400-868-1122
根云-工業趨勢分析
返回一直以來，我們都把物聯網平臺視為基座，各種IoT應用搭載于平臺之上。
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“首屆中國工業互聯網大賽”和“第二屆工業APP開發與應用創新大賽”評委過程中觀察到的現象高度匹配。
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應用搭載于平臺之上。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系和意愿。
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發布了《工業人工智能平臺和服務提供商競爭格局評估》、Frost & Sullivan發布了《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布了《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：
1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“喂養”，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。
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認為僅靠來自工業制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。
如此大量的數據采集與分析需求，按理說應該可以快速推動工業互聯網的發展。但總體而言，工業互聯網并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，并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“行業復制推廣難度大”和“現有工業互聯網框架不友好”這兩點。
站在2019年底這個時點復盤，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。
工業互聯網中各類組件、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”，利于快速復制推廣。
尤其是在工業互聯網與工業人工智能相疊加的場景下，復雜度越高，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。解耦之后，專業的數據采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。
? 最后，工業互聯網人工智能IIoT-AI技術處于初級階段，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，更適合工業人工智能應用的發展。
2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采集，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。
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，實則悄悄傳回云端分析。
從云端到邊緣，人工智能面臨的挑戰并不僅僅限于計算位置遷移。
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并不成立，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，用于云端的人工智能模型往往根本無法應用于邊緣側，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。
如果您想了解更多樹根科技為工業企業提供的工業互聯網解決方案，可以直接點擊網頁右方彈框的“聯系我們”，或者直接撥打樹根科技的熱線：400-868-1122
