物联网的增长推动了数据爆炸，这已经不是什么秘密。国际数据公司预测，到2025年，超过410亿个联网的物联网设备将产生近80兆字节的数据。前所未有的数据涌入，加上人工智能的发展，以从中提取见解，将创造一个比以前更加知情的移动行业。

通常，AI被部署为使用位置智能数据自动创建地图，从而为企业提供了通过使用真正的位置感知AI来增强其获得的洞察力的机会。这意味着AI可以理解位置信息的属性，并允许开发者将这些位置洞察应用到他们的应用程序和产品中。

注入了位置数据的AI用于从其收集的数据中创建模式识别和位置签名，这可以支持生成高清地图和逼真的模拟器来可视化这些数据。从了解消费者如何移动，到了解钻探石油的最佳方式，这些智能可视化技术正在许多行业中创造多种用例。

人工价值链在过去几年里经历了巨大的变化。我们正在从传统的机器学习(ML)转向一个阶段，在这个阶段中，价值主要围绕解决方案模型架构和算法，ML的价值在于使基准模型能够处理你的数据，并能够进化、组合和扩展它。

我们习惯了AI和ML的标准化部署来获取位置信息，现在普遍使用传感器、天线或卫星来生成标清地图(比如智能手机上的人的地图)。我们越来越多地转向由机器构建的高清(HD)地图来为机器服务，这使得为特定用例部署这些数据成为可能，例如为自动驾驶构建算法解决方案。这种新方法可以结合多个来源来识别特征和模式，并同时处理静态和实时事件来预测行为和条件。

一个典型的例子是AI/ML支持的地图，其中端到端的过程创建了一个自我修复的地图，它依赖于“低级”观察和“高级”聚合地图特征的连续收集，这两者都是自动学习的功能。这些工具协同工作来开发和适应每个地图功能，如标志、车道、人行道，并针对每个地理区域进行学习。然而，它的缺点在于它的刚性，因为它否认了数据收集的细微差别，这就是为什么位置数据平台正在创新以创建位置感知AI。

人工智能让预测成为可能。

简而言之，这是一个旨在理解其接收的位置信息的依赖性和属性并生成更高级见解的AI。物理对象之间的实时语义关系是关键元素，可用于构建位置图，位置图是世界的地理时空表示。

通过使用实时数据(如天气、交通或传感器数据)，这些表示可用于做出明智的预测。AI/ML将以情境的方式促进对位置和运动的理解，这将从根本上为我们提供一种新的方法来改变收集、表达和利用位置信息的方式。

注入位置数据的AI可以发现新的数据模式，并为其收集的数据生成更准确的样本。这意味着它可以用来暴露关键特征，并以传统AI方法无法实现的方式与其他数据结合，例如使用位置AI来预测交通数据中NO2浓度的相关性。

惠及交通物流行业。

通过人工智能收集的数据可用于为特定问题提供信息，并帮助做出决策，正如其在运输和物流行业的应用所示。这个行业面临的关键挑战是需要解决大规模优化问题。在一个大型的供应链网络中使用大量的数据，会给数据提供者带来多对多的优化问题，因为提供者、消费者、途径的数量巨大。尽管在这一领域取得了进展，但通过使用位置感知人工智能，仍有发展空间。这项技术越来越多地嵌入到整个供应链网络中，从而增加了跟踪和监控的接口数量。

强化学习在交通和物流行业有着巨大的飞跃潜力。这项技术支持模拟和敏感性分析，可用于创建预测模型和模拟。RL可以帮助我们找到一种新的方法来控制车队，从而优化车队的交通。其应用的一个例子可能是在最大的智能城市中规划和管理交通流量，以最大限度地减少二氧化碳排放，同时确保最大的安全性和高效的移动性。从这些模型中获得的洞察力可以实现数据的智能决策和结果，从而形成有效的分销网络。

巨大的增长空间

位置感知人工智能的潜力是巨大的，没有人可以声称在交通和物流、汽车或智能城市空间中充分利用它的功能。AI/ML最大的进步可能不会发生在封闭的实验室，而只能通过强大的开放生态系统和开放创新来实现。

该平台与学术机构或政府机构之间的合作可以在其中发挥关键作用，因为人工智能可以用来推广“智能地球”的许多用例。定位平台可以部署与公共安全相关的智能城市计划，或者为汽车和移动行业的公司提供关键见解。这些见解可以被视为移动领域的新货币，可用于在构建可靠和关键的实时人工智能位置智能服务方面取得重要进展。反过来，这些服务将在未来几年增强跨云、边缘和设备部署的产品。