臨近年末，多個研究機構(gòu)紛紛發(fā)布對于2020年的趨勢預測，其中很多預測與我擔任“首屆中國工業(yè)互聯(lián)網(wǎng)大賽”和“第二屆工業(yè)APP開發(fā)與應用創(chuàng)新大賽”評委過程中觀察到的現(xiàn)象高度匹配。
這些趨勢背后潛藏巨大機遇，而機遇總是在不經(jīng)意間到來，然后悄無聲息的離開，看懂和抓住他們，對于當下的物聯(lián)網(wǎng)企業(yè)尤為重要。接下來的幾周，我將逐一為你呈現(xiàn)這些稍縱即逝的新機遇。
一直以來，我們都把物聯(lián)網(wǎng)平臺視為基座，各種IoT應用搭載于平臺之上。從技術(shù)架構(gòu)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(lián)網(wǎng)應用為平臺帶來了生態(tài)活力和客戶價值。
具有錨定效應的是物聯(lián)網(wǎng)應用，他們才是事實上的基座。
IoT平臺的作用是為各種物聯(lián)網(wǎng)應用解決發(fā)展中遇到的問題，創(chuàng)造資源共通、價值共創(chuàng)、利潤共享的環(huán)境，從而激發(fā)IoT應用與平臺共生的關(guān)系和意愿。
IDC曾經(jīng)預測，2019年將有40%的企業(yè)數(shù)字化轉(zhuǎn)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(yè)互聯(lián)網(wǎng)人工智能IIoT-AI應用為“硬核”。
各個研究機構(gòu)的分析對象，也從單純的工業(yè)互聯(lián)網(wǎng)轉(zhuǎn)移到了工業(yè)互聯(lián)網(wǎng)疊加工業(yè)人工智能。
ABI research發(fā)布了《工業(yè)人工智能平臺和服務提供商競爭格局評估》、Frost & Sullivan發(fā)布了《全球新型工業(yè)互聯(lián)網(wǎng)人工智能平臺廠商分析》、兩化融合服務聯(lián)盟和微軟共同發(fā)布了《工業(yè)互聯(lián)網(wǎng)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(yè)人工智能平臺，實為工業(yè)互聯(lián)網(wǎng)人工智能IIoT-AI應用與平臺一體。
工業(yè)人工智能應用的深度，也已經(jīng)從最初的機器視覺圖像和視頻分析，滲透到依據(jù)機理模型的智能決策領(lǐng)域。
因此在本文中，你將看到：
工業(yè)互聯(lián)網(wǎng)疊加工業(yè)人工智能，到底怎么“加”？
工業(yè)互聯(lián)網(wǎng)人工智能應用沿著什么趨勢發(fā)展？
工業(yè)互聯(lián)網(wǎng)人工智能應用的代表性項目有哪些？
01
想疊加，先解耦
工業(yè)互聯(lián)網(wǎng)本質(zhì)上是一種新經(jīng)濟。
最近幾年，工業(yè)互聯(lián)網(wǎng)的數(shù)據(jù)量正在爆發(fā)，有了充足的數(shù)據(jù)“喂養(yǎng)”，工業(yè)互聯(lián)網(wǎng)新經(jīng)濟卻沒有實現(xiàn)預期中的快速增長。
根據(jù)IDC的分析數(shù)據(jù)，到2025年物聯(lián)網(wǎng)設備在一年內(nèi)創(chuàng)造的數(shù)據(jù)總量將接近80 ZB。ABI Research的報告認為，到2024年工業(yè)制造領(lǐng)域中支持的AI設備總安裝量將超過1500萬，從2019年到2024年間的復合年增長率為65%。
雖然過去視頻監(jiān)控數(shù)據(jù)構(gòu)成了物聯(lián)網(wǎng)數(shù)據(jù)中的很大一部分，但從我身處物聯(lián)網(wǎng)行業(yè)中的直接感受判斷，來自工業(yè)、汽車、物流等領(lǐng)域的非視頻類數(shù)據(jù)量的增加也在全面提速。
IDC的客觀調(diào)研也印證了我的主觀感受——IDC認為僅靠來自工業(yè)制造和智能網(wǎng)聯(lián)汽車的數(shù)據(jù)，就能帶動整個物聯(lián)網(wǎng)領(lǐng)域?qū)崿F(xiàn)60%的數(shù)據(jù)增長。
如此大量的數(shù)據(jù)采集與分析需求，按理說應該可以快速推動工業(yè)互聯(lián)網(wǎng)的發(fā)展。但總體而言，工業(yè)互聯(lián)網(wǎng)并沒有獲得預期的市場認可度，尤其在中小企業(yè)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(xiàn)一款低成本的IIoT“殺手級”應用，并且有一整套成熟方案幫助工業(yè)企業(yè)快速實施該應用，相信大部分工業(yè)企業(yè)會選擇嘗試。
根據(jù)《工業(yè)互聯(lián)網(wǎng)人工智能應用白皮書》中的分析，工業(yè)互聯(lián)網(wǎng)領(lǐng)域尚未出現(xiàn)“殺手級”應用的原因如下圖，可以總結(jié)為“行業(yè)復制推廣難度大”和“現(xiàn)有工業(yè)互聯(lián)網(wǎng)框架不友好”這兩點。
站在2019年底這個時點復盤，掌控過程是關(guān)鍵，只有不一樣的過程，才能引發(fā)工業(yè)互聯(lián)網(wǎng)實現(xiàn)快速增長的結(jié)果。
這個過程的核心就是解耦。
解耦的思路來源于軟件體系。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(yè)互聯(lián)網(wǎng)中各類組件、模塊、應用的耦合度越低，可復制性就越高。進而實現(xiàn)IIoT應用的實施從“項目型”轉(zhuǎn)化為“工具式”，從“全集成”轉(zhuǎn)化為“被集成”，利于快速復制推廣。
尤其是在工業(yè)互聯(lián)網(wǎng)與工業(yè)人工智能相疊加的場景下，復雜度越高，對解耦能力、協(xié)同效率、更新迭代的要求越高。
首先，工業(yè)互聯(lián)網(wǎng)人工智能IIoT-AI本質(zhì)上是一種算法，需要大量的數(shù)據(jù)作為支撐。解耦之后，專業(yè)的數(shù)據(jù)采集商能開發(fā)出成本更低、通用性更高的設備連接解決方案，應用提供數(shù)量更多、質(zhì)量更高的數(shù)據(jù)素材。
其次，工業(yè)互聯(lián)網(wǎng)人工智能IIoT-AI通過分析，將數(shù)據(jù)轉(zhuǎn)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(xiàn)數(shù)據(jù)流動的延伸。
最后，工業(yè)互聯(lián)網(wǎng)人工智能IIoT-AI技術(shù)處于初級階段，當面對場景復雜、非邏輯性的問題時，IIoT-AI則力有不及。解耦有助于具體細分場景的定義，更適合工業(yè)人工智能應用的發(fā)展。
02
瘦身感、邊緣化
根據(jù)數(shù)據(jù)數(shù)量、質(zhì)量的情況不同，目前存在兩種工業(yè)互聯(lián)網(wǎng)人工智能IIoT-AI技術(shù)的實現(xiàn)方式：
在工業(yè)互聯(lián)網(wǎng)應用中，工業(yè)人工智能可以調(diào)配的算力有限，需要“瘦身感”。
當前數(shù)據(jù)在邊緣計算的轉(zhuǎn)化過程中大致遵循二八原則，即80%的數(shù)據(jù)尚未得到優(yōu)化利用。若要提高數(shù)據(jù)轉(zhuǎn)化率，既需要效率更高的數(shù)據(jù)采集，也需要邊緣設備具備數(shù)據(jù)處理和預分析的能力。
因此在設備管理、質(zhì)量監(jiān)控、安全管理等場景，“小數(shù)據(jù)+人工智能+專家”的方式很有發(fā)展?jié)摿?。這種方式的思路是融合專家經(jīng)驗，充分利用和挖掘已有數(shù)據(jù)信息，使用收斂快、效率高的人工智能算法，非常符合工業(yè)現(xiàn)場歷史數(shù)據(jù)普遍不足、數(shù)據(jù)質(zhì)量參差不齊的現(xiàn)狀。
更進一步，工業(yè)場景需要極強的實時響應能力，因此工業(yè)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(shù)據(jù)，實則悄悄傳回云端分析。因此工業(yè)人工智能在應用場景深化以及技術(shù)日趨成熟的推動下，正在進一步向邊緣側(cè)遷移，推進邊緣計算與智能。
從云端到邊緣，人工智能面臨的挑戰(zhàn)并不僅僅限于計算位置遷移。
工業(yè)人工智能與普遍意義上的人工智能有本質(zhì)不同。很多人工智能的原有前提假設在邊緣場景并不成立，運行時間和計算能力在邊緣側(cè)面臨很大變化，人工智能模型勢必重新適應新的環(huán)境。
根據(jù)Foghorn公司的實踐，用于云端的人工智能模型往往根本無法應用于邊緣側(cè)，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(yè)應用場景。
03
IIoT-AI應用場景
IIoT-AI的應用場景正在集中爆發(fā)，在設備管理、生產(chǎn)質(zhì)量分析，制造物流與供應鏈管理等領(lǐng)域，工業(yè)互聯(lián)網(wǎng)人工智能都有可規(guī)模化復制的落地案例。
在設備管理方面，天澤智云創(chuàng)新性的采用了音頻傳感器。
他們針對在風電領(lǐng)域現(xiàn)有風機葉片狀態(tài)檢測手段收效欠佳的問題，使用不接觸葉片的聲音傳感器，實時采集葉片運行過程中的音頻數(shù)據(jù)，并配合工業(yè)智能算法，通過分析這些音頻數(shù)據(jù)識別葉片的早期異常。
這套工業(yè)互聯(lián)網(wǎng)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(chǎn)質(zhì)量分析方面，蘊碩物聯(lián)以焊接、噴涂場景作為切入點，從工業(yè)人工智能的預測性監(jiān)控決策切入，力圖改變企業(yè)痛點與技術(shù)能力的不匹配現(xiàn)狀。
焊接與噴涂工藝廣泛應用于車輛、軌道交通、船舶、家電等領(lǐng)域，蘊碩物聯(lián)的工業(yè)人工智能應用實現(xiàn)了加工質(zhì)量的預測性監(jiān)控，將質(zhì)量管理從事后發(fā)現(xiàn)，推向事前預防、事中發(fā)現(xiàn)的上游流程，改善企業(yè)的加工績效。
在制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(jīng)典。
馬士基是集裝箱運輸和港口業(yè)務的全球領(lǐng)導者，通過工業(yè)人工智能應用，馬士基可以幫助客戶更好地跟蹤產(chǎn)品的運輸過程，及時發(fā)現(xiàn)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，并且在遇到麻煩時仍然能夠盡量保證貨物的連續(xù)運輸。
本文小結(jié)：
1. 工業(yè)互聯(lián)網(wǎng)本質(zhì)上是一種新經(jīng)濟。最近幾年，工業(yè)互聯(lián)網(wǎng)的數(shù)據(jù)量正在爆發(fā)，有了充足的數(shù)據(jù)“喂養(yǎng)”，工業(yè)互聯(lián)網(wǎng)新經(jīng)濟卻沒有實現(xiàn)預期中的快速增長。
2. 站在2019年底這個時點復盤，掌控過程是關(guān)鍵，只有不一樣的過程，才能引發(fā)工業(yè)互聯(lián)網(wǎng)實現(xiàn)快速增長的結(jié)果。這個過程的核心就是解耦。
3. 在工業(yè)互聯(lián)網(wǎng)應用中，工業(yè)人工智能可以調(diào)配的算力有限，需要“瘦身感”。從云端到邊緣，人工智能面臨的挑戰(zhàn)并不僅僅限于計算位置遷移。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(yè)應用場景。
