2020年趋势风向标，工业互联网人工智能应用将成为基本底座

临近年末，多个研究机构纷纷发布对于2020年的趋势预测，其中很多预测与我担任“首届中国工业互联网大赛”和“第二届工业APP开发与应用创新大赛”评委过程中观察到的现象高度匹配。

这些趋势背后潜藏巨大机遇，而机遇总是在不经意间到来，然后悄无声息的离开，看懂和抓住他们，对于当下的物联网企业尤为重要。接下来的几周，我将逐一为你呈现这些稍纵即逝的新机遇。

一直以来，我们都把物联网平台视为基座，各种IoT应用搭载于平台之上。从技术架构的角度理解，这个视角无可厚非。

但是如果我们反过来看这个问题，其实是各种各样的物联网应用为平台带来了生态活力和客户价值。

具有锚定效应的是物联网应用，他们才是事实上的基座。

IoT平台的作用是为各种物联网应用解决发展中遇到的问题，创造资源共通、价值共创、利润共享的环境，从而激发IoT应用与平台共生的关系和意愿。

IDC曾经预测，2019年将有40%的企业数字化转型工作由AI人工智能提供支持。在2020年，各种趋势均明确指向，IIoT应用这个基座即将完成一次升级，将以工业互联网人工智能IIoT-AI应用为“硬核”。

各个研究机构的分析对象，也从单纯的工业互联网转移到了工业互联网叠加工业人工智能。

ABI research发布了《工业人工智能平台和服务提供商竞争格局评估》、Frost & Sullivan发布了《全球新型工业互联网人工智能平台厂商分析》、两化融合服务联盟和微软共同发布了《工业互联网人工智能应用白皮书》…这些研究报告仅是其中的一些代表。

有些报告虽然名为工业人工智能平台，实为工业互联网人工智能IIoT-AI应用与平台一体。

工业人工智能应用的深度，也已经从最初的机器视觉图像和视频分析，渗透到依据机理模型的智能决策领域。

因此在本文中，你将看到：

• 工业互联网叠加工业人工智能，到底怎么“加”?
• 工业互联网人工智能应用沿着什么趋势发展?
• 工业互联网人工智能应用的代表性项目有哪些?

1. 想叠加，先解耦

工业互联网本质上是一种新经济。

最近几年，工业互联网的数据量正在爆发，有了充足的数据“喂养”，工业互联网新经济却没有实现预期中的快速增长。

根据IDC的分析数据，到2025年物联网设备在一年内创造的数据总量将接近80 ZB。ABI Research的报告认为，到2024年工业制造领域中支持的AI设备总安装量将超过1500万，从2019年到2024年间的复合年增长率为65%。

虽然过去视频监控数据构成了物联网数据中的很大一部分，但从我身处物联网行业中的直接感受判断，来自工业、汽车、物流等领域的非视频类数据量的增加也在全面提速。

IDC的客观调研也印证了我的主观感受——IDC认为仅靠来自工业制造和智能网联汽车的数据，就能带动整个物联网领域实现60%的数据增长。

如此大量的数据采集与分析需求，按理说应该可以快速推动工业互联网的发展。但总体而言，工业互联网并没有获得预期的市场认可度，尤其在中小企业的应用覆盖率相对较低。

主要的问题不在需求方，而在供给方。

试想一下，如果出现一款低成本的IIoT“杀手级”应用，并且有一整套成熟方案帮助工业企业快速实施该应用，相信大部分工业企业会选择尝试。

根据《工业互联网人工智能应用白皮书》中的分析，工业互联网领域尚未出现“杀手级”应用的原因如下图，可以总结为“行业复制推广难度大”和“现有工业互联网框架不友好”这两点。

站在2019年底这个时点复盘，掌控过程是关键，只有不一样的过程，才能引发工业互联网实现快速增长的结果。

这个过程的核心就是解耦。

解耦的思路来源于软件体系。在软件工程中，解耦通过降低耦合度，来降低模块间的依赖性。

工业互联网中各类组件、模块、应用的耦合度越低，可复制性就越高。进而实现IIoT应用的实施从“项目型”转化为“工具式”，从“全集成”转化为“被集成”，利于快速复制推广。

尤其是在工业互联网与工业人工智能相叠加的场景下，复杂度越高，对解耦能力、协同效率、更新迭代的要求越高。

• 首先，工业互联网人工智能IIoT-AI本质上是一种算法，需要大量的数据作为支撑。解耦之后，专业的数据采集商能开发出成本更低、通用性更高的设备连接解决方案，应用提供数量更多、质量更高的数据素材。
• 其次，工业互联网人工智能IIoT-AI通过分析，将数据转换为洞察，而这些洞察与决策可以作为输入项，重新应用到其它分析中，实现数据流动的延伸。
• 最后，工业互联网人工智能IIoT-AI技术处于初级阶段，当面对场景复杂、非逻辑性的问题时，IIoT-AI则力有不及。解耦有助于具体细分场景的定义，更适合工业人工智能应用的发展。

2. 瘦身感、边缘化

根据数据数量、质量的情况不同，目前存在两种工业互联网人工智能IIoT-AI技术的实现方式：

在工业互联网应用中，工业人工智能可以调配的算力有限，需要“瘦身感”。

当前数据在边缘计算的转化过程中大致遵循二八原则，即80%的数据尚未得到优化利用。若要提高数据转化率，既需要效率更高的数据采集，也需要边缘设备具备数据处理和预分析的能力。

因此在设备管理、质量监控、安全管理等场景，“小数据+人工智能+专家”的方式很有发展潜力。这种方式的思路是融合专家经验，充分利用和挖掘已有数据信息，使用收敛快、效率高的人工智能算法，非常符合工业现场历史数据普遍不足、数据质量参差不齐的现状。

更进一步，工业场景需要极强的实时响应能力，因此工业人工智能需要能被应用在边缘设备中，而不是“假装”在边缘处理数据，实则悄悄传回云端分析。因此工业人工智能在应用场景深化以及技术日趋成熟的推动下，正在进一步向边缘侧迁移，推进边缘计算与智能。

从云端到边缘，人工智能面临的挑战并不仅仅限于计算位置迁移。

工业人工智能与普遍意义上的人工智能有本质不同。很多人工智能的原有前提假设在边缘场景并不成立，运行时间和计算能力在边缘侧面临很大变化，人工智能模型势必重新适应新的环境。

根据Foghorn公司的实践，用于云端的人工智能模型往往根本无法应用于边缘侧，AI模型需要压缩“瘦身”高达80%，才能被边缘设备使用，满足工业应用场景。

3. IIoT-AI应用场景

IIoT-AI的应用场景正在集中爆发，在设备管理、生产质量分析，制造物流与供应链管理等领域，工业互联网人工智能都有可规模化复制的落地案例。

在设备管理方面，天泽智云创新性的采用了音频传感器。

他们针对在风电领域现有风机叶片状态检测手段收效欠佳的问题，使用不接触叶片的声音传感器，实时采集叶片运行过程中的音频数据，并配合工业智能算法，通过分析这些音频数据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使用寿命，大幅降低了叶片大修、断裂等重大风险。

在生产质量分析方面，蕴硕物联以焊接、喷涂场景作为切入点，从工业人工智能的预测性监控决策切入，力图改变企业痛点与技术能力的不匹配现状。

焊接与喷涂工艺广泛应用于车辆、轨道交通、船舶、家电等领域，蕴硕物联的工业人工智能应用实现了加工质量的预测性监控，将质量管理从事后发现，推向事前预防、事中发现的上游流程，改善企业的加工绩效。

在制造物流与供应链管理方面，微软和马士基共同完成的案例堪称经典。

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，及时发现由恶劣天气、集装箱船舶失事、或者铁路罢工导致的供应链中断，并且在遇到麻烦时仍然能够尽量保证货物的连续运输。