮助工程师将宝贵的工程时间集中在最需要测试和验证的产品领域之前，我们需要整理历史测试数据，使其便于访问。

 

 

目前大多数制造商的做法是筛选通过/失败条件并保存数据以便进行取证分析、校准记录和溯源。一些制造商使用更先进的自动测试方法，但机器学习模型可以帮助他们更加高效的定位产品缺陷，而不论其产生的根本原因是什么。当前版本的硅片组件是否来自新的晶圆厂？设计是否包括仿冒组件？实际工程应用中，无数的异常可能会导致缺陷，因此为所有异常分别设置测试条件是不切实际的。但机器学习技术能够帮助制造测试工程师发现在设计和测试产品时未察觉的缺陷。

 

 

许多加工制造或其他加工行业的公司都拥有庞大的数据库来存储工业资产维护和运营数据。当今的现状是维护工程师手工处理这些数据，但未来将采用机器学习方法来处理这些数据、对操作状态进行分类以及检测异常。经过训练的系统将能够自动识别异常情况，并提醒维护人员进行故障排除。

 

 

从许多角度来看，机器学习的时代已经到来。高性能处理以及传感器融合与机器学习的结合，将帮助工程师开发更高性能的系统，可以在边缘侧解读数据，而无需与企业堆栈进行通信。一些技术可以在边缘设备上直接训练和运行模型，为工程师提供以下三种系统架构选项来进行模型训练和部署：云端、边缘或两者结合。基于真实物理信号将边缘设备智能化，可以减少决策的延迟和对昂贵的IT基础架构的需求，这有助于缓解数十亿台新设备竞争有限带宽的状况。

 

 

需要注意的一个关键因素是将机器学习纳入现有技术平台，这将有助于开发人员专注于新问题，快速将相邻的技术整合在一起，避免中间件丢失。大多数工程师不希望将时间花在处理已有答案或者仅因为工具链的缘故而被认为是必要问题。当前平台支持哪些云分析？哪些公司的云？部署模型时是否会存在RTOS兼容性问题？ 将机器学习集成到云、软件和硬件平台将提供前期的技术栈，使工程师可以专注于新的挑战。

 

“有很多选择可以帮助企业提取其分散的商业信息系 统中隐藏的有用信息。机器学习平台可以通过最新获取的IoT传感器数据快速的将这些数据整合在一起。让平台来完成这些琐碎的工作，使企业可以专注于进行更加优化的决策。”

 

—Andy Timm, CTO, PTC

 

当今的机器学习应用可以非常快速地在一本相册中找到关于狗的照片，但商业领袖正在寻找合适的工程师和平台以及下一代机器学习，以在大模拟数据中找到提高正常运行时间、产量和效率的有用信息。