15个问题”刨根问底”TSN——让你一文看懂工业互联为何需要TSN？

Posted 2023-03-23

参考技术A

要说现在工业通讯领域最热门的技术，那一定是非TSN莫属。其实，TSN(Time Sensitive Network)时间敏感型网络是一个最新的但却并非陌生的技术，那TSN究竟是什么样的网络呢？为何TSN会被认为是未来工业通讯的统一标准呢？TSN会替代现在的各类实时工业以太网吗？……

面对这些问题，CE China的老石和B&R的老宋开始了一场刨根问底式的对话，希望能让你对TSN有一个全面正确的了解。

1.TSN是时间敏感网络的意思，时间敏感是什么意思？其他网络对时间不敏感吗？有衡量指标吗？

答：说实话，最初在2016年贝加莱总部介绍TSN的时候，我觉得这似乎不像是一个工业自动化领域的技术，因为像PROFINET、POWERLINK、EtherCAT等工业网络已经可以达到比较高的实时性指标，而且好像也极少遇到什么当前100μS循环周期搞不定的案子，工业网络讲 “Determistic”，即确定性网络，因为控制是基于“等时同步”的，工业领域早已实现“时间敏感”。因此，就个人而言当时觉得这个词是IT的人不了解工业而开发出来的网络，因为TSN的最初描述是为以太网赋予“确定性”、“实时性”传输能力，这是因为标准以太网是没有这个能力的，但是，实时以太网有这个能力。

那么，问题的关键在哪里？TSN最关键的目的在于“同一”网络的数据传输，即，周期性的控制通信需求和非周期的数据在同一个网络中传输，才是TSN的核心诉求。

因为现在的IT与OT融合过程中会遇到非常大的问题，即，周期性数据和非周期性数据往往需要通过两个网络传输，因此，你会发现控制器各家都是两个网口，一个实时以太网，一个标准以太网，一般实时网络用语机器与系统控制，而标准网络用于管理级信息的传输。

通常，衡量网络的QoS（Qualityof Service）指标包括循环周期、延迟、抖动这几个指标，一般来说，硬实时会在百微秒这个级别的刷新，抖动控制在几十个nS这个级别，延迟在微秒级。没有特别的官方定义实时性，因为，应用场景不同。

2. TSN特点之一是实时性高，我们以往的现场总线、实时以太网不也有这个特点吗？相比这些TSN在实时性方面也有优势吗？

答：尽管TSN的关键诉求在于“同一”网络的传输，但经过研发人员的设计，其调度机制也允许获得较高的实时响应能力，目前贝加莱已经开发的千兆以太网的TSN测试下来抖动在50nS（抖动通常描述的是最差情况），可以达到的最快周期是在10μS级，‍因此，对于现有的工业控制而言，TSN的实时性是完全可以保障的。

和目前主流的实时以太网比TSN显然性能更高，据贝加莱总部的千兆测试数据显示高了18倍的整体性能（其测试是按照节点数、数据负载不断增加然后取性能的均值）。

3. TSN是如何实现时间敏感的呢？它是在标准以太网标准上做了哪些修改吗？

答：TSN本身是一系列的标准，它包含了时钟同步、数据调度与网络配置三个方面的关键标准，TSN仅指数据链路层的标准，这一点必须阐明，它可以采用IEEE802.3的以太网或IEEE802.3cg的标准网络来实现物理层，而数据链路层采用了桥接网络，以及不同的数据流调度的策略，也就是Shaper-整形器，比如CBS基于信用的整形器、Qbv-时间感知整形器TAS、CQF-周期性排队与转发、ATS-异步传输整形器。想了解这个就得了解以太网本身是怎么传输的，然后就明白TSN主要是在Transmit Selection这个地方进行了策略调度机制的设计。

4.TSN这两年在工业界越来越火，这个TSN源自哪里，是咱们工业界独有吗？其他行业也叫TSN吗？全球谁在主导这个标准啊？

答：TSN并非是源自工业界，TSN最早是在音视频传输领域，后来在 汽车 领域于2012年成立IEEE802.1Q工作，而到工业已经是2015年的事情了，成立了IEEE802.1 TSN工作组。

在 汽车 工业里他们一般称为AVB-Audio Video Bridge，是由IEEE802.1Qav、IEEE802.1AS和IEEE802.1Qat（已经作为IEEE802.1Q的基础标准）构成。

在航空航天领域也有大量时间敏感型网络应用，他们可以称为AS6802，而在工业领域，IEC和IEEE合作，成立了IEC60802工作组用于实现TSN网络的互操作性标准制定。

目前TSN的推动组织是Avnu，包括IIC、OPC UA基金会也加入了推动这项技术的工作，他们会和主要的Shaper厂商共同推动TSN技术的发展。

5. TSN今后是要成为标准以太网协议，而且比以前的标准以太网协议先进，那是否意味着今后民用商用工业用的以太网协议都会成为TSN？

答：TSN是一项VLAN技术，即Vitural Local Area Network，这显然定义了它是一个局域网，并且是一个虚拟的局域网，它不必一定成为商用和民用的所有通吃的标准，TSN域和非TSN域的区别在于VLANID，即，进入TSN网络会被交换机给打上VLAN标签，然后借助于TSN机制在该网络中传输，但离开了TSN网络的时候，这个VLAN标签会被去除，它也可以变为一个标准以太网帧被传输。因此，TSN交换机会和普通交换机一起工作没有问题。

因此，商业或民用网络并不是必须要变为TSN网络，这完全取决于应用本身的需求，尤其是经济性指标，因此，如果没有特殊的实时性需求的话，倒没有必要，目前TSN网络看来聚焦在工业级IoT应用比较多。

6. 为何这两年突然TSN就受到业界这么多人的关注？它能解决哪些现在解决不了的问题吗？

答：TSN火的原因就是大量的物联网应用需求产生的，因为，你必须考虑周期性和非周期性数据的同一网络传输问题，带宽的需求较之以往更大。

你可以看到这个图中，描述了几个场景：

（1）音视频同步：其实，如果你看中央电视台，你看到播音员的口型和语音会出现不同步—这也属于质量问题，因为音频和视频没有同步，或者像大剧院里的音箱，你想想如果他们不能实现同步，就会出现重复的声音，也属于数据传输质量的问题。

（2）.ADAS，相对于传统的 汽车 而言，ADAS会需要多个激光雷达（比如前后三个），包括安全系统，这些更多的传感器都会带来带宽的需求较之以往更大。

（3）.AR/VR、机器视觉：这些技术在工业场景更多的使用都会让带宽的需求变大。

因此，TSN是有实际的需求的，连接变得更为广泛，则需要更大的网络容量传输能力。

7. 既然具有时间敏感特点的以太网络有这么多优点，那么为何在早先的标准以太网推出时没有考虑做成时间敏感呢？为何现在就要加上时间敏感？是原先没有想到吗，还是原来的技术实现不了，或者是成本太高等其他原因？，

答： 90年代大众来中国投资建 汽车 厂的时候，中国的高速公路才刚开始，包括现在很多老的小区都没有足够的停车位，谁会料到今天 汽车 如此普及呢？

同样道理，在你不需要这项技术的时候，你是不会真正有动力去开发这样的技术的，因为如果没有人用，这些研发投入就失去意义了，因此，任何技术的流行都会需要时间，而且，就目前而言，TSN都还没有到它真正爆发的时候，因为，对互联的需求也就最近几年才刚开始，大量的工厂实际上还处于单机生产的阶段。因此，TSN现在已经处于未雨绸缪的阶段，因为大数据应用仅在局部开始，而并非进入爆发期。

当然，你说的没错，要实现TSN这样的网络的确需要非常大的技术投入，因为它的复杂性是超过现有的网络的，就像时钟同步就比IEEE1588有可靠性方面的需求，调度机制也更多样灵活，这些都是需要芯片处理包括千兆以太网处理芯片、传输电缆、交换芯片等，这些都是成本，而只有面临巨大的市场机会，芯片厂商才会有动力去投入研发。 现在大量的芯片厂商投入其中也是因为看到其广阔的未来-这些投入会让TSN变得更为易用而低成本--TSN潜在的规模使得它较之以往的网络更具竞争力。

8. 截至到目前，关于TSN的相关产品研发、测试床，支持的厂商等最新进展是什么样的？

答：目前TSN有几个重要的测试床推动者，一个是德国的LNI-就是工业4.0组织的测试床，一个是在IIC的测试床，还有一个就是由华为ECC组织的测试床，贝加莱在三个组织中都积极的参与了Testbed的建设。

目前，主流的自动化厂商都发布了各自的TSN产品或者测试产品，像B&R在2017年SPS发布了TSN产品，而SIEMENS在2018年汉诺威展发布了Profinet over TSN的产品，2019年三菱发布了CC-Link IE TSN产品。华为、TTTech、CISCO、MOXA、赫斯曼等厂商也发布了TSN交换机产品。

9. 虽然TSN这两年火热，几乎所有人看好和支持，那为何从实际产品上还并不多见，或者还没有批量生产和销售，正式工业应用几乎没有，主要卡在哪里呢？预计到什么时候，TSN会开始真正落地应用？

答：看来，你比用户更着急，但是，工业产品一般生命周期都比较长，就像CAN总线、Modbus现在还在用一样，实际上，它并没有想你想象那么慢，相对于过去的总线从概念、局部应用、大面积成熟应用的时间而言，TSN的发展算是比较快的，因为你要知道TSN面向工业的工作组2015年底才成立，2016年9月才召开Shaper的启动会议，因此，你能够在2018年看到这么多公司推出产品已经算是非常快的了。

TSN在2019年包括像现在已知的贝加莱、三菱都会有批量化产品推出，工业产品不会像手机那么更新快，华为的P20 Mate Pro我还没买呢，P30就出来了，而工业产品一般生命周期都在15年以上，因为一台机床可能会用20年以上。

因此，其实TSN发展已经非常快了。

10. 一个通信网络要实现TSN，需要哪些设备来构成或支持？相比其他网络，TSN实现起来会不会更加昂贵？

答：TSN是一个VLAN，因此它很多实现是在软件的层面的，需要具有处理这种时钟同步和调度机制的交换机，当然对于控制器而言，需要TSN的芯片支撑，具体的芯片成本我倒没有考量过，但是，事物发展的规律是具有共性的，成本一定是一个不断下降的过程，因为大量的采用就可以降低成本。

11. 现在看到国外厂商TSN产品陆续发布了，但国内厂商还没有，那要如何才能开发一个TSN的主站或者从站或者I/O呢？成本高吗？

答：这一点倒不完全是这个情况，华为在这方面已经走在前面，他们的TSN交换机也已经开发完成了，不过也似乎尚未进入批量化阶段，因为华为会考虑更多的场景问题，因此，在整形器方面会有一些自己的设计，最近我写了关于TSN的整形器（Shaper），还请教了华为的两位专家，另外，MOXA也有TSN的交换机产品推出，还有一些大学、研究所、企业也推出TSN相关的技术测试产品，目前尚未正式发布。

目前提供TSN技术开发板的包括XILINX，以及TTTech和Intel共同推出的TSN解决方案、芯片厂商NXP、AD等也推出了TSN的开发与测试芯片及测试板。

12. 现在实时以太网、现场总线在控制领域、特别是运动控制领域应用广泛，那TSN会取代这些协议吗？TSN和这些实时网络会是什么样的关系？

答：又需要强调一遍，就是TSN是在ISO/OSI架构的第二层，这意味着目前的TSN可以以各种形式出现，其实，以太网本身也是这个发展过程，比如Profinet就是Profibus over Ethernet，POWERLINK就是CANopen over Ethernet，那么，就会出现Profinet over TSN、CC-Link IE over TSN这些场景，这种设计往往是为了保持应用层软件的延续性，以确保现有的设备投资的可用性，而贝加莱则会选择OPC UA over TSN，原有的POWERLINK CANopen应用层会逐渐转向OPC UA，必须保持一个软件应用的延续性，这也是在较长的一段时间里，应用层保持，而数据链路层则逐步转向TSN的过程。从TSN目前所展示的性能而言，应对运动控制的任务也没有丝毫问题，一些厂商宣城将很快推出TSN的运动控制产品，贝加莱2019年推出IO和控制器，并计划在2020年推出基于TSN通信的运动控制产品。

这一点必须强调，对于任何工业应用而言，保持技术的稳定性、继承性是一种必须的考量，因此，技术的升级必须尽量的平滑过渡，对于用户同样如此，这是投资安全性的保障，因此，TSN短期内当然不会取代现有的网络，但是，在更长的时间里，TSN会成为基础的网络架构。

ISO/OSI模型很有意思，就是它使得各个层可以独立设计，包括物理层，目前的IEEE802.3可以继续使用，当然也可以使用诸如PoE(Power onEthernet)、SPE(Single Pair Ethernet-IEEE802.3cg)的物理层。

13. 现在另外一个通讯技术5G也已经来临，5G也是以低时延、高带宽为最大特点，而且5G要最多的应用可能在工业上，那么TSN和5G会是一个竞争关系吗？

答：5G也有针对ULL(UltraLower Latency)的场景，但是，5G属于无线网络，在工业领域的应用，尤其是类似于运动控制这些应该还不会采用5G，但是，基于IIoT的应用中对网络的确定性评估可以承受的领域5G是可以使用的，另外，TSN也会有针对无线场景的标准。

因此，评估技术的应用前景主要看场景—他们肯定不会是竞争关系，而是相互补充。

14. 对于TSN，也有些人认为现在是“雷声大雨点小”，那TSN标准的最新进展是什么样的？还需要解决哪些方面的问题从而来加速推进呢？现在技术发展那么快，TSN会不会中途又被新的通信技术给替代了？

答：其实，任何一项技术的核心驱动力是“经济性”，而技术推动必然有一个接受过程，市场需要培育，因此，TSN显然也不可能短期马上就会大量的应用，想想现场总线从开始到发展到顶峰实际上也经历了30年的时间，如果放眼整个产业的发展，TSN从2015年发展到今天已经算是非常快的速度了。

至于TSN中途会不会被新的通信技术替代，这个问题比较有意思，理论上来说，一切皆有可能，但是，任何技术都是来自于需求的，如果需求没有本质的变化，那么技术也就不会有本质的变化，如果需求就是网络的统一，那么无论是TSN还是说一个新的技术，同样是这个技术实现路径，而且通信技术不可能离开芯片、工业控制独立存在，因此，只会有TSN的升级，而很难有一个独立的技术替代它。

技术的发展有其必然性，既然大家看到了10年后的技术需求而开发TSN，那么它就会在很长一段时间内持续的发展。

至于更久的时间比如30年后会是怎样，我想大部分人都无法关注，因为，这个时候如果你敏锐的观察到30年后的网络的需求，然后研发30年后要用到的技术，你这家公司是活不到那个时候的。

15. 如果未来一旦TSN在各个领域都普及了，是不是就是实现了所谓的工业物联网万物互联？

答：这个倒是值得期待，TSN正是致力于此，不过，万物是否一定是被TSN互联，那也未必，因为这个世界有太多的技术，就像刚才提到的5G，人类因为多样性才有意思，也因为有未知才值得 探索 ，TSN能不能实现万物互联并不重要，它只是一个技术，不用赋予它那么重大的意义，就像比尔.盖茨所说“我们总是高估在一年或者两年中能够做到的，而低估五年或者十年中能够做到的”—短期看TSN似乎还没有到要广泛应用的阶段，但长期来说，TSN在 汽车 、工业互联网领域将是具有统治性地位的，不过它的最佳搭档是OPC UA，这两者的配合将会让工业有着天下一统的可能。

当然，在工业世界里，价值的创造不仅仅依赖于网络技术，而依赖于对客户价值的追求，包括软件的应用价值、人的创造力，没有这些，TSN发挥不了什么，它只是一个实现我们价值创造过程的工具—对于工业企业而言，价值仍旧来自于为客户解决问题，TSN会帮助我们。

一文让你看懂人工智能机器学习深度学习和强化学习的关系

如果说信息技术是第三次工业革命的核心，那么人工智能所代表的智能则是下一次工业革命的核心力量。

2016年，谷歌阿尔法围棋以4:1战胜围棋世界冠军、职业九段棋手李世石，不仅让深度学习为人们所知，而且掀起了人工智能的“大众热”。此后，人工智能越来越热，从机器人开发、语音识别、图像识别、自然语言处理到专家系统等不断推陈出新。

同时，人工智能技术越来越多地融入到我们的生活中，出现了智能音箱、智能助理、智能机器人等。

根据应用领域的不同，人工智能研究的技术也不尽相同，目前以机器学习、计算机视觉等成为热门的AI技术方向。但是，平常接触中，很多人分不清人工智能、机器学习、深度学习和强化学习的关系。

简单说，人工智能范围最大，涵盖机器学习、深度学习和强化学习。如果把人工智能比喻成孩子大脑，那么机器学习是让孩子去掌握认知能力的过程，而深度学习是这种过程中很有效率的一种教学体系。

有人表示，人工智能是目的，是结果；深度学习、机器学习是方法，是工具。

百度百科如此阐释人工智能(Artificial Intelligence)，英文缩写为AI。人工智能是研究、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技术科学。

而机器学习是人工智能的一种途径或子集，它强调学习而不是计算机程序。一台机器使用复杂的算法来分析大量的数据，识别数据中的模式，并做出一个预测——不需要人在机器的软件中编写特定的指令。

机器学习之父Tom Mitchel如此定义机器学习：

每个机器学习都可以被精准地定义为：1.任务；2.训练过程；3.模型表现P。而学习过程则可以被拆解为“为了实现任务T”，我们通过训练E，逐步提高表现P的一个过程。

举个例子，让一个模型认识一张图片是猫还是狗(任务T)。为了提高模型的准确度(模型表现P)，我们不断给模型提供图片让其学习猫与狗的区别(训练过程E)。在这个学习过程中，我们所得到的最终模型就是机器学习的产物，而训练过程就是学习过程。

而深度学习则是一种实现机器学习的技术，它适合处理大数据。深度学习使得机器学习能够实现众多应用，并拓展了人工智能的领域范畴。

从安防监控、自动驾驶、语音识别到生命科学等等，深度学习以“摧枯拉朽之势”席卷行业。

以语音识别为例，通过机器学习，语音识别能随着时间向用户学习，最后能达到95%的准确性。但是训练过程是密集的。

而神经网络处理数十亿个口语音频，将语音识别提高到接近100%的准确度，同时还能缩短训练时间。此外，语音识别还通过关键词和主题对原始音频进行分类，并识别发言者，这对音频监控具有广泛而深远的影响。

除了深度学习，机器学习中还有非常重要的强化学习。
过去十年，强化学习的大部分应用都在电子游戏方面。未来，在直升机特技飞行、经典游戏、投资管理、发电站控制、让机器人模仿人类行走等领域有着广泛的应用。

基本概念:人工智能,机器学习,深度学习,强化学习的区别和简介

人工智能(Artificial Intelligence)是最早提出的一个专有名词,早在50多年前就有几个计算机科学家提出了人工智能的概念,希望可以制造出可以和人类拥有类似智慧的机器.几十年来这个概念被不断的扩散至各行各业.当然也就带来了各种滥用,一些带了些许自动化算法的软件也被称为人工智能.而通常人们心中的人工智能是美国大片终结者里面的存在.或者至少是钢铁侠盔甲级别的存在才叫人工智能.而目前业界的真实的人工智能还处于早期人工智能阶段,或者叫做弱人工智能,终结者这样的机器人应该才算强人工智能.不过目前离这个目标还有些遥远.人工智能往往结合着制造业,因此说人工智能的时候往往会说机器人.笔者目前在西湖大学的实验中心就是西湖大学人工智能与机器人中心.将人工智能结合机械臂,仿生机器人,纳米机器人甚至是无人机等均属于人工智能与制造业结合的产物.

机器学习(Machine Learning)是实现人工智能的一种手段.也是目前被认为比较有效的实现人工智能的手段.目前在业界使用机器学习比较突出的领域很多,例如计算机视觉,自然语言处理,推荐系统,文本分等,大家生活中经常用到的比如高速上ETC的车牌识别,苹果手机上的Siri,看今日头条时给你推荐的新闻,再比如大家用天猫买东西看评论的时候的评价描述 可以看到通过机器学习的算法,在8W多条评价中筛选出关键词,红色的是正面的评价,绿色的是反面的评价,这些都是通过语义分析算法归类得出的.机器学习本质上是通过数学算法来解析数据的规律,学习相关的规律并且用来预测和决策.机器学习主要分为监督学习,无监督学习和半监督学习三种.从算法上来说有贝叶斯分类,决策树,线性回归,决策树和随机森林,主成分分析,流行学习,k-means聚类,高斯混合模型等等.

深度学习(Deep Learning)是一种机器学习的技术,由于深度学习在现代机器学习中的比重和价值非常巨大,因此常常将深度学习单独拿出来说.最初的深度学习网络是利用神经网络来解决特征层分布的一种学习过程.通常我们了解的DNN(深度神经网络),CNN(卷积神经网络),RNN(循环神经网络),LSTM(长短期记忆网络)都是隶属于深度学习的范畴.也是现代机器学习最常用的一些手段.通过这些手段,深度学习在视觉识别,语音识别,自然语言处理(NLP)等领域取得了使用传统机器学习算法所无法取得的成就.

强化学习(Reinforcement Learning),又称再励学习或者评价学习.也是机器学习的技术之一.所谓强化学习就是智能系统从环境到行为映射的学习，以使奖励信号(强化信号)函数值最大,由于外部给出的信息很少,强化学习系统必须依靠自身的经历进行自我学习.通过这种学习获取知识,改进行动方案以适应环境.强化学习最关键的三个因素是状态,行为和环境奖励.关于强化学习和深度学习的实例,最典型的莫过于谷歌的AlphaGo和AlphaZero两位了,前者通过深度学习中的深度卷积神经网络,在训练了大约三千万组人类的下棋数据,无数度电的情况下才搞出来的模型,而后者使用强化学习的方式,通过自己和自己下棋的方式搞出来的模型.而最终的实验结果也很让人震撼.AlphaGo干败了人类围棋顶尖高手,而AlphaZero干败了AlphaGo.

作者：阿里云云栖号
链接：https://www.zhihu.com/question/279973545/answer/444230992
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

人工智能并不是一个新的术语，它已经有几十年的历史了，大约从80年代初开始，计算机科学家们开始设计可以学习和模仿人类行为的算法。在算法方面，最重要的算法是神经网络，由于过拟合而不是很成功（模型太强大，但数据不足）。尽管如此，在一些更具体的任务中，使用数据来适应功能的想法已经取得了显着的成功，并且这也构成了当今机器学习的基础。在模仿方面，人工智能专注于图像识别，语音识别和自然语言处理。人工智能专家们花费了大量的时间来创建诸如边缘检测，颜色配置文件，N-gram，语法树等。不过，这些进步还不足以达到我们的需求。

传统的机器学习：机器学习（ML）技术在预测中发挥了重要的作用，ML经历了多代的发展，形成了具有丰富的模型结构，例如：1.线性回归。2.逻辑回归。3.决策树。4.支持向量机。5.贝叶斯模型。6.正则化模型。7.模型集成（ensemble）。8.神经网络。这些预测模型中的每一个都基于特定的算法结构，参数都是可调的。

训练预测模型涉及以下步骤： 1. 选择一个模型结构（例如逻辑回归，随机森林等）。 2. 用训练数据（输入和输出）输入模型。 3. 学习算法将输出最优模型（即具有使训练错误最小化的特定参数的模型）。 每种模式都有自己的特点，在一些任务中表现不错，但在其他方面表现不佳。但总的来说，我们可以把它们分成低功耗（简单）模型和高功耗（复杂）模型。选择不同的模型是一个非常棘手的问题。由于以下原因，使用低功率/简单模型是优于使用高功率/复杂模型：在我们拥有强大的处理能力之前，训练高功率模型将需要很长的时间。在我们拥有大量数据之前，训练高功率模型会导致过度拟合问题（因为高功率模型具有丰富的参数并且可以适应广泛的数据形状，所以我们最终可能训练一个适合于特定到当前的训练数据，而不是推广到足以对未来的数据做好预测）。然而，选择一个低功率的模型会遇到所谓的“欠拟合”的问题，模型结构太简单，如果它复杂，就无法适应训练数据。（想象一下，基础数据有一个二次方关系：y = 5 * x ^ 2;你无法适应线性回归：y = a * x + b，不管我们选择什么样的a和b。为了缓解“不适合的问题”，数据科学家通常会运用他们的“领域知识”来提出“输入特征”，这与输出关系更为直接。（例如，返回二次关系y = 5 * square（x），如果创建了一个特征z = x ^ 2，则可以拟合线性回归：y = a * z + b，通过选择a = 5和b = 0）。

机器学习的主要障碍是特征工程这个步骤，这需要领域专家在进入训练过程之前就要找到非常重要的特征。特征工程步骤是要靠手动完成的，而且需要大量领域专业知识，因此它成为当今大多数机器学习任务的主要瓶颈。换句话说，如果我们没有足够的处理能力和足够的数据，那么我们必须使用低功耗/更简单的模型，这就需要我们花费大量的时间和精力来创建合适的输入特征。这是大多数数据科学家今天花时间去做的地方。

神经网络的回归：在大数据时代，云计算和大规模并行处理基础架构的共同发展，使得机器处理能力在二十一世纪初得到了极大的提升。我们不再局限于低功耗/简单的模型。例如，当今最流行的两种主流机器学习模型是随机森林和梯度提升树。尽管如此，两者都非常强大，并且提供了非线性模型拟合的训练数据，但数据科学家仍然需要仔细地创建特征以获得良好的性能。与此同时，计算机科学家重新使用神经网络的许多层来完成这些人类模仿的任务。这给DNN（深度神经网络）带来了新的生机，并在图像分类和语音识别任务方面提供了重大突破。DNN的主要区别在于，你可以将原始信号（例如RGB像素值）直接输入DNN，而不需要创建任何域特定的输入功能。通过多层神经元（这就是为什么它被称为“深度”神经网络），DNN可以“自动”通过每一层产生适当的特征，最后提供一个非常好的预测。这极大地消除了寻找“特征工程”的麻烦，这是数据科学家们最喜欢看到的。DNN也演变成许多不同的网络拓扑结构，所以有CNN（卷积神经网络），RNN（递归神经网络），LSTM（长期短期记忆），GAN（生成敌对网络），转移学习，注意模型（attention model）所有的这些被统称为深度学习（Deep Learning），它正在引起整个机器学习界的关注。

强化学习：另一个关键组成部分是关于如何模仿一个人（或动物）的学习，设想感知/行为/奖励循环的非常自然的动物行为。一个人或者一个动物首先会通过感知他或者她所处的状态来了解环境。在此基础上，他或者她会选择一个“动作”，将他或者她带到另一个“状态”。那么他或她将获得“奖励”，循环重复，直到他或她消失。这种学习方式（称为强化学习）与传统监督机器学习的曲线拟合方法有很大不同。尤其是，强化学习学习得非常快，因为每一个新的反馈（例如执行一个行动并获得奖励）都被立即发送到影响随后的决定。强化学习也提供了预测和优化的平滑整合，因为它在采取不同的行动时保持当前状态的信念和可能的转换概率，然后做出决定哪些行动可以导致最佳结果。

深度学习+强化学习= AI与经典的ML技术相比，DL提供了一个更强大的预测模型，通常可以产生良好的预测结果。与经典优化模型相比，强化学习提供了更快的学习机制，并且更适应环境的变化。

机器学习 vs 深度学习在深度探讨machine learning和data science的联系之前，这里简要地讨论一下machine learning 和deep learning。machine learning是一套算法，来训练数据集做预测或者采取行动以使得系统最优化。举例来说，supervised classification algorithms被用来根据历史数据将想要贷款的客户分成预期好的和预期差的(good or bad prospects)。对于给定的任务(比如监督聚类)，需要的技术多种多样：naive Bayes、SVM、neural nets、ensembles、association rules、decision trees、logistic regression，或者是很多技术的组合。所有这些都是数据科学的子集。当这些算法自动化后，比如无人驾驶飞机或者无人驾驶汽车，这就叫AI了，或者说的具体一点，deep learning。如果采集的数据来自传感器并且通过互联网传播，那么这就是机器学习或数据科学或深度学习应用于物联网了。有些人对深度学习有不同的定义，他们认为深度学习是更深层次的神经网络(一种机器学习的技术)。

AI(Artificial Intelligence)是创建于20世纪60年代的计算机科学的一个子领域，是关于解决那些对人类来讲非常容易但是对计算机而言很难的任务。值得一提的是，所谓的strong AI可能可以做所有人类可以做的事情(可能除了纯粹的物理问题)。这是相当广泛的，包括各种各样的事情，比如做计划，在世界上到处溜达，识别物体和声音，说话，翻译，社交或者商业交易，还有创造性工作(比如写诗画画)等等。
NLP(Natural language processing)只是AI要处理的语言部分，尤其是写。Machine learning是这样的一种情况：给出一些可以被以离散形式描述的AI问题(比如从一系列动作中选出对的那个)，然后给定一堆外部世界的信息，在不需要程序员手动写程序的情况下选出那个“正确的”行为。通常情况需要借助外界的一些过程来判断这个动作对不对。在数学上，这就是函数：你给一些输入，然后你想要他处理一下得到正确的输出，所以整个问题就简化为用一些自动的方式建立这种数学函数模型。和AI区分一下：如果我写了一段特别机智的程序有着人类的行为，那这就可以是AI，但是除非它的参量都是自动从数据中学会的，否则就不是机器学习。
Deep learning是当下非常流行的机器学习的一种。它包含一种特殊的数学模型，可以想成是一种特定类型的简单块的组合(或者说是块的功能的组合)，这些块可以进行调整来更好的预测最终结果。
原文：http://click.aliyun.com/m/1000006623/更多技术干货敬请关注云栖社区知乎机构号：阿里云云栖社区 - 知乎发布于 2018-07-16? 赞同 96??3 条评论?分享?收藏?感谢收起
?Xenophon Tony?Uber 机器学习工程师24 人赞同了该回答机器学习：一切通过优化方法挖掘数据中规律的学科。深度学习：一切运用了神经网络作为参数结构进行优化的机器学习算法。强化学习：不仅能利用现有数据，还可以通过对环境的探索获得新数据，并利用新数据循环往复地更新迭代现有模型的机器学习算法。学习是为了更好地对环境进行探索，而探索是为了获取数据进行更好的学习。深度强化学习：一切运用了神经网络作为参数结构进行优化的强化学习算法。

以上是关于15个问题”刨根问底”TSN——让你一文看懂工业互联为何需要TSN？的主要内容，如果未能解决你的问题，请参考以下文章

工控老曹说——TSN标准化如何赋能多领域以太网新发展

一文让你看懂什么是vuex

TSN-工业通信汽车以太网：TSN网络测试需要关注什么？

一文看懂Hadoop

Valkyrie-TSN浅析：如何在实现TSN规范下的802.3CB测试，（满足工业通信，汽车以太网等TSN网络的测试要求）

一文看懂Modbus协议