根据近期公布的数据《2021-2026年工业人工智能和人工智能市场报告》，人工智能在工业环境中的采用率在两年多的时间里从19%上升到31%。除了31%已在其运营中全部或部分推出人工智能技术之外，另有39%目前正在测试或试用该技术。人工智能正在成为全球制造商和能源公司的关键技术。物联网分析预测，工业人工智能解决方案市场将呈现强劲的后疫情复合年增长率（CAGR）35%，到2026年，市场规模将达到1021.7亿美元。数字时代催生了物联网。可见，人工智能的出现加快了物联网的发展步伐。今天我们就来盘点推动工业AI和AIoT兴起的因素。驱动因素1：越来越多的工业AIoT软件工具2019年，当物联网分析开始覆盖工业AI领域时，运营技术(OT)供应商提供的专用AI软件产品很少。从那时起，许多OT供应商以面向工厂车间的AI平台形式开发和交付AI软件解决方案，从而进入AI市场。数据显示，近400家供应商提供AIoT软件。过去两年，加入工业人工智能市场的软件供应商数量显着增加。在研究期间，IoTAnalytics确定了634家供应商为制造商/工业客户提供AI技术。在这些公司中，有389家(61.4%)提供人工智能软件。新的人工智能软件平台专注于工业环境。除了Uptake、Braincube或C3AI等软件扩展之外，越来越多的运营技术(OT)供应商正在提供专门构建的AI软件平台。示例包括ABB的Genix工业分析和人工智能套件、罗克韦尔自动化的FactoryTalk创新套件、施耐德电气的自主生产顾问平台，以及最近的特定附加组件等。其中一些平台针对广泛的用例。例如，ABB的Genix平台提供高级分析，包括预构建的应用程序和服务，用于运营绩效管理、资产完整性、可持续性和供应链效率。大公司正在将他们的AI软件工具产品带到车间。人工智能软件工具可用性的提高也与AWS、微软和谷歌等超大规模企业开发的新的特定用例软件工具密不可分。例如，2020年12月，AWS发布了AmazonSageMakerJumpStart，这是AmazonSageMaker的一项功能，可提供一组预构建和可定制的解决方案，只需单击几下即可部署。特定于用例的软件解决方案正在推动可用性的提高。特定于用例的软件套件，例如那些专注于预测性维护的软件套件，正变得越来越普遍。IoTAnalytics观察到，2021年初使用基于AI的产品数据管理(PdM)软件解决方案的供应商数量增加到73采用数据增强技术。驱动因素2：AI解决方案的开发和维护正在简化自动化机器学习(AutoML)正在成为标准产品。由于与机器学习(ML)相关的任务的复杂性，机器学习应用程序的快速增长产生了对无需专业知识即可使用的现成机器学习方法的需求。由此产生的研究领域，即机器学习的渐进式自动化，被称为AutoML。多家公司正在利用该技术作为其AI产品的一部分，以帮助客户开发ML模型并更快地实施工业用例。例如，2020年11月，SKF宣布了一款基于AutoML的产品，该产品将机器过程数据与振动和温度数据相结合，以降低成本并为客户启用新的商业模式。机器学习操作(MLOps)简化了模型管理和维护。机器学习操作的新学科旨在简化制造环境中的AI模型维护。AI模型的性能通常会随着时间的推移而降低，因为它受到工厂内多种因素的影响（例如，数据分布和质量标准的变化）。因此，模型维护和机器学习操作成为满足工业环境高质量要求的必要条件（例如，性能低于99%的模型可能无法识别危及工人安全的行为）。近年来，许多初创公司加入了MLOps领域，包括DataRobot、Grid.AI、Pinecone/Zilliz、Seldon和Weights&Biases。老牌公司已将机器学习操作功能添加到其现有的AI软件产品中，包括Microsoft，它在AzureMLStudio中引入了数据漂移检测。这种新功能使用户能够检测导致模型性能下降的输入数据分布变化。驱动因素3：AI应用于现有应用程序和用例传统软件提供商正在添加AI功能。除了现有的大型横向人工智能软件工具，如MSAzureML、AWSSageMaker和GoogleCloudVertexAI，传统的软件套件，如计算机化维护管理系统（CAMMS）、制造执行系统（MES）或企业资源规划（ERP）))现在可以通过注入AI功能得到显着提升。例如，ERP供应商EpicorSoftware正在通过其Epicor虚拟助手(EVA)为其现有产品添加AI功能。智能EVA代理用于自动化ERP流程，例如重新安排制造作业或执行简单查询（例如，获取有关产品定价或可用零件数量的详细信息）。工业用例正在通过使用AIoT进行升级。通过将AI功能添加到现有的硬件/软件基础架构，可以增强多个工业用例。一个生动的例子是质量控制应用中的机器视觉。传统的机器视觉系统通过配备有专门软件的集成或离散计算机处理图像，该软件评估预定参数和阈值（例如，高对比度）以确定对象是否表现出缺陷。在许多情况下（例如，具有不同布线形状的电子组件），误报的数量非常多。然而，这些系统正在通过人工智能复活。例如，工业机器视觉供应商康耐视于2021年7月发布了一款新的深度学习工具（VisionProDeepLearning2.0）。新工具与传统视觉系统集成，使最终用户能够在同一应用程序中将深度学习与传统视觉工具结合起来，要求精确测量划痕、污染和其他缺陷的苛刻医疗和电子环境。驱动力四：工业AIoT硬件AI芯片快速提升。嵌入式硬件AI芯片发展迅速，多种选择支持AI模型的开发和部署。例如，NVIDIA最新的图形处理单元(GPU)A30和A10于2021年3月推出，用于推荐系统和计算机视觉系统等人工智能用例。另一个例子是谷歌的第四代张量处理单元(TPU)，它们是功能强大的专用集成电路(ASIC)，可以针对特定AI工作负载（例如，对象检测、图像分类和推荐基准）进行模型开发。并实现高达1000倍的效率和部署速度。使用专用AI硬件可将模型计算时间从几天缩短到几分钟，并且在许多情况下已被证明可以改变游戏规则。强大的AI硬件可通过按使用付费的模式立即获得。Hyperscalers不断升级他们的服务器，使计算资源在云中可用，以便最终用户可以实施工业AI应用程序。例如，2021年11月，AWS宣布全面发布其最新的基于GPU的实例AmazonEC2G5，该实例由NVIDIAA10GTensorCoreGPU提供支持，可用于各种ML应用程序，包括计算机视觉和推荐引擎。例如，检查系统供应商Nanotronics利用其基于AI的质量控制解决方案的AmazonEC2实例来加速处理作业，并在微芯片和纳米管的制造过程中实现更准确的检查率。结论和展望AI即将出厂，它将在新的应用程序中无处不在，例如基于AI的PdM，并作为对现有软件和用例的增强。大型企业正在推出多个AI用例并报告成功，大多数项目都显示出很高的投资回报率。总而言之，云、物联网平台和强大的人工智能芯片的兴起为新一代软件和优化提供了平台。
