必看，2025年值得关注的AI、物联网、边缘计算七大洞察
随着物联网（IoT）与人工智能（AI）的深度融合，工业、制造、能源、物流等各个行业正迎来前所未有的智能化浪潮。从边缘设备到云端分析，从硬件部署到数据驱动决策，物联网正在重塑企业的运营模式和竞争格局。然而，技术机遇背后也伴随着挑战：技能缺口、网络安全、供应链不确定性以及全球贸易政策的影响，都在考验企业能否在这场数字化变革中抢占先机。
近日，来自IoT Analytics 、Verizon Business、IDC 、Lantronix的分析师和高管们与 CRN 探讨了他们今年在物联网市场看到的一些核心洞察，笔者对其中的精华进行了编译整理：
洞察一：物联网厂商正面临巨大的 AI 技能缺口问题
随着生成式 AI、边缘智能以及大模型推理等技术加速渗透，物联网行业正在经历一场结构性的能力重塑，而 AI 技能缺口已成为限制产业跃迁的核心瓶颈之一。来自 IoT Analytics 的物联网组件、连接性和安全性首席分析师 Sinha 表示：“我们在物联网市场中看到一个巨大的技能缺口，尤其体现在如何将 AI 技术整合进物联网产品和服务上。”
首先，人才结构与技能谱系失衡愈发明显。长期以来，物联网厂商的核心能力集中在硬件设计、嵌入式开发、无线通信协议和设备管理等传统领域。AI 的引入迫使企业在算法工程、模型训练、算力优化、数据治理、MLOps 等方向迅速补齐能力。但现实是，大量工程师缺乏系统性的 AI 技能，而具备跨界能力的人才稀缺且培养周期长。这使得企业在推进 AI 赋能时出现明显“人等技术”的局面。在“OT 与 IT 的融合”过程中，也曾出现类似的挑战——IT 人员不熟悉 OT 环境，OT 人员不了解 IT 环境。如果双方在缺乏跨领域培训的情况下被要求协作，就会产生大量复杂问题。
第二，AI 技术迭代速度远快于物联网产品生命周期，形成周期错配。传统 IoT 设备的生命周期往往跨度数年，而 AI 技术的更新速度以季度甚至月为单位。企业在产品设计、测试到部署的过程中，技术基线可能已发生变化，使得 AI 方案在投入使用前即面临过时风险。这种周期错配不仅抬高了研发成本，也迫使物联网厂商重新思考版本规划、软硬分离、可更新架构、模型在线升级等体系化能力。
第三，外部依赖虽可短期补位，却难形成长期竞争力。不少企业尝试通过外包或引入第三方团队来加速 AI 项目落地，但第三方必须深入理解企业的设备逻辑、协议栈、数据特性与业务场景，而这通常需要大量时间与沟通成本。在涉及 NDA 的情况下，这一过程更为复杂。更关键的是，依赖外部力量难以构建可持续的内部能力，长期来看会削弱企业在 AI 化竞争中的主动权。如果企业希望在行业或公司内部导入 AI，就必须让自己的员工掌握相关技能，而不是依赖第三方的短期方案。
因此，构建“AI 就绪”的物联网组织能力已成为行业必须面对的关键命题。
洞察二：关税切实改变了企业战略和供应链策略
关税确实改变了许多企业当下的经营方式。它推高了原材料成本，影响了产品定价和供应商利润。IDC 的一项市场情绪调研显示，60% 的企业认为不断上升的关税正在威胁盈利能力与科技预算的稳定性。
关税导致设备采购延期，引发供应链中断，也迫使企业进行战略调整，以确保不会给客户造成重大影响，例如迁移制造地点、推进供应链多元化等。
与此同时，关税在某种意义上也带来了一些“创新效应”。IDC 市场研究公司工业物联网和智能战略研究经理 Carlos Gonzalez 在其参与撰写的《IDC 全球 DataSphere 物联网设备装机量与数据生成预测》报告中指出，“我不能说关税是造成变化的唯一原因，但它确实产生了影响。我们看到的并不是硬件需求持平，而是出现了下降趋势。企业目前并不打算在未来投入太多硬件，但围绕数据的应用却持续以强劲的趋势增长。”
当前的现实是：企业逐渐意识到，硬件供应本就困难，未来也可能持续紧张，因此必须“用更少的硬件做更多的事”。这也是为何合成数据在当前如此关键——它让我们能够基于已有信息开展更多分析。其中大量数据来自非结构化环境，例如视觉系统，通过对现有摄像头的数据进行更深层的分析，从这些非结构化来源中挖掘更多价值。
总体来看，关税持续为市场带来不稳定性。但即便在不稳定的情况下，客户和供应商都很清楚，有些投资是不可能停止的：制造业升级、物联网网络和系统建设、网络安全等。这些领域的投入不会停止。企业或许会寻找各种方法来抵消新增成本，而这些做法不可避免地会对定价产生影响。增长仍然会继续，只是成本如何向下游传导会有所不同，而最终它仍会影响到价格和供应商利润。
洞察三：合成数据在物联网应用中的日益普及
随着物联网与人工智能的深度融合，数据已成为驱动智能化应用的核心资产。然而，企业在利用数据进行分析、建模和模拟时，往往面临知识产权保护、敏感信息安全和隐私合规的多重约束。在这一背景下，合成数据（Synthetic Data）正在成为企业解决这一困境的关键工具。
所谓合成数据，是旨在模拟真实世界数据的人工数据。它是通过统计方法或使用人工智能 (AI) 技术（深度学习和生成式 AI 等）生成的。尽管是人工生成的，合成数据仍保留了其所基于的原始数据的基本统计特性。因此，合成数据集可以补充甚至取代真实数据集。
合成数据是对真实数据的高度拟真复制，不涉及原始敏感信息，能够在保护知识产权的同时进行多维度分析和模拟。其主要应用包括：
模型训练与算法开发：企业可使用合成数据生成训练集，构建 AI 模型，而无需直接访问真实生产或客户数据。
跨企业协作：不同厂商或合作方可以在不泄露核心业务数据的前提下，共享数据以进行联合分析或系统优化。
系统模拟与场景测试：在物联网设备部署前，使用合成数据进行仿真测试，验证边缘计算、AI 推理及网络策略的有效性。
而推动合成数据发展的驱动因素有：
数据安全与隐私担忧：企业用户对自身数据的安全和保密性高度敏感，这成为影响物联网云端应用、网络安全投入和 AI 项目落地的重要因素。
跨系统和跨厂商分析需求：物联网设备日益多样化，数据分散在不同系统中。合成数据可实现跨平台分析，而无需实际交换敏感数据。
AI 应用对数据量和多样性的需求：AI 模型的精度依赖大规模、多样化的数据集，但真实数据往往有限或受限。合成数据能够弥补这一短板，加速 AI 部署和迭代。
总的来看，合成数据不仅是解决隐私与数据安全问题的工具，更是企业在物联网与 AI 时代实现数据价值最大化的关键手段。未来，随着算法生成能力的提升和仿真精度的增强，合成数据将在物联网设备智能化、跨系统互联互通以及端到端 AI 解决方案中发挥越来越核心的作用。
洞察四：物联网厂商之间（甚至竞争对手）正加强互联互通能力
在物联网领域，竞争对手之间的互联互通正成为一个重要的增长方向。客户需求正在推动厂商间的合作，因为市场无法等待每一家供应商各自开发独立的方案。
过去，物联网系统多以“单一厂商封闭生态”为主，每家厂商围绕自身协议、设备和平台构建独立体系。然而随着部署规模扩大、跨品牌设备共存成为常态，客户逐渐无法接受“孤岛式系统”。例如，工厂可能同时使用多个厂商的 PLC、机器人、传感器；楼宇场景中大量系统由不同供应商建设；家庭与消费产品涉及众多品牌与不同协议族…..客户为了获得更高的运营效率、更低的系统集成成本，正在主动要求不同厂商之间实现数据互通、系统兼容，从根本上改变过去的竞争模式。
同时，随着云厂商、数据平台公司、AI 服务商等第三方参与物联网生态日益深入，他们提出：“只要能访问所有设备数据，就能帮助企业整合数据、实现更强的云端能力或 AI 能力。”这使得底层硬件厂商不得不开放接口、共享数据格式、兼容标准协议，否则将被排除在更大的数据生态之外。
因此，无论是采用开放标准还是开放协议，这种互联互通确实推动了公司（包括直接竞争对手）相互合作。为了实现跨厂商、跨场景的协同，业界正在加速向成熟开放标准靠拢，比如：OPC UA 是目前设备间通信开放协议的标准，Matter 则正在重塑消费级设备互通生态，将智能家居从平台割裂推向统一互联。
企业开始意识到：不能只在硬件上竞争，而要在生态能力、服务能力及集成价值上竞争——这将带来更深层的行业变化：从硬件差异化转向软件、平台与生态协同的差异化。
洞察五：工业物联网推动了混合 AI 模型的快速发展
随着工业物联网（IIoT）的不断发展，各行业面临着将实时智能能力下沉到边缘的日益压力。单靠任何一家企业都无法独自应对这一挑战。未来的 AI 驱动 IIoT 将以协作为核心——硬件、软件与网络供应商将携手构建一体化生态系统，以支持边缘智能的混合 AI 模型。
构建具备嵌入式 AI 的完整 IIoT 解决方案，需要技术全谱系的共同贡献。例如，要实现 AI 驱动的无人机或工业机器人，需要高性能摄像头与传感器、高效处理器、先进的视频压缩技术、可靠的网络连接，以及用于编排和分析的云平台。这种环境下，混合 AI 模型应运而生，通过在边缘设备与云端之间共享智能，实现速度、成本与性能的平衡。
在工业运营中，每一秒都可能影响生产效率和安全，边缘 AI 的即时本地决策能力显得尤为关键。例如，机器人能够在检测到障碍物时立即做出反应，压缩机可预测潜在故障，无人机能够识别异常情况，而无需等待云端反馈，这不仅提升了响应速度和设备运行时间，也在数据隐私和安全性方面提供了保障。与此同时，云端负责更复杂的分析、大规模数据聚合以及持续的 AI 模型训练，二者协同形成了既能提供实时智能，又能支持长期洞察和规模化分析的混合架构。
混合 AI 在 IIoT 的应用正呈现加速态势，从预测性维护、防止设备停机，到制造和能源系统的流程优化，再到管道、暖通空调（HVAC）及重型设备的远程监控，以及无人机和机器人等自主操作，几乎覆盖了整个工业运营链条。要实现这些应用，企业不仅需要高效、安全的计算硬件，还必须具备可靠的网络连接能力，尤其是在远程或恶劣环境下，这些基础设施的稳定性直接关系到业务连续性和智能化水平。
随着数据逐渐从中心化向边缘迁移，预计未来十年全球约 70% 的数据将驻留在边缘。据 Precedence Research 预测，到 2034 年，边缘 AI 市场规模将达到 1,430 亿美元，工业物联网将成为边缘 AI 市场增长的重要驱动力。
洞察六：网络安全依然是物联网面临的最大挑战之一
随着物联网设备的持续增长，潜在攻击面也在同步扩大。尽管调查显示，98% 的企业预计在两年内能够从物联网部署中获得实质性收益，并且多数企业预期在不到 12 个月内即可看到回报，但仍有 43% 的企业将网络安全视为物联网部署面临的最大挑战。
具体部署的架构不同，物联网设备可能覆盖多个地点，涉及来自不同厂商、具备各异安全能力的设备，并运行于物理安全受限的环境中。为了应对这些多样化的潜在攻击路径，物联网部署往往需要比传统 IT 环境更为复杂的安全体系。
Verizon Business 物联网与托管连接平台副总裁 Danny Johnson 表示：“为此，企业正在变得更加成熟和智能化：通过实施零信任架构、建立安全性增强的专用网络以管理设备连接，并利用 AI 驱动的威胁检测技术，提前识别和防御不断演化的风险。随着 AI 与物联网等技术的不断发展，保障安全的手段和策略也需要不断扩展和进化，以应对新型威胁。”
洞察七：人工智能颠覆物联网数据处理的方式
人工智能正在以数年前难以想象的方式改变企业管理物联网等互联运营的方式。最新报告显示，超过五分之四（84%）的企业认为 AI 是物联网的关键技术，70% 的企业表示 AI 加速了其物联网部署，而这一趋势背后有明确原因。
物联网传感器会生成海量数据，形成大量未经分类的信息洪流，这些数据必须经过处理和分析才能发挥价值。AI 正是在这一环节发挥作用，它能够将收集到的海量数据转化为可操作的商业洞察，快速、高效且几乎无需额外人工干预。在制造业中，这意味着 AI 可实现预测性维护，在设备故障导致停机前进行预警，同时优化供应链，实时发现和纠正效率低下的环节。AI 还可以支持车间的自动化决策，包括事件识别、洞察分析、行动规划与执行，以及高度自动化、几乎实时的报告生成。
这些变化也正在推动企业物联网理念的转变。那些过去对数据管理复杂性持谨慎态度或难以明确投资回报的企业，现在正加速前行，因为 AI 能够加快分析框架的建立，并提供可量化的结果，从而为投资决策提供有力依据。
资料来源：8 Big IoT Trends To Watch In 2025, According to Analysts And Executives，CRN什么是合成数据？IBM
本文来自微信公众号“物联网智库”（ID：iot101），作者：Sophia，36氪经授权发布。
