师法自然诸如天气、交通、股票市场和体内生物化学过程等种种复杂系统的运转，并不是随机而为的过程，相反这一切都要遵循各自的非线性规律。此类系统的个体组成部分之间相互作用，不断更迭。这样的例子比比皆是，譬如沙丘会自然成型，又如云朵、蚁群、激光中的光脉冲和大脑中的信号，无不自成一体而有条不紊。系统的复杂性随其所包含元素的数量、这些元素之间的联系广度以及联系关系的非线性程度而增加。因此，假如信号强度加倍，产生的结果未必也只是加倍，而可能是4倍甚至8倍于原本的强度。

不过，通过运用复杂动态系统理论，人们通常可以在寥寥数个参数的基础上为影响着多个系统的趋势建立模型。譬如，一个智能交通引导系统，要预测特定高峰路况或严重拥堵，它并不需要掌握公路上每个司机的驾驶行为。这样的系统经过调试，能够根据交通流量模式的变化及时识别出趋势，然后视需要调整交通灯次序或隧道入口通行情况。

资料来源：互联网数据中心发布的《2011年数字宇宙研究》（两份图表均引自该）

说到复杂的系统，大脑就是一个极其有趣的例子。当人们学习新事物时，大脑中的神经元会自动建立新的结点，形成新的神经网络。在由感觉器官传递到大脑的刺激模式的作用下，大脑中会形成更为复杂的行为模式。总的来说，在脑研究和复杂系统研究成果的启迪下，计算机科学领域也发生了范式转变。在相当长的时间内，科学家们一度以为复杂的系统只能通过程序来控制，但是如今我们知道了，像发电、制造、交通引导系统和物流等领域的很多过程，都可以通过神经网络来实现管理，其作用方式正如大脑神经的互联互通。这里的一大优势就是此类人工神经网络可以从实例中实时学习，并根据变化着的状况灵活做出响应。

现在神经网络已经被应用于电厂运转控制中。比如，堪称当前世界效的发电装置的西门子在德国易兴镇建造的燃气轮机，就配备有数千个传感器，可以不间断监测气压、废气温度和排放量。传感器监测到数据后，以人脑为模型的软件系统对数据进行评估，同时自动从中学习。但是测量数据不仅用于优化一座发电装置的运转；利用某种群体智能，还可以实现多座发电装置的互联互通，而这些发电装置本身在运转过程中会根据经验不断自我优化。

与此类似，在未来的“物联网”中，很多设备将可以互相交换数据，使用网络服务，以及人机交互。比如，衣服将告诉洗衣机需要设置的水温；汽车之间将相互通信，从而避免交通堵塞和事故；未来的电网将连通千千万万个能源生产商和消费者；软件代理将自动购买和销售电力；工厂里的部件将装上智能标签，从而能够自我组织，并通过无线电通信来控制生产过程。

资料来源：思科VNI移动，2012年

工业设施也将采集整个产品生命周期期间的数据，用以优化生产制造、产品运转和回收利用；一体化交通和运输系统将综合利用各种交通方式，以使乘客能够尽可能快捷而便利地抵达目的地。在目前的应用中，由先进医疗设备生成的图像已经可以通过计算机来解读，然后图像信息与知识数据库中的信息相联系，辅助医师进行诊断。

物联网将使知识获取方式发生天翻地覆的转变，并催生新的商业模式和服务。人们还将以类似的方式建立一种全新的“知识互联网”和“服务互联网”。不过首要的一点是，通过网络实现互联互通的事物数量势必会激增。举例而言，互联网数据中心（IDC）的市场研究人员预期不超过2015年，就将有150亿个联网型设备实现互联，而到2020年，这一数字将增加到500亿以上。