一直以來，我們都把物聯網平臺視為基座，各種IoT應用搭載於平臺之上。從技術架構的角度理解，這個視角無可厚非。但是如果我們反過來看這個問題，其實是各種各樣的物聯網應用為平臺帶來了生態活力和客戶價值。具有錨定效應的是物聯網應用，他們才是事實上的基座。
臨近年末，多個研究機構紛紛發佈對於2020年的趨勢預測，其中很多預測與“首屆中國工業互聯網大賽”和“第二屆工業APP開發與應用創新大賽”中觀察到的現象高度匹配。這些趨勢背後潛藏巨大機遇，而機遇總是在不經意間到來，然後悄無聲息的離開，看懂和抓住他們，對於當下的物聯網企業尤為重要。
一直以來，我們都把物聯網平臺視為基座，各種IoT應用搭載於平臺之上。從技術架構的角度理解，這個視角無可厚非。
但是如果我們反過來看這個問題，其實是各種各樣的物聯網應用為平臺帶來了生態活力和客戶價值。
具有錨定效應的是物聯網應用，他們才是事實上的基座。
IoT平臺的作用是為各種物聯網應用解決發展中遇到的問題，創造資源共通、價值共創、利潤共享的環境，從而激發IoT應用與平臺共生的關係和意願。
IDC曾經預測，2019年將有40%的企業數字化轉型工作由AI人工智能提供支持。在2020年，各種趨勢均明確指向，IIoT應用這個基座即將完成一次升級，將以工業互聯網人工智能IIoT-AI應用為“硬核”。
各個研究機構的分析對象，也從單純的工業互聯網轉移到了工業互聯網疊加工業人工智能。
ABI research發佈了《工業人工智能平臺和服務提供商競爭格局評估》、Frost & Sullivan發佈了《全球新型工業互聯網人工智能平臺廠商分析》、兩化融合服務聯盟和微軟共同發佈了《工業互聯網人工智能應用白皮書》…這些研究報告僅是其中的一些代表。
有些報告雖然名為工業人工智能平臺，實為工業互聯網人工智能IIoT-AI應用與平臺一體。
工業人工智能應用的深度，也已經從最初的機器視覺圖像和視頻分析，滲透到依據機理模型的智能決策領域。
因此在本文中，你將看到：
工業互聯網疊加工業人工智能，到底怎麼“加”？
工業互聯網人工智能應用沿著什麼趨勢發展？
工業互聯網人工智能應用的代表性項目有哪些？
01
想疊加，先解耦
工業互聯網本質上是一種新經濟。
最近幾年，工業互聯網的數據量正在爆發，有了充足的數據“餵養”，工業互聯網新經濟卻沒有實現預期中的快速增長。
根據IDC的分析數據，到2025年物聯網設備在一年內創造的數據總量將接近80 ZB。ABI Research的報告認為，到2024年工業製造領域中支持的AI設備總安裝量將超過1500萬，從2019年到2024年間的複合年增長率為65%。
雖然過去視頻監控數據構成了物聯網數據中的很大一部分，但從我身處物聯網行業中的直接感受判斷，來自工業、汽車、物流等領域的非視頻類數據量的增加也在全面提速。
IDC的客觀調研也印證了我的主觀感受——IDC認為僅靠來自工業製造和智能網聯汽車的數據，就能帶動整個物聯網領域實現60%的數據增長。
如此大量的數據採集與分析需求，按理說應該可以快速推動工業互聯網的發展。但總體而言，工業互聯網並沒有獲得預期的市場認可度，尤其在中小企業的應用覆蓋率相對較低。
主要的問題不在需求方，而在供給方。
試想一下，如果出現一款低成本的IIoT“殺手級”應用，並且有一整套成熟方案幫助工業企業快速實施該應用，相信大部分工業企業會選擇嘗試。
根據《工業互聯網人工智能應用白皮書》中的分析，工業互聯網領域尚未出現“殺手級”應用的原因如下圖，可以總結為“行業複製推廣難度大”和“現有工業互聯網框架不友好”這兩點。
站在2019年底這個時點覆盤，掌控過程是關鍵，只有不一樣的過程，才能引發工業互聯網實現快速增長的結果。
這個過程的核心就是解耦。
解耦的思路來源於軟件體系。在軟件工程中，解耦通過降低耦合度，來降低模塊間的依賴性。
工業互聯網中各類組件、模塊、應用的耦合度越低，可複製性就越高。進而實現IIoT應用的實施從“項目型”轉化為“工具式”，從“全集成”轉化為“被集成”，利於快速複製推廣。
尤其是在工業互聯網與工業人工智能相疊加的場景下，複雜度越高，對解耦能力、協同效率、更新迭代的要求越高。
首先，工業互聯網人工智能IIoT-AI本質上是一種算法，需要大量的數據作為支撐。解耦之後，專業的數據採集商能開發出成本更低、通用性更高的設備連接解決方案，應用提供數量更多、質量更高的數據素材。
其次，工業互聯網人工智能IIoT-AI通過分析，將數據轉換為洞察，而這些洞察與決策可以作為輸入項，重新應用到其它分析中，實現數據流動的延伸。
最後，工業互聯網人工智能IIoT-AI技術處於初級階段，當面對場景複雜、非邏輯性的問題時，IIoT-AI則力有不及。解耦有助於具體細分場景的定義，更適合工業人工智能應用的發展。
02
瘦身感、邊緣化
根據數據數量、質量的情況不同，目前存在兩種工業互聯網人工智能IIoT-AI技術的實現方式：
在工業互聯網應用中，工業人工智能可以調配的算力有限，需要“瘦身感”。
當前數據在邊緣計算的轉化過程中大致遵循二八原則，即80%的數據尚未得到優化利用。若要提高數據轉化率，既需要效率更高的數據採集，也需要邊緣設備具備數據處理和預分析的能力。
因此在設備管理、質量監控、安全管理等場景，“小數據+人工智能+專家”的方式很有發展潛力。這種方式的思路是融合專家經驗，充分利用和挖掘已有數據信息，使用收斂快、效率高的人工智能算法，非常符合工業現場歷史數據普遍不足、數據質量參差不齊的現狀。
更進一步，工業場景需要極強的實時響應能力，因此工業人工智能需要能被應用在邊緣設備中，而不是“假裝”在邊緣處理數據，實則悄悄傳回雲端分析。因此工業人工智能在應用場景深化以及技術日趨成熟的推動下，正在進一步向邊緣側遷移，推進邊緣計算與智能。
從雲端到邊緣，人工智能面臨的挑戰並不僅僅限於計算位置遷移。
工業人工智能與普遍意義上的人工智能有本質不同。很多人工智能的原有前提假設在邊緣場景並不成立，運行時間和計算能力在邊緣側面臨很大變化，人工智能模型勢必重新適應新的環境。
根據Foghorn公司的實踐，用於雲端的人工智能模型往往根本無法應用於邊緣側，AI模型需要壓縮“瘦身”高達80%，才能被邊緣設備使用，滿足工業應用場景。
03
IIoT-AI應用場景
IIoT-AI的應用場景正在集中爆發，在設備管理、生產質量分析，製造物流與供應鏈管理等領域，工業互聯網人工智能都有可規模化複製的落地案例。
在設備管理方面，天澤智雲創新性的採用了音頻傳感器。
他們針對在風電領域現有風機葉片狀態檢測手段收效欠佳的問題，使用不接觸葉片的聲音傳感器，實時採集葉片運行過程中的音頻數據，並配合工業智能算法，通過分析這些音頻數據識別葉片的早期異常。
這套工業互聯網人工智能應用有效延長了葉片使用壽命，大幅降低了葉片大修、斷裂等重大風險。
在生產質量分析方面，蘊碩物聯以焊接、噴塗場景作為切入點，從工業人工智能的預測性監控決策切入，力圖改變企業痛點與技術能力的不匹配現狀。
焊接與噴塗工藝廣泛應用於車輛、軌道交通、船舶、家電等領域，蘊碩物聯的工業人工智能應用實現了加工質量的預測性監控，將質量管理從事後發現，推向事前預防、事中發現的上游流程，改善企業的加工績效。
在製造物流與供應鏈管理方面，微軟和馬士基共同完成的案例堪稱經典。
馬士基是集裝箱運輸和港口業務的全球領導者，通過工業人工智能應用，馬士基可以幫助客戶更好地跟蹤產品的運輸過程，及時發現由惡劣天氣、集裝箱船舶失事、或者鐵路罷工導致的供應鏈中斷，並且在遇到麻煩時仍然能夠儘量保證貨物的連續運輸。
本文小結
1. 工業互聯網本質上是一種新經濟。最近幾年，工業互聯網的數據量正在爆發，有了充足的數據“餵養”，工業互聯網新經濟卻沒有實現預期中的快速增長。
2. 站在2019年底這個時點覆盤，掌控過程是關鍵，只有不一樣的過程，才能引發工業互聯網實現快速增長的結果。這個過程的核心就是解耦。
3. 在工業互聯網應用中，工業人工智能可以調配的算力有限，需要“瘦身感”。從雲端到邊緣，人工智能面臨的挑戰並不僅僅限於計算位置遷移。人工智能模型需要“瘦身”高達80%，才能被邊緣設備使用，滿足工業應用場景。
閱讀更多 龍智造工業互聯網 的文章
