2020年趋势风向标，工业互联网人工智能应用将成基础与第二届工业APP开发与应用创新大赛评审过程中观察到的现象高度吻合。这些趋势的背后隐藏着巨大的机遇，而机遇总是在不经意间到来，又悄然离去。了解并抓住它们对于当前的物联网公司尤为重要。在接下来的几周里，我将带您一一了解这些稍纵即逝的新机会。一直以来，我们都是以物联网平台为基础，在平台上承载各种物联网应用。从技术架构的角度来看，这个角度是可以理解的。但如果我们反过来看这个问题，其实是各种物联网应用给平台带来了生态活力和客户价值。具有锚定作用的是物联网应用，它们是事实上的基础。物联网平台的作用是解决各类物联网应用发展中遇到的问题，营造资源共享、价值共创、利益共享的环境，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%的企业数字化转型工作将由AI人工智能支撑。2020年，各种趋势明确指向工业物联网应用基础即将完成升级，工业互联网人工智能IIoT-AI应用将成为“硬核”。各研究机构的分析对象也从单纯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《工业人工智能平台和服务提供商竞争格局评估》、Frost&Sullivan发布《全球新型工业互联网人工智能平台厂商分析》、信息化集成服务联盟和微软联合发布《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部分。虽然有些报道称其为工业人工智能平台，但实际上是工业互联网人工智能IIoT-AI应用与平台的融合。工业人工智能应用的深度也从最初的机器视觉图像、视频分析，渗透到基于机制模型的智能决策领域。因此，在这篇文章中，你将看到：工业互联网与工业人工智能叠加，如何“加”？工业互联网人工智能应用发展趋势如何？工业互联网人工智能应用的代表项目有哪些？1、想要叠加首先，工业互联网脱钩本质上是一种新经济。近年来，工业互联网的数据量呈爆炸式增长。在数据“反哺”充足的情况下，工业互联网新经济并没有实现预期的高速增长。根据IDC的分析数据，到2025年，物联网设备一年内产生的数据总量将接近80ZB。根据ABIResearch的报告，到2024年，工业制造中支持的AI设备总装机量将超过1500万，2019年至2024年的复合年增长率为65%。虽然视频监控数据构成了物联网的很大一部分过去的物联网数据，从我在物联网行业的直接体验来看，工业、汽车、物流等领域的非视频数据量也在全面加速增长。IDC的客观研究也印证了我的主观感受——IDC认为只有来自工业制造和智能网联汽车的数据才能带动整个物联网领域实现60%的数据增长。如此大量的数据采集和分析需求，应该能够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，尤其是在中小企业的应用覆盖率相对较低。主要问题不在需求端，而在供给端。试想，如果有低成本的工业物联网“杀手级”应用，并且有一整套成熟的解决方案帮助工业企业快速落地应用，相信大多数工业企业都会选择尝试。根据的分析，工业互联网领域没有出现“杀手级”应用的原因有以下几点，可以概括为“行业难以复制和推广”和“现有工业互联网框架不友好”.站在2019年底的复盘点，把控过程是关键。只有不同的过程才能导致工业互联网的快速增长。这个过程的核心是解耦。解耦的思想来源于软件系统。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关系。工业互联网中各个组件、模块、应用的耦合度越低，可复制性就越高。反过来，工业物联网应用的实施将从“项目型”向“工具型”转变，从“全面集成”向“集成化”转变，有利于快速复制和推广。尤其是在工业互联网与工业人工智能叠加的场景下，复杂度越高，对解耦能力、协同效率、更新迭代的要求就越高。首先，工业互联网人工智能IIoT-AI本质上是一种需要大量数据做支撑的算法。解耦后，专业的数据采集者可以开发成本更低、通用性更高的设备连接方案，应用可以提供更多、更高质量的数据资料。其次，工业互联网人工智能IIoT-AI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，重新应用于其他分析，实现数据流的延伸。最后，工业互联网人工智能的IIoT-AI技术还处于起步阶段。当面对复杂且不合逻辑的问题时，IIoT-AI就力不从心了。解耦有助于定义具体的细分场景，更适合工业人工智能应用的开发。2.瘦身和边缘化根据数据的数量和质量，工业互联网人工智能目前有两种实现IIoT-AI技术的途径：在工业互联网应用中，工业人工智能能够部署的算力有限，需要“减肥。”目前的数据转换过程大致遵循边缘计算过程中的第28条原则，即80%的数据没有得到优化利用。提高数据转化率，既需要更高效的数据采集，也需要边缘设备具备数据处理和预分析能力。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”的方式具有巨大的发展潜力。该方法的思路是整合专家经验，充分利用和挖掘现有数据信息，采用收敛速度快、效率高的人工智能算法。再者，工业场景需要极强的实时响应能力，因此需要将工业人工智能应用到边缘设备上，而不是“假装”在边缘处理数据，而是悄悄传回云端进行分析。因此，在应用场景深入和技术成熟的推动下，工业人工智能正在进一步向边缘侧迁移，推动边缘计算和智能化。从云端到边缘，AI面临的挑战不仅限于计算位置迁移。工业人工智能与一般意义上的人工智能有着根本的区别。人工智能很多原有的假设在边缘场景下都不成立，运行时间和计算能力在边缘端面临着巨大的变化，人工智能模型势必会重新适应新的环境。根据Foghorn的实践，在云端使用的人工智能模型往往根本无法应用到边缘端。AI模型需要压缩和“瘦身”高达80%，才能被边缘设备使用，满足行业应用场景。3.IIoT-AI应用场景IIoT-AI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等领域，工业互联网人工智能都有可大规模复制的落地案例。在设备管理方面，天泽智云创新性地使用了音频传感器。针对风电领域现有风机叶片检测手段不灵，他们采用不接触叶片的声音传感器，实时采集叶片运转过程中的音频数据，配合工业智能算法进行识别通过分析这些音频数据来了解刀片的状态。早异常。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、破损等重大风险。在生产质量分析方面，云说物联网以焊喷涂场景为切入点，从工业人工智能的预测监控和决策出发，试图改变企业痛点与技术能力不匹配的现状。焊接和喷涂工艺广泛应用于车辆、轨道交通、船舶、家电等领域。云说物联网的工业人工智能应用，实现了加工质量的预测监控，将质量管理从发现后推向事前预防，在过程中发现提升贵公司加工绩效的上游流程。在制造业物流和供应链管理方面，微软与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。通过应用工业人工智能，马士基可以帮助客户更好地跟踪产品的运输过程，及时发现因恶劣天气、集装箱沉船或铁路罢工等原因导致的供应链中断。并且在遇到麻烦的情况下，我们仍然可以尽力确保货物的连续运输。本文摘要：工业互联网本质上是一种新经济。近年来，工业互联网的数据量呈爆炸式增长。在数据“反哺”充足的情况下，工业互联网新经济并没有实现预期的高速增长。站在2019年底的复盘点，把控过程是关键。只有不同的过程才能导致工业互联网的快速增长。这个过程的核心是解耦。在工业互联网应用中，工业人工智能所能部署的算力是有限的，需要有“瘦身”感。从云端到边缘，AI面临的挑战不仅限于计算位置迁移。人工智能模型需要“瘦身”高达80%，才能被边缘设备使用，满足行业应用场景。
