学前说两句
这个都是一些非常前言的技术，而且我发现现在软考也会考很多前言的技术，2026年5月就考了一些transformer、大模型之类的东西，这些东西大家还是要有一些积累的，总的来说，你看这个这个章节，我总感觉没啥用，因为出的都是前沿的一些东西。
核心内容
信息物理系统CPS
以上信息没有为什么，大概了解就好了。全部都是定义
人工智能
人工智能芯片
机器人
数字孪生
大数据
大数据的特点
大数据分析的五个步骤
五个方面的挑战
大数据架构
大数据架构的发展历史
大数据架构的技术
Lambda架构
HBase可以合并，作为服务层来使用
Kappa架构
架构对比
架构示例
思维导图
# 未来信息综合技术 - 核心知识思维导图（完整版）
├── 0️⃣ 信息物理系统 (CPS) (★★★)
│ ├── 定义与本质
│ │ ├── 集成感知、计算、通信、控制技术
│ │ ├── 控制系统、嵌入式系统的扩展与提升
│ │ ├── 核心特征：物理空间与信息空间映射交互
│ │ ├── 数据自动流动的闭环赋能体系
│ │ │ ├── 状态感知 → 实时分析 → 科学决策 → 精准执行
│ │ └── 解决复杂性和不确定性，优化资源配置
│ ├── 最终目的：实现资源优化配置
│ ├── 关键目标：数据的自动流动
│ ├── CPS的技术体系
│ │ ├── 四大核心技术要素
│ │ │ ├── 一硬：感知和自动控制（硬件支撑）
│ │ │ ├── 一软：工业软件（CPS核心）：固化计算和数据流程规则
│ │ │ ├── 一网：工业网络（网络载体）
│ │ │ └── 一平台：工业云和智能服务平台（资源管控和能力服务）
│ │ ├── CPS总体技术：系统架构、异构系统集成、安全技术、实验验证
│ │ ├── CPS核心技术：虚实融合、智能装备、MBD、数字孪生、现场总线、工业以太网、CAX/MES/ERP等
│ │ └── CPS支撑技术：智能感知、嵌入式软件、数据库、人机交互、中间件、SDN、物联网、大数据
│ ├── 体系架构：单元级 → 系统级 → SoS级
│ ├── 典型应用场景：智能设计、智能生产、智能服务、智能应用
│ └── 建设原则：循序渐进，逐渐优化
│
├── 1️⃣ 人工智能技术 (AI) (★★★)
│ ├── 定义与目标：模拟/延伸/扩展人的智能，了解智能实质，图灵测试
│ ├── 分类：弱人工智能（当前主流） vs 强人工智能（通用智能）
│ ├── 关键技术
│ │ ├── 自然语言处理：机器翻译、语义理解、问答系统
│ │ ├── 计算机视觉：自动驾驶、机器人、MRI分析
│ │ ├── 知识图谱：关系分析能力（电商属性挖掘）
│ │ ├── 推荐系统：核心缺陷为冷启动问题
│ │ ├── 人机交互：语音、情感、体感、脑机交互
│ │ ├── VR/AR
│ │ ├── RAG：检索增强生成，解决知识更新与领域适配
│ │ └── 机器学习
│ │ ├── 监督/无监督/半监督学习
│ │ ├── 强化学习：试错学习，无标注依赖
│ │ ├── 迁移学习：跨领域知识复用
│ │ ├── 主动学习：主动查询未标注样本
│ │ └── 演化学习：基于演化算法设计机器学习模型
│ └── AI芯片：GPU/FPGA/ASIC/类脑芯片；特征：新型范式、训练/推断、低精度、可重构
│
├── 2️⃣ 机器人技术 (★★)
│ ├── 三要素：仿人结构（脑/手/脚）+ 非接触/接触/平衡觉传感器
│ ├── 发展三阶段：示教再现型 → 感觉型 → 智能型
│ ├── 机器人4.0核心技术：云-边-端协同、持续/协同学习、知识图谱、场景自适应、数据安全
│ └── 按控制方式分类：操作型 → 程序型 → 示教再现型 → 智能型 → 综合型
│
├── 3️⃣ 数字孪生体技术 (★★★)
│ ├── 定义：物理实体对象的数字模型，通过实测、仿真、数据分析实现感知/诊断/预测/调控
│ ├── 主要作用：实时感知、诊断、预测、学习进化
│ ├── 成熟度层级：数字模型（无交互）→ 数字阴影（单向）→ 数字孪生（双向）
│ ├── 三项核心技术：建模 + 仿真 + 数据融合驱动的数字线程
│ ├── 顶层框架技术：系统工程 & MBSE
│ ├── 底层伴生技术：物联网
│ ├── 外围使能技术：云计算、机器学习、大数据、区块链
│ ├── 数字孪生生态系统：行业应用层（智能制造/智慧城市）→ 共性应用层（描述/诊断/预测/决策）→ 模型构建层 → 数据互动层 → 基础支撑层
│ └── 应用领域：制造、产业、城市、战场
│
├── 4️⃣ 大数据技术 (★★★)
│ ├── 定义：无法用常规工具在合理成本和时间内处理的数据集
│ ├── 5V特点
│ │ ├── Volume（大规模）
│ │ ├── Velocity（高速度）
│ │ ├── Variety（多样化）
│ │ ├── Value（价值密度低）
│ │ └── Veracity（真实性）
│ ├── 数据资产特性（新增）
│ │ ├── 三大核心属性：可控制、可量化、可变现
│ │ └── 六大一般特性：虚拟性、共享性、时效性、安全性、交换性、规模性
│ ├── 5个主要问题：异构性、规模、时间性、复杂性、隐私性
│ ├── Spark 与 Hadoop 关系：协作而非互斥，Spark依赖HDFS/YARN，擅长实时/迭代计算
│ ├── 分析五阶段：获取/记录 → 抽取/清洗/注记 → 集成/聚集/表现 → 分析/建模 → 数据解释
│ ├── 数据存储与管理阶段：数据库设计、索引优化、分区策略
│ ├── 五大挑战：数据获取、数据结构、数据集成、分析建模、结果呈现
│ ├── 技术生态：HDFS/Kafka(存储)；MapReduce/Spark/Flink(计算)；Kylin/Impala(查询)；TensorFlow/Mahout(挖掘)
│ ├── 核心组件：HDFS、Hbase、Kafka、Flume、ZooKeeper
│ ├── Lambda vs Kappa架构
│ │ ├── Lambda：批+流，容错好但维护成本高，适合历史数据分析
│ │ └── Kappa：统一实时流，易维护但消息缓存瓶颈，适合增量数据
│ └── 混合云应用场景：私有云（敏感/设计/生产）+ 公有云（跨厂协作/总部管理）
│
├── 5️⃣ 边缘计算与云计算 (★)
│ ├── 云计算
│ │ ├── 集中式计算资源，虚拟化技术（KVM/Xen/Hyper-V）
│ │ └── 服务模式：IaaS / PaaS（关键层） / SaaS
│ ├── 边缘计算
│ │ ├── 靠近数据源侧处理，降低延迟、节省带宽、本地化安全
│ │ ├── 核心特点：联接性、数据第一入口、约束性、分布性
│ │ ├── 边缘安全：可信基础设施、安全服务、设备接入安全
│ │ ├── 典型场景：智慧园区、云游戏、工业物联网
│ │ └── 边缘计算形态：云边缘、边缘云、云化网关
│ ├── 边云协同六方面：资源、数据、智能、应用、服务、安全
│ └── 云原生七原则：服务化、弹性、可观测、韧性、自动化、零信任、持续演进
│
└── 6️⃣ 考点提示 (★★★)
├── CPS实现关键：数据的自动流动
├── CPS最终目的：资源优化配置
├── CPS应用场景：智能设计、生产、服务、应用
├── AI芯片关键特征：新型计算范式、训练/推断、大数据处理、可重构
├── AI芯片技术架构：GPU、FPGA、ASIC
├── 数字孪生核心技术：建模、仿真、数字线程
├── 数字孪生共性应用层：描述、诊断、预测、决策
├── 推荐系统核心局限：冷启动问题
└── 数据资产三大核心属性：可控制、可量化、可变现（新增）未来信息综合技术 - 核心知识思维导图
│
├── 0️⃣ 信息物理系统 (CPS) (★★★)
│ ├── 定义与本质
│ │ ├── 集成感知、计算、通信、控制技术
│ │ ├── 是控制系统、嵌入式系统的扩展与延伸，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
│ │ ├── 核心特征：物理空间与信息空间映射交互
│ │ ├── 数据自动流动的闭环赋能体系
│ │ │ ├── 状态感知
│ │ │ ├── 实时分析
│ │ │ ├── 科学决策
│ │ │ └── 精准执行
│ │ └── 解决复杂性和不确定性，优化资源配置
│ ├── 最终目的：实现资源优化配置
│ ├── 关键目标：数据的自动流动
│ ├── CPS的技术体系
│ │ ├── 四大核心技术要素
│ │ │ ├── 一硬：感知和自动控制（硬件支撑）
│ │ │ ├── 一软：工业软件（CPS核心）：固化了CPS计算和数据流程的规则
│ │ │ ├── 一网：工业网络（网络载体）
│ │ │ └── 一平台：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
│ │ ├── CPS总体技术（顶层设计技术）
│ │ │ ├── 系统架构
│ │ │ ├── 异构系统集成
│ │ │ ├── 安全技术
│ │ │ └── 实验验证技术
│ │ ├── CPS核心技术（基础技术）
│ │ │ ├── 虚实融合
│ │ │ ├── 智能装备
│ │ │ ├── MBD（基于模型的定义）
│ │ │ ├── 数字孪生
│ │ │ ├── 现场总线
│ │ │ ├── 工业以太网
│ │ │ └── CAX / MES / ERP / PLM / CRM / SCM 等
│ │ └── CPS支撑技术
│ │ ├── 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
│ ├── 体系架构
│ │ ├── 单元级
│ │ │ └── 具备可感知、可计算、可交互、可延展、自决策能力的单个智能部件或设备，是最小CPS单元
│ │ ├── 系统级
│ │ │ └── 多个单元级CPS通过工业网络互联，实现更大范围数据自动流动与资源自组织优化
│ │ └── SoS级（系统之系统级）
│ │ └── 多个系统级CPS有机集成，实现全域范围信息全面感知、深度分析与精准执行
│ ├── 典型应用场景
│ │ ├── 智能设计
│ │ ├── 智能生产
│ │ ├── 智能服务
│ │ └── 智能应用
│ └── 建设原则：CPS建设是循序渐进，逐渐优化的过程
│
├── 1️⃣ 人工智能技术 (AI) (★★★)
│ ├── 定义与目标
│ │ ├── 模拟、延伸、扩展人的智能，但不会替代人类
│ │ ├── 了解智能实质，生产类人智能机器
│ │ └── 图灵测试：判断机器是否智能
│ ├── 分类（区分依据：是否实现通用智能）
│ │ ├── 弱人工智能：不能真正实现推理和解决问题，表面看似智能但不真正拥有智能
│ │ └── 强人工智能：真正推理、思考、解决问题，实现通用智能
│ ├── 关键技术
│ │ ├── 自然语言处理 (NLP)：机器翻译、语义理解、问答系统
│ │ ├── 计算机视觉 (CV)：自动驾驶、机器人、智能医疗、MRI分析（磁共振成像分析）
│ │ ├── 知识图谱：把所有不同种类的信息连接在一起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。在电商平台开发中，主要用于挖掘属性间的隐含联系
│ │ ├── 推荐系统：存在冷启动问题（新用户/新物品缺乏历史数据时推荐效果差）
│ │ ├── 人机交互 (HCI)：语音交互、情感交互、体感交互、脑机交互
│ │ ├── 虚拟现实/增强现实 (VR/AR)
│ │ ├── RAG（检索增强生成）：核心在于通过检索外部知识库获取相关信息，并将这些信息作为生成模型的输入，从而弥补生成模型在知识更新和领域特定信息上的不足
│ │ └── 机器学习
│ │ ├── 按学习模式分类
│ │ │ ├── 监督学习
│ │ │ ├── 无监督学习
│ │ │ ├── 半监督学习
│ │ │ └── 强化学习：核心机制为试错学习，不依赖预先标注的数据集，而是依靠动态环境中的反馈优化行为策略
│ │ ├── 按学习方法分类
│ │ │ ├── 传统机器学习
│ │ │ └── 深度学习
│ │ └── 其他重要学习范式
│ │ ├── 主动学习：通过算法查询最有用的未标记样本并交由专家标记，提高模型精度
│ │ ├── 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，应用于分类、聚类等问题
│ │ └── 迁移学习：当某些领域无法取得足够数据时，利用另一领域数据获得的关系进行学习，可将已训练好的模型参数迁移到新模型指导训练
│ └── AI芯片
│ ├── 定义：针对AI算法做特殊加速设计的芯片
│ ├── 技术架构分类
│ │ ├── GPU
│ │ ├── FPGA（现场可编程门阵列）
│ │ ├── ASIC（专用集成电路）
│ │ └── 类脑芯片
│ └── 关键特征
│ ├── 新型计算范式
│ ├── 训练和推断
│ ├── 大数据处理能力
│ ├── 低精度设计
│ ├── 可重构能力
│ └── 开发工具（软件工具链）
│
├── 2️⃣ 机器人技术 (★★)
│ ├── 定义三要素
│ │ ├── 脑、手、脚（仿人）
│ │ ├── 非接触传感器（眼、耳）
│ │ ├── 接触传感器
│ │ └── 平衡觉和固有觉传感器
│ ├── 机器人发展过程的3个阶段
│ │ ├── 第一代：示教再现型机器人：通过程序预设动作
│ │ ├── 第二代：感觉型机器人
│ │ └── 第三代：智能型机器人
│ ├── 机器人4.0时代
│ │ └── 核心技术
│ │ ├── 云-边-端的无缝协同计算：用于实现设备、网络和云端之间的无缝数据处理和分析
│ │ ├── 持续学习与协同学习：关注学习能力的提升
│ │ ├── 知识图谱
│ │ ├── 场景自适应：关注机器人对不同环境的适应能力
│ │ └── 数据安全
│ └── 分类
│ ├── 按应用行业：工业机器人、服务机器人、特殊领域机器人
│ └── 按控制方式
│ ├── 操作机器人：通常由人直接操控，不具备自主记录和再现功能
│ ├── 程序机器人：按预先设定的程序运行，不能通过示教方式学习新任务
│ ├── 示教再现机器人：能够通过人工示范来学习和记录动作序列，然后重复执行这些动作
│ ├── 智能机器人：具有学习能力，学习方式更加复杂和自主，不仅限于简单的示教再现
│ └── 综合机器人：结合多种控制方式
│
├── 3️⃣ 数字孪生体技术 (★★★)
│ ├── 定义
│ │ └── 物理实体对象的数字模型，通过实测、仿真、数据分析实现感知、诊断、预测、调控
│ ├── 主要作用
│ │ └── 数字孪生体通过实测、仿真和数据分析来实时感知、诊断、预测物理实体对象的状态，同时通过学习进化自身
│ ├── 成熟度层级（物理实体与虚拟模型的交互与集成程度）
│ │ ├── 数字模型（Digital Model）：物理实体与虚拟模型之间无自动数据交互
│ │ ├── 数字阴影（Digital Shadow）：物理实体向虚拟模型单向自动数据流动
│ │ └── 数字孪生（Digital Twin）：物理实体与虚拟模型之间双向自动数据交互
│ ├── 三项核心技术
│ │ ├── 建模技术：主要负责将对物理世界的理解进行简化和模型化
│ │ ├── 仿真技术：其主要作用是验证和确认建模过程中对物理世界或问题理解的正确性和有效性
│ │ └── 基于数据融合的数字线程技术：主要处理数据融合和信息传递
│ ├── 顶层框架技术：系统工程和MBSE
│ ├── 底层伴生技术：物联网
│ ├── 外围使能技术：云计算、机器学习、大数据、区块链
│ ├── 数字孪生生态系统
│ │ ├── 行业应用层（最上层）
│ │ │ ├── 智能制造
│ │ │ └── 智慧城市
│ │ ├── 共性应用层：描述、诊断、预测、决策
│ │ ├── 模型构建与仿真分析层：数据建模、仿真、控制
│ │ ├── 数据互动层：采集、传输、处理
│ │ └── 基础支撑层：具体设备
│ └── 应用领域：制造、产业、城市、战场
│
├── 4️⃣ 大数据技术 (★★★)
│ ├── 定义：大数据是指无法用常规工具在合理成本和时间内处理的数据集
│ ├── 5V特点
│ │ ├── Volume（大规模）
│ │ ├── Velocity（高速度）：指获得数据的速度和处理速度
│ │ ├── Variety（多样化）：包括结构化、半结构化和非结构化数据
│ │ ├── Value（价值密度低）
│ │ └── Veracity（真实性）
│ ├── 5个主要问题
│ │ ├── 异构性
│ │ ├── 规模
│ │ ├── 时间性
│ │ ├── 复杂性
│ │ └── 隐私性
│ ├── Spark 和 Hadoop 的关系
│ │ ├── 不是互相排斥的关系，可以协作发挥彼此优势
│ │ ├── Spark 没有数据存储模块，数据存储依赖 Hadoop 的 HDFS
│ │ ├── Spark 是通用计算框架，资源调度可使用 Hadoop 的 YARN
│ │ ├── Hadoop 是分布式系统基础框架，Spark 是统一的计算引擎
│ │ ├── Spark 基于内存与迭代运算，简化了 MapReduce 计算过程
│ │ └── Spark 可以处理实时数据与离线数据
│ ├── 分析五阶段
│ │ ├── 数据获取/记录
│ │ ├── 信息抽取/清洗/注记
│ │ ├── 数据集成/聚集/表现
│ │ ├── 数据分析/建模
│ │ └── 数据解释
│ ├── 数据存储与管理阶段：涉及数据库设计、索引优化、分区策略等任务，直接影响查询性能
│ ├── 五大挑战
│ │ ├── 数据获取
│ │ ├── 数据结构
│ │ ├── 数据集成
│ │ ├── 分析、组织、抽取、建模
│ │ └── 结果呈现与交互
│ ├── 技术生态
│ │ ├── 存储：HDFS、Kafka
│ │ ├── 计算：MapReduce、Spark、Flink
│ │ ├── 架构：Lambda、Kappa
│ │ ├── 查询：Kylin、Impala (OLAP)、Hbase、Cassandra (NoSQL)
│ │ └── 挖掘：TensorFlow、Caffe、Mahout
│ ├── 核心组件
│ │ ├── HDFS：分布式文件系统，离线数据存储
│ │ ├── Hbase：分布式列式数据库，非结构化数据
│ │ ├── Kafka：高吞吐量分布式消息系统，实时流数据
│ │ ├── Flume：海量日志采集聚合传输
│ │ └── ZooKeeper：分布式协调服务
│ ├── Lambda vs Kappa架构
│ │ ├── Lambda架构
│ │ │ ├── 组成：批处理层 + 加速层 + 服务层
│ │ │ ├── 优点：容错好、查询灵活、易扩展
│ │ │ ├── 缺点：编码开销大、维护成本高
│ │ │ └── 适合：历史数据分析查询
│ │ └── Kappa架构
│ │ ├── 组成：统一实时数据处理引擎（如Flink）
│ │ ├── 优点：代码统一、易维护、数据口径一致
│ │ ├── 缺点：消息缓存瓶颈、实时流关联困难
│ │ └── 适合：增量数据写入场景
│ └── 混合云在工业安全生产管理系统中的应用场景
│ ├── 私有云：承担工厂内部敏感业务，如产品设计、数据共享、生产集成，确保数据安全性和控制权
│ └── 公有云：承担工厂间及总部间的业务管理、协调统计等对外协作功能，充分利用公有云的扩展性和成本优势
│
├── 5️⃣ 边缘计算与云计算 (★)
│ ├── 云计算
│ │ ├── 定义：集中式计算资源，大数据处理能力
│ │ ├── 核心特征：云计算通过网络将大型计算任务分解为多个小程序并分布处理
│ │ ├── 虚拟化技术：KVM、Xen 和 Hyper-V 都是常见的虚拟化技术
│ │ └── 服务模式
│ │ ├── IaaS（基础设施即服务）
│ │ ├── PaaS（平台即服务）：在灵活性和方便性之间取得平衡，被认为是云计算体系中最关键的一层
│ │ └── SaaS（软件即服务）
│ ├── 边缘计算
│ │ ├── 定义：靠近数据源侧处理，降低延迟
│ │ ├── 本质：计算处理职能本地化
│ │ ├── 主要特点
│ │ │ ├── 降低延迟
│ │ │ ├── 减少云端传输需求（节省带宽而非提高带宽）
│ │ │ └── 本地化安全处理
│ │ ├── 核心特点
│ │ │ ├── 联接性：是边缘计算的基础，需要支持多样化的网络接口、协议和拓扑
│ │ │ ├── 数据第一入口：物理世界到数字世界的桥梁
│ │ │ ├── 约束性：边缘计算产品需适配工业现场相对恶劣的工作条件，对功耗、成本、空间有较高要求
│ │ │ └── 分布性：支持分布式计算存储、资源调度管理、分布式智能和安全等能力
│ │ ├── 边缘安全的主要功能
│ │ │ ├── 提供可信的基础设施
│ │ │ ├── 为边缘应用提供可信赖的安全服务
│ │ │ └── 保障安全的设备接入和协议转换
│ │ ├── 典型应用场景
│ │ │ ├── 智慧园区
│ │ │ ├── 安卓云与云游戏
│ │ │ └── 工业物联网
│ │ ├── 边云协同的六个方面
│ │ │ ├── 资源协同：边缘节点负责本地资源调度，云端负责统一管理
│ │ │ ├── 数据协同：处理数据的采集、处理和传输
│ │ │ ├── 智能协同：边缘节点执行推理，实现分布式智能；云端开展模型训练，并将模型下发边缘节点
│ │ │ ├── 应用管理协同：涉及应用的部署、运行和生命周期管理
│ │ │ ├── 服务协同
│ │ │ └── 安全协同
│ │ └── 边缘计算形态
│ │ ├── 云边缘：是云服务在边缘侧的延伸，主要能力依赖于云服务或需要与云服务紧密协同
│ │ ├── 边缘云：边缘云形态在边缘侧构建中小规模云服务能力，边缘服务能力主要由边缘云提供；集中式DC侧的云服务主要提供边缘云的管理调度能力
│ │ └── 云化网关：以云化技术重构原有嵌入式网关系统，在边缘侧提供协议/接口转换、边缘计算等能力
│ └── 云原生架构原则
│ ├── 服务化原则
│ ├── 弹性原则
│ ├── 可观测原则
│ ├── 韧性原则
│ ├── 所有过程自动化原则
│ ├── 零信任原则
│ └── 架构持续演进原则
│
└── 6️⃣ 考点提示 (★★★)
├── CPS实现关键：数据的自动流动
├── CPS最终目的：资源优化配置
├── CPS应用场景：智能设计、智能生产、智能服务、智能应用
├── AI芯片关键特征：新型计算范式、训练和推断、大数据处理能力、可重构能力
├── AI芯片技术架构：GPU、FPGA、ASIC
├── 数字孪生核心技术：建模、仿真、数字线程
├── 数字孪生共性应用层：描述、诊断、预测、决策
└── 推荐系统核心局限：冷启动问题（新用户/新物品缺乏历史数据）