IDC预计，到2020年，直接的物联网市场规模将增至1.7万亿美元以上，复合年增长率（CAGR）高达16.9%。从汽车到冰箱再到万事万物，物联网中的联网设备将超过300亿。设备端点、基础设施支持、连接及配套IT服务预计将占到支出的绝大部分。Moor Insights & Strategy认为，其中的收益主要分为三类，每类大约5000亿美元。虽然实际例子的数据变化可能很大，但终端设备约占支出的三分之一，而其余三分之二则是专用平台、存储、网络（特别是尚未纳入这一细分领域中的5G移动网络）、安全、以及最终的应用软件和所有所需服务的支出。通用电气、飞利浦、福特汽车、力拓集团和史丹利百得等公司是关注这一领域的部分代表企业，它们得到了来自戴尔、惠普、IBM、AT&T、Verizon Communications、英特尔、ARM等公司的大力支持。同时，有很多小型/初创企业也在关注着这一领域。毫无疑问，物联网即将变得无处不在。

目前，业内的大部分讨论内容是围绕终端设备展开。一般情况下，大体分为两类：主要采集数据（例如：监测环境状况或运行情况）的传感器，以及我们称之为“动力”设备的工作装置（例如：警报器、锁、阀门驱动装置）。到2020年，这些设备将在端点运行的边缘或领域产生惊人数量的数据。很多动力设备将被采用，有长时间延迟，并无法与集中设备（“云端”）保持连接性的应用将不复存在。它们的决定必须在获取本地信息和知识后立即作出。由于规模、成本及功率要求，大多数物联网端点的功能都会有所局限，主要是由于尺寸大小、成本和能耗需求的原因，而且它们还需要有嵌入在更大系统或配套网关中的匹配计算能力。这些网关主要桥接本地设备通信域与更高级的网络域，并将在大部分情况下作出行为决策。随着行业不断成熟，这些网关还将负责实现既定设备间的数据交换，确保信息受到保护。由于设备对端点的通信流量将有所增加，更多的机器对机器通信将会实现，网络流量模式将受到显著影响，现今的模式将会转变。然而，这些解决方案不会是静态的，它们不断演进的行为将随本地特征而变，在数据中心内里和边缘带来更多软件定义的功能。此外，它们的数量将非常庞大，它们的运行将无需人为干预。

进入自动化和智能的需求，就是机器学习。

机器学习是指机器根据物联网解决方案所必需的知识或认知，改变某种情况或行为结果的能力。有趣的是，知识可以通过各种形式呈现，不一定需要在本地创建。换句话说，在某地创建的知识可以在其他位置导出并使用，或者说是“训练它，而它去训练其他人”。需要不断的演进或知识/学习的威胁管理与保护就是这样的一个例子。

这里有两种形式的知识：1.观察知识，会在本地学习的基础上改变行为（通常称为训练）；2.导向知识，将在其他地方（由集中权限）创建的知识用来改变边缘行为。在充分理解这一概念的情况下，你可以将这视为改变边缘行为的“machine learning”（小写的“m.l.”），以及观察全球趋势和提供控制政策的“Machine Learning”（大写的“M.L.”）。M.L.作为改变边缘行为的导向学习来源发挥着更大的作用。我们认为，到2020年，“machine learning和Machine Learning”的设置将存在于大量解决方案中，并带来物联网业界的大量创新。

准备好吧，一场疯狂之旅即将开始了！