综述：物联网系统中人工智能的系统文献综述：任务、应用与部署

本综述系统分析了103篇AIoT（人工智能物联网）研究，揭示了AI在IoT系统中的六大核心任务（预测、模式识别等）及其在医疗健康（主导领域）、农业等11个应用域的部署现状。研究发现多数系统仍处于早期验证阶段（TRL 3-4），卷积神经网络（CNN）和监督学习为主流技术，边缘与云端部署并重但混合模式稀缺。文章精准指出数据模态单一（78%依赖数值数据）、自主学习技术应用不足等关键缺口，为AIoT在生命科学等领域的深化研究提供清晰路线图。

　　

物联网系统中的人工智能：任务、应用与部署全景剖析

摘要

人工智能（AI）与物联网（IoT）的融合——即人工智能物联网（AIoT），正显著提升系统的效率、功能性与决策能力。本系统文献综述深入分析了来自Scopus、IEEE Xplore和Web of Science三大数据库的103篇文献，聚焦于AI在IoT系统中的具体任务、输入输出数据类型、应用领域、研究成熟度、AI方法及其部署位置，旨在为未来研究与实践提供扎实的基础。

1. 引言

AI与IoT的集成创造了增强连接性、自动化流程和支持智能决策的新机遇。AIoT系统在医疗健康、智慧城市等关键领域展现出变革潜力。然而，现有综述多停留在宏观架构或特定应用层面，缺乏对AI在IoT中具体角色、部署位置、学习方法和系统成熟度的系统审视。本研究旨在填补这一空白，通过对近期主要AIoT系统研究的深度分析，提供技术根基更坚实的见解。

2. 方法

本研究采用系统文献综述（SLR）方法，设定了四个核心研究问题（RQ），并制定了严格的检索策略与筛选标准。检索时间范围为2022年至2024年，文献类型限定为期刊文章，最终纳入103篇文献进行详细分析。

3. 结果

3.1. AI在IoT系统中的任务

分析识别出AI在IoT系统中的六大主要任务类别及若干子任务：

• •
  模式识别：包括事件识别（如异常检测）、物体识别、身份认证和分类（如水质分级）。
• •
  决策与执行：涵盖资源分配、控制（如智能建筑温控）和路径规划。
• •
  预测：利用历史数据预测未来事件或状态，如疾病爆发或自然灾害。
• •
  决策支持：分为支持实时决策的操作决策（如灌溉调度）和支持长期规划的战略决策（如城市规划）。
• •
  数据管理：包括数据降噪和填补缺失值等预处理任务。
• •
  人机交互：目前主要体现为自然语言处理（NLP），但相关研究甚少。

预测和模式识别是最主要的AI任务，决策与执行次之。值得注意的是，数据管理和人机交互任务在当前研究中探索不足。

3.2. 输入与输出数据类型

AI方法在IoT系统中的输入数据以数值型数据（如传感器读数）为主，占78%。图像数据使用率为18%，音频（5.6%）、视频（3%）和文本（2%）数据使用较少。混合数据类型（如数值与图像结合）亦有出现。输出则根据应用目标多样，包括预测结果、分类标签、实时警报、决策指令或可视化信息。

3.3. AIoT应用领域与研究成熟度

研究识别出11个主要应用领域，其中医疗健康是绝对主导，占31%。农业（含水产养殖）和交通运输紧随其后。其他领域包括环境监测、工业、智能建筑、应急响应、能源、教育、监控等。部分研究描述了通用AIoT系统而未指定具体领域。

采用技术就绪水平（TRL）评估系统成熟度，发现绝大多数研究处于TRL 3（实验验证）和TRL 4（实验室环境验证）的早期发展阶段，仅有5项研究达到TRL 5（相关环境验证）。这表明当前AIoT研究仍以概念验证和原型开发为主，缺乏真实环境下的充分验证。

3.4. AI部署策略

AI组件的部署分为三类：边缘部署（38%）、云端部署（34%）和混合部署（15%），另有13%的研究未明确说明。边缘计算在需要低延迟或数据隐私的应用（如教育、交通、监控）中占主导，云计算则更常用于医疗健康、农业等领域需要大量计算的任务。混合部署模式目前并不常见，提示这是一个有待探索的方向。

3.5. 常用AI方法与学习类型

卷积神经网络（CNN） 是最常用的AI方法，其次是长短期记忆网络（LSTM）。YOLO等目标检测算法也常用于实时应用。然而，许多文章对所用AI方法的描述模糊，仅提及“深度学习”或“AI算法”，这不利于研究的可重复性。

在机器学习类型上，监督学习占据绝对主导地位（95%），无监督学习（2%）和强化学习（3%）的应用非常有限。这显示出现有系统在自适应和自主学习能力方面存在巨大探索空间。

3.6. 跨领域与跨部署的AI任务分析

预测任务在所有应用领域都普遍重要。模式识别（尤其是物体和事件识别）在多个领域是关键任务。决策支持在工业和医疗健康领域较常见，而自主决策与执行则在能源、农业、医疗健康和交通领域作用显著。AI任务偏好也与部署方式相关，例如，模式识别和实时决策更倾向于边缘部署，而决策支持任务则更多采用云端或混合部署。

4. 讨论与结论

本综述揭示了AIoT研究的现状、挑战与未来方向。主要发现包括：AI任务集中于预测和模式识别；医疗健康是热点应用领域；系统成熟度普遍较低；部署方式以边缘和云端为主；CNN和监督学习是主流技术组合。

同时，研究也指出了多个关键研究缺口：

1. 1.
   AI任务探索不均：数据管理、人机交互（如结合大语言模型LLMs）、战略决策支持等任务未被充分研究。
2. 2.
   数据模态利用单一：过度依赖数值数据，对多模态数据（视频、音频）的融合利用不足。
3. 3.
   应用领域分布失衡：医疗健康领域过饱和，而监控、建筑管理、应急响应等领域潜力巨大但研究不足。
4. 4.
   学习范式依赖单一：过度依赖监督学习，无监督学习、自监督学习和强化学习在动态环境中的应用亟待探索。
5. 5.
   部署策略有待优化：混合部署研究稀缺，需要开发能根据实时需求在边缘和云之间动态分配计算的智能框架。

5. 伦理与隐私考量

AIoT的广泛应用，特别是在医疗健康等敏感领域，引发了严重的伦理和隐私问题。自动化决策的透明度、问责制以及个人数据的收集、处理和传输过程中的安全与隐私保护，是未来发展中必须重视和解决的挑战。

总结与展望

本研究系统描绘了AIoT领域的技术全景，为研究人员和从业者提供了清晰的路线图。未来的研究应致力于填补上述空白，探索更智能、自适应、可信赖且能充分利用多模态数据的AIoT系统，以充分发挥其在改善人类生活和社会可持续发展方面的巨大潜力。