手机网站
手机网站
来源
文|赵彭
长期以来，我们一直将物联网平台视为安装各种物联网应用的基础。从技术架构的角度来看，这种观点是可以理解的。然而，如果我们反过来看问题，实际上是各种各样的物联网应用给平台带来了生态活力和客户价值。具有锚定效果的是物联网应用，它是实际的基础。
年末，许多研究机构发布了对2020年趋势的预测，其中许多与我在“首届中国工业互联网竞赛”和“第二届工业应用开发与应用创新竞赛”评选过程中观察到的现象高度吻合。
这些趋势背后隐藏着巨大的机遇，机遇总是随随便便而来，然后悄悄离开、理解并抓住它们，这对当前的物联网企业尤为重要。在接下来的几个星期里，我会一个接一个地给你介绍这些新的机会。
长期以来，我们一直将物联网平台视为安装各种物联网应用的基础。从技术架构的角度来看，这种观点是可以理解的。
然而，如果我们反过来看问题，实际上是各种各样的物联网应用给平台带来了生态活力和客户价值。
具有锚定效果的是物联网应用，它是实际的基础。
物联网平台的作用是解决各种物联网应用开发中遇到的问题，创造资源共享、价值创造和利润共享的环境，从而激发物联网应用与平台之间的共生关系和意愿。
IDC曾预测，2019年，40%的企业数字转型将得到人工智能的支持。2020年，各种趋势清楚地指出，IIoT应用程序即将完成升级。工业互联网人工智能的智能应用将是“硬核”。
各种研究机构的分析对象也从简单的工业互联网转向工业互联网加工业人工智能。
ABI研究发布了《工业人工智能平台和服务提供商竞争模式评估》，弗罗斯特和沙利文发布了《新工业互联网人工智能平台制造商全球分析》，双向集成服务联盟和微软联合发布了《工业互联网人工智能应用白皮书》...这些研究报告只是其中的一些代表。
虽然有些报告被称为工业人工智能平台，但它们实际上是工业互联网智能应用和平台的集成。
从机器视觉图像和视频的初步分析来看，工业人工智能的应用深度也已经渗透到基于机理模型的智能决策领域。
因此，在本文中，您将看到:
1.如何将工业人工智能“添加”到工业互联网中？
2.工业互联网人工智能应用的趋势是什么？
3.人工智能在工业互联网上的应用有哪些代表性项目？
若要堆叠，请先解耦
工业互联网本质上是一种新经济。
近年来，工业互联网上的数据量呈爆炸式增长。有了足够的数据“喂养”，工业互联网的新经济并没有实现预期的快速增长。
根据国际数据中心的分析数据，到2025年，物联网设备在一年内创建的数据总量将接近80 ZB。ABI研究报告称，到2024年，工业制造业支持的人工智能设备总量将超过1500万台，2019年至2024年复合年增长率为65%。
虽然视频监控数据曾经构成物联网数据的很大一部分，但从我在物联网行业的直接经验来看，来自行业、汽车、物流等领域的非视频数据的增长也在全面加速。
IDC的客观研究也证实了我的主观感受——IDC认为，只有来自工业制造和智能联网汽车的数据才能带动整个物联网领域实现60%的数据增长。
如此大量的数据收集和分析需求应该能够促进工业互联网的发展。然而，总体而言，工业互联网并没有达到预期的市场接受度，特别是在应用覆盖率相对较低的中小企业。
主要问题不在需求方面，而在供应方面。
想象一下，如果一个低成本的IoT“杀手级”应用出现，并且有一套成熟的程序来帮助工业企业快速实现这个应用，我相信大多数工业企业都会选择尝试。
根据《人工智能在工业互联网中的应用白皮书》的分析，工业互联网领域尚未出现“杀手级”应用的原因如下图所示，可以概括为“难以在行业内复制和推广”和“现有的工业互联网框架不友好”。
要在2019年底恢复交易，控制过程是关键。只有不同的过程才能引发工业互联网的快速增长。
这个过程的核心是脱钩。
解耦的想法来自软件系统。在软件工程中，解耦通过降低耦合度来降低模块之间的依赖性。
工业互联网中各种组件、模块和应用的耦合度越低，可复制性越高。此外，IIoT应用的实现从“项目类型”转变为“工具类型”，从“完全集成”转变为“集成”，这有利于快速复制和推广。
特别是在工业互联网和工业人工智能叠加的场景中，复杂度越高，对解耦能力、协同效率和更新迭代的要求越高。
首先，人工智能本质上是一种算法，需要大量数据作为支持。解耦后，专业数据采集器可以开发成本更低、通用性更强的设备连接解决方案，应用程序可以提供更多数量和更高质量的数据资料。
其次，工业互联网人工智能通过分析将数据转化为洞察，这些洞察和决策可以作为输入项重新应用到其他分析中，实现数据流的扩展。
最后，工业互联网人工智能的人工智能技术还处于起步阶段。当面对复杂和不合逻辑的场景时，人工智能不够强大。解耦有助于特定子场景的定义，更适合工业人工智能应用的开发。
瘦身和边缘化的感觉
根据数据量和质量的不同，目前工业互联网人工智能的IIoT-AI技术有两种实现方式:
在工业互联网应用中，工业人工智能的计算能力有限，需要一种“瘦身感”。
当前数据在边缘计算转换过程中一般遵循28原则，即80%的数据没有得到最佳利用。为了提高数据转换率，我们不仅需要更高效的数据采集，还需要具有数据处理和预分析能力的边缘设备。
因此，在设备管理、质量监控和安全管理领域，“小数据人工智能专家”方法具有很大的发展潜力。该方法的思想是整合专家经验，充分利用和挖掘现有数据信息，采用快速收敛、高效的人工智能算法，非常符合工业领域历史数据普遍短缺、数据质量参差不齐的现状。
此外，工业场景需要强大的实时响应能力，因此工业人工智能需要应用于边缘设备，而不是“假装”在边缘处理数据，而是实际上悄悄地将其返回到云分析。因此，在应用场景的深化和技术的日益成熟的推动下，工业人工智能正进一步向边缘发展，以促进边缘计算和智能。
从云到边缘，人工智能面临的挑战不限于计算位置迁移。
工业人工智能本质上不同于一般的人工智能。人工智能的许多原始前提假设在边缘场景中是无效的，并且边缘侧的运行时间和计算能力正面临巨大的变化。人工智能模型必然会适应新环境。
根据福格霍恩的实践，云中使用的人工智能模型通常根本不能应用于边缘。人工智能模型需要压缩高达80%，才能被边缘设备用来满足工业应用场景。
人工智能应用场景
人工智能的应用场景正在密集爆发。在设备管理、生产质量分析、制造物流和供应链管理领域，工业互联网人工智能有许多可以大规模复制的案例。
在设备管理方面，天则智云创新使用音频传感器。
为了解决现有风力领域的风力涡轮机叶片状态检测方法无效的问题，它们在叶片运行期间使用不接触叶片的声音传感器实时采集音频数据，并通过分析音频数据与工业智能算法合作来识别叶片的早期异常。
这套工业互联网人工智能应用有效延长了叶片的使用寿命，大大降低了叶片大修和断裂等重大风险。
在生产质量分析方面，云硕和吴莲以焊接和喷涂场景为切入点，从工业人工智能的预测监控决策出发，试图改变企业痛点和技术能力之间的不匹配。
焊接和喷涂工艺广泛应用于车辆、轨道交通、船舶、家用电器等领域。云硕五联工业人工智能的应用实现了加工质量的预测性监控，将质量管理推进到事前预防和过程发现的上游过程，提高了企业的加工性能。
在制造物流和供应链管理方面，微软和马士基共同完成了一个经典案例。
马士基是集装箱运输和港口业务的全球领导者。通过工业人工智能的应用，马士基可以帮助客户更好地跟踪产品的运输过程，及时发现恶劣天气、集装箱船事故或铁路罢工造成的供应链中断，并在出现故障时仍能保证货物的连续运输。
本文摘要:
1.工业互联网本质上是一种新经济。近年来，工业互联网上的数据量呈爆炸式增长。有了足够的数据“喂养”，工业互联网的新经济并没有实现预期的快速增长。
2.要在2019年底恢复交易，控制交易过程是关键。只有不同的过程才能引发工业互联网的快速增长。这个过程的核心是脱钩。
3.在工业互联网的应用中，工业人工智能计算能力有限，需要“瘦身感”。从云到边缘，人工智能面临的挑战不限于计算位置迁移。人工智能模型需要被“精简”到80%，才能被边缘设备用来满足工业应用场景。
