随着边缘的数据、连接和处理能力不断增长，工业物联网(IIoT)变得越来越容易访问。然而，许多产品的成功采用仍然难以捉摸：每三个试行数字制造解决方案的公司中就有两个无法大规模扩展。为什么尽管对数字化制造的未来转型充满热情，但很少有公司意识到其巨大潜力？我们已经知道边缘人工智能和物联网是加速工厂转型的关键，但如何才能更快地采用这些技术呢？如何避免试点炼狱的陷阱？在过去的两年里，我们对跨行业和生态系统公司的400多名参与者进行了研究，邀请制造领导者和工人以及开发支持他们的解决方案和服务技术人员来回答这个问题并揭示工业4.0的基本要素。2018年，我们发布了研究的第一阶段，确定了制造领导者和工厂工人在共同迈向智能工厂未来的道路上正在解决的关键问题。我们刚刚发布了这项工作的下一阶段，加速工业，研究工人将如何在制造角色中采用和响应人工智能，以及哪些战略和策略将“加速加速器”。这项分阶段研究代表了迄今为止对制造业正在进行的数字化转型最全面的看法。所有第二阶段的参与者都必须在智能工厂或开发智能技术、解决方案或服务的公司中扮演第一手角色，涵盖这四面墙中技术的开发、部署和维护的全视角。我们的研究发现，尽管需要进行数字化转型，但83%的公司表示他们计划在未来两到三年内投资智能工厂技术，而那些最有可能推动这一变革的公司往往不确定如何推进或犹豫不决冒险。那么，是什么导致这些初创公司失败或无法扩大规模呢？领导者如何才能改变组织内的文化观念，以从IIoT中获益？受访者列举了以下五项挑战，这些挑战有可能在未来颠覆人们对人工智能的认知。投资于解决方案和避免试点炼狱危险的技巧：挑战1：技术技能差距36%的受访者认为存在“技术技能差距”，使他们无法从投资中获益。为了成功实施新技术并维持运营，公司必须拥有一支具备“数字灵活性”的员工队伍——了解制造流程和支持这些流程的数字工具的人员。解决方案：创建支持现有员工终身学习的计划，将新概念与实践机会相结合，以便在制造运营中使用它们；构建链接模块，以便员工随着时间的推移不断发展和发展，因为他们变得精通磨练你的技能。提供有关数字工具和技能的指导（今天被认为很重要，但对未来至关重要）。通过包括网络安全、基础设施、人工智能、数据、存储和计算需求，使内容更加全面。提出个人概念及其相互依存关系。在解决方案实施之前强调问题评估和问题解决。在构建新的智能技术项目时，平衡聘请外部专家和内部人员以发展公司的数字敏捷性。挑战2：数据敏感性27%的人将“数据敏感性”归因于对数据和IP隐私、所有权和管理的日益关注。例如，要成功实现一个人工智能算法，它需要有训练和测试数据。这意味着数据必须共享，但许多公司不愿意与第三方解决方案开发商共享数据。人们还坚信，我们目前在组织内使用的数据治理策略不足以支持跨组织的数据共享。解决方案：为组织内数据传输和组织间数据传输制定正式的数据共享策略。建立数据治理策略，以反映与潜在风险敞口共享数据的价值。了解一刀切的政策是不够的。在未来的供应商/供应商合同中嵌入定制政策。在构建智能项目之前考虑数据共享需求，并及时构建以将这些需求协商到项目运营中。挑战3：互操作性23%的人提到协议、组件、产品和系统之间缺乏互操作性。这是一场持续的斗争，并不是什么新鲜事。然而，如今，由于互操作性限制了他们的创新能力，公司越来越感到沮丧。它还限制了他们升级系统组件的能力，因为他们无法轻易地将一个供应商“交换”为另一个供应商或将系统的一部分换成另一个供应商。解决方案：积极追求和支持标准制定以提高互操作性；尽可能参与开放过程自动化论坛等联盟。要求他们的供应商紧密合作，开发和实施强调模块化的解决方案，并提供使用多供应商解决方案随时间升级的途径。在构建智能技术项目时，请考虑开源选项。挑战4：安全性22%的安全威胁来自工厂中当前和新出现的漏洞。智能工厂中物理系统和数字系统的结合可实现实时互操作性，但存在扩大攻击面的风险。由于大量机器和设备连接到智能工厂中的单个或多个网络，这些设备中的任何一个漏洞都可能使系统受到攻击。公司将需要预测企业系统漏洞和机器级操作漏洞。公司没有做好应对这些安全威胁的准备，许多公司依赖其技术和解决方案提供商来应对。解决方案：将OT和IT专业人员结合到智能项目团队中，以评估可能存在的漏洞。识别人员、流程、机器和网络威胁。了解供应商对设备和/或操作的升级，并预测漏洞的可能变化。开发“极端案例”分析，其中没有任何替代方案或功能可能是关键漏洞，但替代方案和/或功能之间的相互依赖性会导致或增加漏洞。为这些不明显的情况做好计划。挑战5：处理数据的增加18%的人表示处理数据的数量和速度以及感知都有所增加。随着AI用途的扩大，公司将面临更多数据，这些数据将以更快的速度以多种格式生成。人工智能算法需要更容易理解（即算法如何得出建议？），并且这些算法必须能够组合数据，通常是不同类型和时间范围的数据。解决方案：了解资产层面产生商业价值洞察和余额计算的数据；带宽;以及对实时（低延迟）控制反馈的需求。采样率预期反映机器或操作状态的变化。收集所有东西可能没有意义。在实施之前开发一个稳健的系统架构，以平衡计算需求和这些需求的位置（例如，边缘与云）、当前和未来的存储需求以及通信基础设施。
