跳到正文ChatGPT 说 · Jimmy Huang's BlogChatGPT 说
本页目录· 40 条
这一页有部分内容暂时无法显示,其余内容完整。
1. 本周 Seminar 总览
这周 Seminar 的主线,其实可以理解成一条很清楚的“技术演化链”:
从 Ubiquitous Computing(普适计算) 出发,先讲“计算如何悄悄进入日常生活”,再往下拆成:
Context-aware Computing(上下文感知) → Situation-aware Computing(情境感知) → IoT / Smart City(物联网与智慧城市) → Digital Twin(数字孪生) → Cloud / Edge / Fog / Edge-to-Cloud Continuum(云-边-雾-连续体基础设施)。
老师想让大家理解的,不只是几个术语,而是一个整体图景:
今天的移动设备、穿戴设备、传感器、车、家居、城市系统,并不是分开的东西,而是在组成一个“到处都有计算、数据会被感知、系统会做判断、后台会分层处理”的生态。
这周内容和本课程整体关系很强,因为 FIT5046 不只是“做一个手机 App”,而是在讲:
移动设备如何和传感、网络、云端、边缘计算一起工作。老师也明确把这周内容和 Assessment 2 的 context-aware app 连起来了,说明这不是“背景知识”,而是后面真要用的设计基础。
另外,这次 Seminar 前半段还有一大块老师口头强调的 assessment / AI 使用规范 / presentation 注意事项。这些虽然不属于本周理论知识本体,但老师讲得很多,而且明显是“会影响分数/提交/学术规范”的高优先级内容,不能忽略。
2. 核心知识点总结
知识点1:Ubiquitous Computing(普适计算)是什么?
这部分在讲什么:
普适计算是一种计算范式。它的核心意思不是“电脑更多了”,而是:
计算会越来越不显眼,越来越嵌入日常物品和环境里。
也就是说,未来不是你主动去“用电脑”,而是你周围的灯、车、表、门禁、摄像头、音箱、手机、建筑系统,都在默默进行计算。
为什么重要:
这是整节 Seminar 的“总框架”。后面的 context-aware、IoT、wearables、digital twin、edge-cloud,其实都可以看成是在这个大框架下的不同层或不同实现方式。
和本课程整体有什么关系:
本课程叫 Mobile and Distributed Computing Systems。普适计算刚好把“移动端 + 传感器 + 分布式系统 + 云边协同”全串起来。你学的不是孤立 App,而是 嵌入真实环境中的计算系统。
学生更容易理解的话:
“以前是我打开电脑做事;现在是环境自己会感知、会处理、会帮我做事。”
教室里的灯光传感器、空调温度控制、停车位传感器、CCTV、智能音箱、智能家居、自动驾驶车,这些都已经是普适计算的一部分。
知识点2:Context(上下文)与 Context-aware Computing(上下文感知)
本质上,context 就是能描述一个实体当前处境的任何信息。
它是“原始材料”,通常来自传感器、GPS、穿戴设备、公共 API、社交平台、用户输入等。
然后再讲 context-aware computing:
一个系统知道你当前的上下文,并根据这些信息 调整自己的行为或操作,这就叫上下文感知。
这是本周最重要的底层概念之一。因为没有 context,就没有后面的 situation inference,也没有 Assessment 2 里要求的 context-aware app。
后面你做移动应用时,不是只做静态页面,而是要让 App “根据环境和数据变化而反应”。这正是 context-aware 的核心。
手机知道你在开车,于是减少通知干扰
健康 App 读到心率和活动数据后,改变提醒策略
智能家居感知有人/没人,自动控制灯光和空调
context-aware 不是“有数据就行”,而是 数据要驱动系统行为变化。
也就是说,App 不只是展示数据,而要“用数据做事”。
知识点3:Situation-aware Computing(情境感知)与 “Context vs Situation”
老师明确把这部分放在 context 之后,表示它是“更高一层”。
也就是说,系统不是只知道“心率 120、位置在家、现在凌晨”,而是进一步判断:
“这个人现在可能处于健康风险状态”。
因为很多学生会把“收集到的数据”和“系统真正理解出来的情境”混在一起。
你后面不只是做数据接收器,而是要做“能判断、能响应”的系统。
Context = 看到什么
Situation = 这意味着什么
智能建筑Context:噪音、光线、动作
Situation:开会、上课、聚会、空房间
火灾监测Context:风速、温度、光照
Situation:安全、火灾威胁、起火
知识点4:IoT(Internet of Things,物联网)
这些设备能感知、传输、交换数据,形成更大规模的系统。
IoT 可以理解成比 “ubiquitous computing” 更容易被大众接受的一个词,甚至有点像今天“AI”那样的流行/营销词,但它仍然属于同一个大生态。
因为一旦 context-aware 不只是单设备,而是很多设备一起连起来,IoT 就出现了。
本课程后面会继续涉及网络、云端、数据流、分布式资源处理。IoT 是把这些东西落到现实场景里的入口。
IoT 不是“某个设备很智能”,而是:
很多设备连起来一起感知、一起传数据、一起协同。
也就是:
context → situation → infrastructure → action
知识点5:Smart City(智慧城市)是 IoT 的典型应用
智慧城市不是“城市里装很多高科技”这么简单,而是:
通过联网传感器和设备,对城市资源和服务进行更高效的管理。
你会发现 IoT、context-aware、edge/cloud,不是在书里,而是在垃圾管理、交通灯、照明、停车、空气质量这些现实问题里。
这说明移动与分布式系统的目标不是技术本身,而是 解决真实世界问题。这也和 Assessment 2 里老师强调“应用要有 impact、有 value”很一致。
智慧城市可以理解成:
“城市像一个大型信息系统,传感器是感觉器官,网络是神经,后台平台是大脑。”
智能垃圾桶 / 垃圾管理
智能停车
交通监测与管理
智能路灯
灌溉管理
空气质量 / 噪声地图
像 Melbourne 排名、具体国家市场占比这些,更偏例子和背景,不是最核心的定义考点。
知识点6:Digital Twin(数字孪生)
数字孪生是 现实世界中某个物理对象/系统的数字复制体。
它不只是“把数据存起来”,而是把真实对象、虚拟表示、以及两者之间持续同步的数据连接在一起。
因为这是从“感知和理解现在”走向“模拟和预测未来”。
Digital twin 把移动端、IoT、云平台、AI、数据分析全部整合在一起,是分布式系统和智能系统的高级形态。
可以把 digital twin 想成:
“现实中的车/设备/城市/人体,在云端有一个会持续更新的数字分身。”
自动驾驶车是数字孪生很成熟的应用场景
车的数据可以持续同步到数据中心
在中心端可以模拟车与车、车与路、车与环境的互动
这不只是“监控”,更是“预测”和“仿真”
Digital twin 不等于普通 dashboard。
digital twin 是“有对应实体、有同步机制、有持续更新、有预测/模拟能力”。
知识点7:Cloud / Edge / Fog / Edge-to-Cloud Continuum
老师最后把 Seminar 拉回到“分布式基础设施”。
Cloud Computing集中式资源平台
按需提供计算、存储、应用等 IT 资源
优点:成本、扩展性、集中管理
Edge Computing数据在靠近产生它的地方处理
例如手机本地先处理再上传
Fog Computing位于 edge 和 cloud 之间的一层
比 edge 更强,但比云更近
因为这正是“Mobile and Distributed Computing Systems”课程名里的 distributed 部分。
老师想让你明白:现实系统不可能所有数据都直接丢给云,延迟、带宽、隐私、稳定性都会出问题。
这部分是后续做云端、移动端、网络协同设计时的概念基础。
而且老师还直接说了 Assessment 2 会用 Google Cloud Platform / Firebase,这不是脱节内容。
Edge 是“on device / 靠设备端处理”
Fog 是“near device / 局域网络附近处理”
Cloud 是“centralized / 中心数据中心处理”
降低带宽成本
降低延迟
提高隐私/安全
网络不稳定时更有韧性
知识点8:Wearables / UbiComp 研究趋势
最后老师用 wearable devices、Ray-Ban Meta 智能眼镜、Apple Vision Pro、EarComp、UbiComp 会议等,告诉大家这个领域是一个非常活跃的研究方向。
这部分更多是“拓展视野”,说明本周内容不是老旧理论,而是当前持续发展的研究与产业方向。
和 Assessment 1 的 paper presentation 也有联系,因为老师说选的很多论文就来自 ubiquitous / wearable / mobile 这些顶级 venue。
这一段不是让你背品牌,而是让你知道:
这门课的很多概念,正在真实产品和前沿研究里发生。
[来源提示:课件 P31;老师现场展示 wearable 智能眼镜并解释实际体验]
3. 老师强调的重点
重点1:Context 和 Situation 的区别
老师几乎直接点名这是 quiz 题型,明确说这是 “perfect quiz question”,认真听课的人不该不会。
Context 是原始数据
Situation 是推断后的高层含义
能用同一个例子把两者分开讲清楚
重点2:Assessment 2 必须做 context-aware app
老师不是顺带提,而是专门说“这在 A2 里是 needed”,并且强调“implementing context-aware computing is not an easy job”。
重点3:从 raw data 到 inference 的思维链
老师不是在背定义,而是在训练你一种系统设计思维:
数据从哪里来 → 如何解释 → 系统怎么响应 → 后台放在哪层处理。
重点4:Cloud 不是唯一答案,edge / fog / continuum 也要会分
老师花了明显时间解释为什么所有数据都上传到云端不够好。
这说明课程想让你理解“系统架构取舍”,而不是只会背云计算定义。
重点5:Digital Twin 是更高阶、更偏未来方向的概念
老师把它放在 “context → situation → digital twin” 的进阶链上,还用了自动驾驶车、数字大脑、World Model 来说明。
这通常意味着:它是高价值理解点,但不一定是最基础的死记硬背点。
重点6:AI 可以用,但必须是“有人类学习痕迹”的使用
老师花了很长一段讲 AI 使用边界,而且语气非常明确:
重点7:你引用的内容必须自己读过、自己核对过
老师反复讲 presentation 的存在,就是为了防止“没读懂却照抄”。
她还特别提醒:引用的 paper 要自己扫读、核对 citation,不要把 AI 找到的内容直接当真。
重点8:Assessment 1 的口头展示规则和 slide 规则不要搞错
[来源提示:主要来自 transcript 的反复口头强调与问答]
4. transcript 里补充的重要信息
A. 课件没有展开,但老师口头讲得更清楚的知识补充
IoT 更像是 ubi computing 生态里更大众化、营销化的说法这个口头解释比课件更容易懂:不要把 IoT 看成完全独立的新世界,它其实仍在同一个生态里。
Context-aware 不等于“采集传感器数据”老师口头一直在把“采集”与“适应/反应”区分开,这比课件标题更具体。
Situation-aware 的关键是 inference 和 action老师用癫痫/发作风险、健康告警、自动报警等例子,把“推断后会触发什么行为”讲得更清楚。
Digital Twin 的现实意义是预测和仿真,不只是映射
课件写得比较简,但老师举了自动驾驶车和数据中心模拟的例子,能更好理解“为什么要 twin”。
Edge vs Fog 的学生版理解
老师口头总结得很适合复习: AI coding 工具不是不能信,而是不能盲信
老师特别提醒: 学生阶段仍然要 review AI 生成的代码
老师提到业界对“要不要 review AI code”有争论,但对于你们这种还在学 fundamentals 的学生,她明确建议:必须 review。
B. assessment / admin 相关补充(非理论,但很重要)
Assessment 1 自助分组必须完成
否则无法提交 group assignment。老师前面反复强调这一点。
Assessment 1 presentation:真正要讲的是正文,不是封面和参考文献页
老师在 Q&A 里明确说了 Slide 1 和最后 references 不需要讲。
额外引用文献不能只是从原论文参考文献里顺手拿
老师明确说要找“支持相似概念的额外论文”,而不是偷懒直接抄 paper 原 reference list。
Assessment 2 的数据与技术方向
老师口头补充了:
5. 这周最可能要掌握的考点 / 作业相关点
最可能的 quiz / exam / short-answer 考点
定义 ubiquitous computing,并解释为什么叫“invisible computing”
解释什么是 context
解释什么是 context-aware application
区分 context 与 situation
给一个例子,同时写出 context 和 situation
解释 situation inference 是怎么从 raw data 到高层状态的
解释 edge computing、fog computing、cloud computing 的区别
解释 edge-to-cloud continuum 为什么比“全上云”更合理
说出 digital twin 的基本含义与 3 个组成部分
说出 IoT 与 smart city 的关系
最可能和 Assignment 2 直接相关的点
你的 App 必须是 context-aware
你要能说清:收集什么 context、如何模拟/使用数据、系统会怎么 adapt
只收集数据不够,最好还能体现“推断/个性化/动态调整”
需要想到设备端、本地、云端分别可能做什么
要能把 Seminar 概念转成一个可设计的 app logic
最可能和 Assessment 1 / 学术规范相关的点
AI 使用要 transparent
AI 只能辅助,不能替代你完成整个任务
要读你引用的 paper
要核对 citation
额外文献要自己找,不要只抄原文 reference list
presentation 是为了检验你是否真正理解
隐含重点(老师没逐字说“这会考”,但明显高频)
“raw data ≠ understanding”
“system response” 比 “data display” 更重要
“architecture choice” 是课程核心能力之一
学生要学会做 AI 的 orchestrator,而不是被 AI 带着跑
[来源提示:结合课件结构、老师语气、重复次数、举例长度与作业链接判断]
6. 我应该怎么学这周内容
推荐学习顺序
第二步:重点吃透 Context vs Situation
这是本周最值得优先搞懂的地方。
context 是什么
situation 是什么
system action 是什么
第三步:再学 Edge / Fog / Cloud
这一块不要一上来背定义。
想清楚延迟、带宽、隐私、离线问题,定义自然就懂了。
第四步:把知识套进 Assessment 2
拿你可能做的 app 想:
你的 context 数据是什么?
数据从哪里来?
系统如何适配?
能不能推断一个 situation?
哪些在本地处理,哪些放云端?
第五步:最后看拓展内容
Smart city 排名、World Labs、Vision Pro、智能眼镜这些,放最后看,主要用于拓宽视野,不是第一优先级。
我必须先搞懂的基础概念
context
context-aware
situation
inference
digital twin
edge / fog / cloud 的分层差别
哪些内容属于“理解型”
Context vs Situation
Context-aware vs Situation-aware
为什么需要 edge / fog
Digital twin 为什么比普通数据看板更高级
整个 ubi computing 生态怎么串起来
哪些内容属于“记忆型”
术语定义
常见 context sources
cloud 的三种模式:public / private / hybrid
digital twin 的三个组成部分
smart city / IoT 的典型应用场景
哪些内容属于“应用型”
给定场景,设计 context-aware app
给定原始数据,推断可能的 situation
判断某个任务更适合 edge / fog / cloud 哪层
把 Seminar 概念转成 Assignment 2 的 app proposal
哪些内容只需要了解
Smart city 的具体排名
IoT 市场规模数字
具体品牌设备(Ray-Ban Meta、Vision Pro)
Fei-Fei Li World Labs 的案例细节
哪些内容需要重点掌握
ubiquitous computing 的核心思想
context 的定义
context-aware system 的含义
context vs situation
edge / fog / cloud 的区别
Seminar 内容如何映射到 A2
最容易混淆的地方
Context vs Situation
Context-aware vs Situation-aware
IoT vs Ubiquitous Computing
Digital Twin vs 普通数字模型
Edge vs Fog
“有数据” vs “系统会根据数据做动作”
学完后你应该能回答这些问题,才算真的掌握
用一句话解释 ubiquitous computing 是什么。
给出 3 个 context source。
用“健康监测”举例区分 context 和 situation。
解释为什么 smart driving assistant 是 situation-aware,而不只是 context-aware。
解释 digital twin 比 context-aware / situation-aware 多了什么。
解释为什么全上云不总是最优。
说出 edge、fog、cloud 各自更适合做什么。
为你的 A2 app 设计一条“数据 → 推断 → 响应”链。
7. 给我一份简短复习清单
本周速记 checklist
8. 如果我是初学者,你再用更简单的话解释一遍
它会跑到你的手表、手机、车、房子、教室、城市路灯、交通系统里。
你正在开车
你可能生病了
房间正在上课
这里可能有火灾风险
帮你静音通知
给医生发警报
自动开灯/关灯
换路线
调整界面或设置
如果这种联网系统用在城市里,就是 smart city。
如果系统不只是看现在,还在云端做了一个现实对象的“数字分身”,还能预测未来,这就是 digital twin。
而这些数据不一定全送去大云端,因为太慢、太耗流量、也有隐私问题,所以有些会在手机上先处理(edge),有些会在附近网络层处理(fog),最后才到中心云端(cloud)。
现代移动与分布式系统,不只是“收数据”,而是“感知环境、理解情境、做出反应,并在不同计算层之间协同处理”。