欧美一区—二区—三区,av中出一区二区三区,中文字幕αⅤ一区二区

誤區一：工業物聯網只是個高科技看板只關注工業物聯網的數據收集和預測性維護功能，就好比只將飛機視作一種運輸工具，或只將互聯網看作線上信息的整合。事實上，工業物聯網（或是數字化轉型）代表著對價值**的全面反思：它能夠增加、提升和加速價值**。工業物聯網能夠幫助企業獲取和分析數據，將從中提取的洞見轉化為行動來解決問題，并加速決策制定流程。新冠疫情期間，流行病學家和醫學研究人員借助實時數據收集和分析技術，快速積累了海量洞見，大大加快了新冠肺炎治療方案、檢測方法和候選疫苗的推出。許多企業不缺少數據，而是缺乏數據的使用方法。有了數據湖和處理平臺的支持后，工業物聯網可以自動生成洞見并為用戶發送提醒，從而更為**地發現問題并采取行動。隨后，相關解決方案和洞見會在所有團隊、地點和應用程序上共享，讓價值在整個企業中得到成倍放大。工業物聯網系統的一體化能將實時收集的數據巧妙轉化為重要的**與戰略。當然，企業若想成功部署工業物聯網系統，就要全面且充分地理解其業務及價值**方式。這還意味著企業必須了解業務痛點，將工業物聯網的優勢真正落到實處，充分實現端到端價值**。因此，企業高管在制定業務戰略的同時，必須做好戰略決策，指導工業物聯網的部署。微軟（Ｍｉｃｒｏｓｏｆｔ）蘇州工廠在部署了工業物聯網之后，僅用極少的投資就打造出了新用例。該工廠在啟動機器學習后的短短幾個小時內，就識別出了位處淘汰邊緣的庫存。其業務戰略總監Ｄａｒｒｅｎ　Ｃｏｉｌ表示：“我們本身不缺數據，但物聯網技術讓我們真正看清了數據的本質。”借助物聯網技術，一個５人團隊僅用一年就為公司節省了近５００萬美元，并削減了兩億美元的庫存成本。在寶馬集團（ＢＭＷ　Ｇｒｏｕｐ），物聯網平臺是其所有數字應用程序的支柱，以極低的安裝成本和投入就可實現“即插即用”。互聯互通的數字工具箱可提升生產效率，讓員工在整個集團內快速分享實踐。誤區二：工業物聯網將取代人工人們擔心自動化會搶占就業機會。但其實，數字化轉型中應用的新技術也將催生新的就業機會。這些新工作能夠解放大量勞動力，使員工擺脫重復性和不健康的工作，并賦予他們新能力。對應用工業物聯網的企業而言，首要任務便是為員工提供再培訓，以充分發揮新技術的無限潛力。企業需要有人來管理機器、運行控制塔和數字孿生。他們希望員工能夠進行數字化績效管理，解讀從車間成千上萬個傳感器中提取的數據、找到提高產量的方法，并得出可落地的洞見。企業需要更多的ＩＴ人員來開發可訪問海量數據的應用程序。除去數據科學家、數據工程師和技術外，企業還需要招募各個領域的**、數字和分析翻譯人員，以及產品負責人。產品負責人會與業務和職能領導層，以及數據和技術**組成的團隊進行商討，識別問題并開發合適的數字解決方案（見下圖）。價值鏈的其他環節也必須展開再培訓：比如，企業可能需要在采購部門招攬更多的成本工程師，使用成本建模工具來評估設備和采購成本。員工若想**識別改進機遇，就必須接受培訓。企業需要教會員工全新的思考方式和行為方法，讓他們更多參與問題的解決，并制定能夠通過技術平臺在全企業范圍內推廣的本地解決方案，以達到效果。考慮到員工需要一系列新技能（不僅需要學習使用特定新技術，也要學習新的工作方式），一些企業正與高等教育機構攜手開發培訓課程。富士康工業互聯網以燈塔工廠獲選為契機成立燈塔學院，致力培養工業大數據人才，通過教育培訓和訓練實習，推動生態人才轉化與提升，成為國內企業自建的工業互聯網人才培訓基地。轉型團隊提供再培訓和資源，幫助員工提升能力、獲取指導及相關技能，以適應不斷變化的工作的需求。印度尼西亞礦業公司Ｐｅｔｒｏｓｅａ的領導層對主管和數千名一線員工展開了新數字工具方面的培訓。在數字訓練營中，該公司為選定的團隊成員提供了敏捷方法、大數據、ＩＴ安全和分析方面的教育。Ｐｅｔｒｏｓｅａ還開發了一款移動培訓應用程序，以游戲化的方式來實現持續學習，增添趣味性。比如，這款應用程序會以可視的方式來詮釋標準操作程序。它的另外一個好處是，能讓領導者隨時查看員工對新程序的理解程度。誤區三：工業物聯網需要新建設施一些企業領導者認為，老舊的設施會阻礙數字化轉型，因此必須更換。新設備固然必不可少，但構建工業物聯網不等同于新建一個“全自動化的‘熄燈’設施”。工業物聯網的大部分價值源于改善原有設施：比如連接和優化現有基礎設施，定期增加新機器。通過在現有設備上安裝傳感器、應用程序和網絡連接，企業可以收集數據并轉化為商業洞見，供員工輕松使用。從生產車間到整個價值鏈，工業物聯網和新技術都可以幫助員工有效管理數據。一級方程式賽車就是一個案例，極大地彰顯出工業物聯網能夠產生的直接價值。這些賽車一直都是高性能車，但直到傳感器出現之前，引擎蓋下的實時狀態對賽車手和工作人員而言都是未解之謎。如今，遍布發動機控制單元中的數十個傳感器可以從發動機、變速器、懸架和其他地方收集數據，并不斷傳送給賽道兩邊的工作團隊。這樣，團隊便可先行預判故障，并在故障出現時瞬時修復。在方程式這樣競爭激烈的環境中，工業物聯網能在幾乎不出錯的情況下優化賽車性能。對推廣第四次工業技術的工廠而言，有兩種新設備至關重要。一是整個生產車間中嵌入的大量傳感器，它們會實時收集生產率、設備利用率、機器故障、維護保養等方面的數據。二是使流程或任務標準化和自動化的新裝置。以生產線裝置為例，它可以自動記錄每分鐘通過的產品數量，或監測設備的振動水平以**預判維護需求。比新設施和新機器更重要的，是穩健的技術生態系統，以及具有擴展潛力的工業物聯網架構。麥肯錫邀請全球７００多家工業制造商的經理人參與了一項調查。有４０％以上的受訪者都認為，信息技術方面的缺陷是數字化過程中的主要挑戰——盡管數字化制造從定義上來看屬“技術驅動”。“燈塔工廠”是無需新設施或昂貴改造就能部署新技術的力證。寶山鋼鐵總部位于中國上海，該公司在其擁有４０年歷史的工廠中，部署了**的工業物聯網（用于流程優化）、人工智能（用于目視檢測）等一系列**技術。土耳其石化公司Ｐｅｔｋｉｍ有一家存在３５年之久的工廠，這家工廠在部署工業物聯網和其他數字解決方案后，成功提高了產量和質量，優化了能源使用，并建立了數字化維護系統。誤區四：唯有萬全的準備才能實現數字化萬全的準備不僅毫無必要，更不切實際，甚至可能適得其反。新冠疫情暴發后，企業普遍停工停產，這就給那些具備數字化能力的企業帶來了優勢——大環境瞬息萬變，但他們能在業務管理、員工溝通和保護股東利益方面先發制人。很多時候，企業會在規劃上花費太多時間。但事實上，成立一個數字化轉型辦公室，在其幫助下主動出擊更為重要。這個中心團隊會負責監督試點項目，并引導組織完成快速試錯。數字化轉型辦公室就像是一臺“發動機”，它能基于經過驗證的方法、實踐和領導者對轉型的整體愿景，幫助企業逐步擴展數字化項目。數字化轉型是一個持續的過程：我們對亞洲高管展開的調查顯示，有６４％的受訪者都稱他們仍處規劃階段，只有１７％的受訪者表示他們已經處于擴展階段。敏捷工作方法能夠促進企業進行快速開發，不斷完善及改進流程。敏捷方法能夠助力企業實現快速部署和快速迭代，從失敗中迅速總結經驗，并以更快的速度打造更好的產品。一家歐洲集團的領導層在認清盡早啟動和邊做邊學的重要性后，專門成立了一個數字化組織來推進集團內各種業務的數字化轉型，包括自動化、機床和制造系統等。這個數字化組織主要有兩大目標：一是改造現有業務，二是增加新的數字化收入流。誤區五：應用了工業物聯網之后，持續改進將成本高企許多企業的經驗表明，被動顛覆或是直接淘汰出局的代價更大。面對充斥全球數字經濟的挑戰與威脅，制造商如果因循守舊，堅持依靠傳統手段進行持續改進，則根本無法取得重大突破。企業若能擁有穩定的大數據流、工業物聯網帶來的實時洞見，以及更敏捷的思維和工作方式，便能在運營中嵌入持續改進流程，打造“下一個新常態”。任何轉型但凡成功都會“物有所值”。很多“燈塔工廠”的成功實踐都向我們有力證明：工業物聯網能夠帶來效率和生產率的提升，其促成的成本節約完全能夠抵消轉型投入。優化現有基礎設施后，企業能以設備投入來影響規模。隨著數字化轉型的不斷發展與推廣，成本和利潤優勢會變得越來越明顯。利用工業物聯網技術，一家全球工業機械制造商針對零配件開發了預測和可用性模型。該技術改善了公司針對全球不同地區建立的零部件需求預測。零配件的準備程度一躍升至９０％以上，庫存量減少了逾３０％，客戶服務滿意度得到了大幅提升。然而，效率和生產率的提升并非工業物聯網和其他數字技術所能帶來的益處。它們能使企業實現巨大飛躍，簡化整個價值鏈，并催生新的價值**機遇——從新的客戶解決方案、新的生產流程到新的合作伙伴關系等。一家全球電子產品制造商的經驗表明，向工業物聯網的升級無需過多投資。該公司擁有數十個生產設施和超過２．５萬名三班制員工，生產過程涉及眾多生產區域、生產線和工作站。由于生產設施和團隊彼此孤立，各個系統和設備生成的日常數據之間缺乏連接，公司很難從整體上了解每天的運營情況。但是，若將整個生產計劃系統完全換掉，將會是一項聲勢浩大、費時費力且代價不菲的工程。相反，該公司在所有生產線上都安裝了傳感器，以實時獲取設備效率和生產線效率等關鍵數據。獲取的數據會由一個工業物聯網平臺進行處理，以遠程績效看板的形式呈現，并為所有設施提供實時查看的自由。有了這種績效透明度后，該制造商成功拉齊了所有設施的生產率水平——僅在一年，就將生產率提升了１０％以上。此后，在工業物聯網系統的幫助下，該制造商一直保持著較高的持續改進水平，對問題的回應速度也不斷加快。誤區六：工業物聯網在新興經濟體的可行性低于發達國家新興經濟體的一些領導者擔心，工業物聯網遠遠超出了組織或地區的承受能力，其基礎設施的**程度也無法滿足發展要求。但其實，發展中國家的企業在工業物聯網，或是其他第四次工業技術方面的成功并非乏善可陳。發展中地區的企業很有可能更具優勢，因為原有設施和老舊系統對他們的桎梏要小得多。截至本文成稿時，“燈塔工廠”仍舊在中國（在４４家“燈塔工廠”中占１２家）。除去這１２家工廠外，還有約２０％的“燈塔工廠”位于包括巴西、捷克共和國、印度、印度尼西亞、羅馬尼亞和土耳其在內的其他新興經濟體。其中有一些“燈塔工廠”坐落于偏遠地區，其實體基礎設施的可靠程度可能并不高；另一些“燈塔工廠”則遠離大都市或技術中心，既沒有唾手可得的服務和知識，也沒有大量的技術人才可供選擇。然而，這些假定的缺點都沒有阻礙工業物聯網的發展。塔塔鋼鐵在印度的卡林加納加新建了一家工廠，它在很短的時間內就達到了滿負荷運行，遠遠落后于行業平均水平。隨著時間的推移，該公司逐步在數字和分析解決方案，以及提升團隊經驗與能力方面進行了重大投資。**分析技術的大規模應用極大地提高了原材料利用率、減少了停機時間，并改進了產品質量，從而實現了工廠績效的整體提升。印度尼西亞礦業公司Ｐｅｔｒｏｓｅａ擁有一個位于Ｔａｂａｎｇ的偏遠工地，在應用了包括卡車優化調度、實時性能監控和預測性維護在內的一系列技術后，該工地僅用了短短６個月時間便扭虧為盈。工業物聯網等第四次工業技術已成現實，隨之而來的階躍式改進和新增價值應該足以打消制造企業領導層的種種疑慮。當然，領導層也不應忽視其在推動數字化轉型中必須發揮的作用：唯有企業自上而下團結一心，才能在端到端實現工業物聯網和數字技術的真正價值。企業唯有挑起大梁，勇于主導這次數字化轉型，才能確保技術的廣泛應用、鞏固轉型的發展勢頭。對企業領導層而言，一步是明確一個清晰的愿景，然后判斷為了實現愿景所需的各項技術。當然，在此過程中免不了要遭遇失敗；但企業領導層應當吸取教訓，屢敗屢戰。企業應當鼓勵業務部門之間展開緊密合作，打造凝聚力。正如一位高管所言：“企業在推動數字化轉型的過程中必須要有一種強烈的緊迫感。”數字化轉型事關競爭優勢，沒有一家公司能夠做好萬全準備，拖延只會徒增痛苦，且往往會導致企業在技術方面進行徒勞的追趕。相反，企業必須牢記轉型是一項持續進行的工作，而敏捷模式則能助其向著目標不斷邁進。企業領導層必須思考，哪些額外的因素能夠幫助推進轉型，比如可擴展的工業物聯網架構，或是能夠提升效益的技術合作關系或生態系統。企業若能向員工展示數字化可帶來的積極影響，并持續提供就業崗位，便有望在員工、合作伙伴和企業之間實現共贏。

通過對國內外主流工業互聯網平臺的應用分析，可以發現平臺提升了企業信息化能力，增強了企業數據分析水平，還使得企業的資源調配更加靈活，并帶動企業應用從信息化到智能化的多層次發展，同時解決了企業三大方面的問題：一是推動信息化大規模部署，解決效率提升和成本降低的問題，信息系統和工業軟件遷移至平臺，依托平臺實現客戶關系管理、財務人力管理等應用，帶動信息化成本降低和大規模部署；二是推動工業數據深度分析挖掘，解決產品和服務價值提升的問題，基于平臺的大數據匯聚和分析能力，實現設備、生產、管理等場景的深層次優化和服務增值；三是推動業務商業模式的**，解決跨領域資源靈活調配和協同協作問題，通過平臺進行產業鏈、供應鏈、價值鏈各環節的實時連接和資源共享，以實現不同主體間的**協作和供需**對接。０１基于平臺的信息化應用得益于平臺的“連接＋數據可視化”能力，傳統的生產管理類信息化應用得到更為廣泛的普及。其中，在生產監控分析領域應用為廣泛，在物料管理、排產調度等方面也有初步探索。ＰＴＣ、微軟、思科、阿里云等企業的平臺均推出了面向生產過程可視化應用。這類應用主要提供數據匯聚和描述基礎，幫助管理者直觀了解工廠運行狀態。當然，這些只是初級的可視化、遠程監控等應用，借助更深層次數據挖掘分析企業能夠獲得更高價值回報。比如，工業互聯網服務商寄云科技協助世界知名汽車零部件制造商麥格納旗下格特拉克（江西）傳動系統有限公司（ＧＪＴ）實施智能制造戰略，成功解決了傳統ＭＥＳ在數據實時、真實和粒度等層面的不足，實現了更加**的ＫＰＩ追蹤，提升設備利用率、提高工人工作效率、保障企業營收。另外，基于平臺的“軟件上云＋簡單數據分析”在客戶關系管理、供應鏈管理和部分企業計劃資源管理領域也獲得應用，能有效降低中小企業軟件使用成本。如ＳＡＰ、Ｏｒａｃｌｅ、Ｓａｌｅｓｆｏｒｃｅ、微軟、用友浪潮、金蝶等企業提供大量管理軟件ＳａａＳ服務。如Ｓａｌｅｓｆｏｒｃｅ所提供的云化ＣＲＭ軟件服務已聚集超過１５萬客戶，同時除通用軟件工具之外，還提供基于社交網絡的客戶關系與需求分析，為中小企業提供銷售渠道服務。用友提供采購、供應鏈、物流、財務、人力資源等工業云服務，服務工業企業客戶４４萬家。０２基于大數據能力的深度優化基于平臺的大數據能力，以“模型＋深度數據分析”模式在設備運維、產品后服務、能耗管理、質量管控、工藝調優等場景獲得大量應用，并取得較為顯著的經濟效益。ＧＥ、西門子、ＡＢＢ、富士康等企業已經推出了上百個上述類型的應用服務，如Ｕｐｔａｋｅ幫助美國核電站ＰＡＬＯＶｅｒｄｅ，通過提高資產性能，實現每年１０００萬的成本節省，成本降低２０％；彩虹寄云智能工廠工業大數據項目助力知名平板顯示制造企業彩虹集團實現了數據可視化、生產透明化、質量可控化，并獲得了綜合良品率顯著提升，非計劃停機、運營成本等大幅減少等多種收益。０３平臺協同資源調配和模式**借助平臺整合產業鏈資源，探索智能制造、供應鏈協同等應用，成為部分企業的實踐選擇。如寄云ＮｅｕＳｅｅｒ平臺開放共享自身生產力，提高閑置設備的利用率，目前已對數千臺機床和鉆井機器提供數據監控和預測性維護功能。再如中船集團利用船海智云平臺對船舶制造企業、船用設備制造企業等開展納期監控等應用，提升供應鏈協同水平。基于平臺進行深層次的全流程系統性優化尚處在局部的探索階段。無論是產業鏈、價值鏈的一體化優化、產品全生命周期的一體化優化、還是生產與管理的系統性優化，都需要建立在全流程的高度數字化、網絡化和模型化基礎上，僅有個別龍頭企業具備相關基礎并開展了簡單實踐。

１工業產生轉型升級作用的路徑大數據系統軟件國家工程實驗室將工業產生轉型升級的作用的路徑，總結為加減乘除四個象限。所謂加和減就是智能制造。智能制造更關注于企業內部的事情，狹義的智能制造關注制造，即生產環節，廣義的智能制造則包含企業的全壽生命周期，從研發設計到生產制造再到運維服務。智能制造不外乎在在現有流程上加了一些東西、減了一些東西，它基本可以被總結為八個字：提質、增效、降本、控險。今天，智能制造做的事情就是加法和減法。但在這個時代光做加減法是不夠的，比如私募股權機構投資一個企業，企業每年做一點加法，投資人可能不會滿意，而是希望企業實現指數級的增長。如何實現？工業互聯網可能就是實現乘法和除法的路徑。乘法就是平臺效應。比如淘寶，容納無數的商店在它的平臺上開店掙錢，就是一個案例。但是在工業領域，是否可以構建一個工業互聯網平臺？以服裝行業為案例。傳統的第 一代的服裝企業，比如雅戈爾，有自己的設計、工廠、店面，即完整的產業鏈條。第二代服裝企業，比如海瀾之家，舍棄工廠選擇全代工生產，轉為做營銷，以門店為資產。互聯網時代的服裝企業，比如韓都衣舍，既沒有工廠也沒有店面，成本幾乎為零，所有的店面依賴淘寶，只負責快速設計、把控供應鏈，“總盤子”雖然不一定有傳統企業那么大，但是利潤率高。因此除法就是企業聚焦自己的核心競爭力。輕資產高利潤運營，這是未來中國中小企業**創業之道。打造工業互聯網的平臺生態，不是說只有這個平臺才能掙錢，但平臺上的每個人都有可能掙錢。２三個層次：工業大數據行業的分類　實驗室接觸了也做了很多與工業大數據的應用，并將其分為了三個層次。第 一個層次是單元級。即針對工業設備，不僅限于設備的遠程運維，還包括對設備故障的提前預警、故障分析，以及設備的優化運行、資產管理等等。首先我們需要將設備的運行狀態進行**的數字化測量，這種測量手段其實是將工業大數據的連續空間離散化。這個連續空間很復雜，而能測量的物理量、精度、傳感器數量都是有限的，所以全空間采樣無法實現。但隨著數字化水平提高、信息化進程推進、智能化應用迭代，未來的測量過程也會升級。第二個層次是工廠層次。這個層次不是關注單體設備，而關注整個工廠的運營效率、產品質量和安全、環保問題。工業講求的是包括人、物料、工藝、設備、環境在內的因素，在復雜的動態系統中能夠協同作用。假設把全中國都看作一個大工廠，怎么在產業鏈條上提升自己的效率？我們今天做工業大數據，做“智能＋”，就是這個用途。首先要回答數據在哪里，其實數據在任何一個地方。以前工業上管數據管的相對粗糙，傳統在信息化領域做的相對較好的是管理信息化，而現在很多工業數據只是用來做監控以及做故障發生時做數據的回放。這些數據拿來怎么做兩化融合（信息化和自動化的數據融合）沒有做。第三層次是怎么拿到其他人的數據？比如說挖掘機要自動化施工，需要了解ＧＩＳ數據、環境數據，但這些都不是傳統制造業企業擁有的數據。這說明今天工業大數據的內涵，比傳統的數據內涵要大得多。自動化以及跨界整體的數據，構成工業大數據的體系。３工業大數據的分類和挑戰實際上，工業數據有三個特點。第 一個特點是多模態。過去很簡單粗暴地將數據分成結構化數據、半結構化數據、非結構化數據，但工業企業不是這樣。今天看到的很多好像格式不一樣的、非結構化的工程數據，真正把它打開的時候是不一樣的。非結構化數據的使用效率取決于結構化的程度，只有結構化才可以被**利用；第二個特點是高通量，很多設備是不停機的，所有的數據是７＊２４小時連續產生的，量非常大；第三個特點是強關聯，在工業的不同行業，數據關聯遵循不同的規律而非簡單的聚合。所以工業大數據本身的特點帶來了非常多的挑戰。除了數據獲取的挑戰，隨之而來的就是數據分析、應用的挑戰。這里邊因果關系，即數據驅動的方法只能告訴我們關聯性，而無法不能告訴我們因果性。比如淘寶推薦商品，只知道推薦相關商品，卻不關心這個事情的因果——為什么用戶是這樣的人。但這在工業上是行不通的，尤其是控制方面，因此模型需要長時間的分析和驗證。工業領域存在白盒模型和灰盒模型，白盒模型即工業機理，企業會根據工業機理設計工序、產品結構和工藝，這是第 一步。當它們被設計完之后，運行中又會出現大量的不確定性，這些不確定性的消除靠的就是**、工匠的經驗，讓整個流程生產變得更加穩定和**，這是灰盒態。不再對機理和知識本身進行分析和理解的數據模型，是一種黑盒模型。工業大數據和工業智能的本質就是，將這些經驗和知識量化學習出來，挖掘心中有口中無的隱性知識，或者嘗試通過數據方法把統計關系找到，再交還給工匠分析。工業就是工業，它存在的時間比信息化時間長，積淀比信息化多，而大數據和人工智能技術只是給工業上帶來小的變化，嘗試幫它去消除不確定性。４大數據、人工智能在工業中的應用首先是智能制造。比如某個機床的良品率下降，那么機床可以猜到刀具可能磨損了，主動提出要換刀，或者爐溫過熱，就自主將溫度往下調兩度。如果設備可以自主告知、自主變化，而不是按照事先設定的邏輯來操作，這才是智能化。真正的數字化車間應該是什么樣的？分了三個層次：第 一層是大數據集成。以攀鋼為例，它做鋼軌問題是產品質量，很多鋼軌表面不平整，必須要修正。如果發現表面不平整會怎么辦？調整工會猜測原因、調試、再生產，經過很多迭代之后調穩。而大數據能夠建立數據集成體系，讓決策者看到每個鋼軌發生了什么、控制參數是什么、檢測參數是什么。這樣一個以物料為中心、以工序流程為軸的數據集成體系，能夠為調整工提供更多更好的決策信息；第二層是大數據統計分析。能不能將好的批次的數據和差的批次的數據進行疊加對比，看控制參數的差異？大數據可以猜測造成問題的原因，至少可以排序，讓調整工按照排序來做檢查和調整；第三層是機理模型。通過大量的數據和反饋，工業企業可以構建一個相對準確、正向的仿真模型，并在數字孿生體、數字空間進行調試，在工廠里進行測試，這就是數字孿生帶來的智能化體系。那么工業互聯網的邏輯對于智能制造來說改變了什么？從業務的角度來講，工業互聯網更多關注產業互聯網的邊界，而不關注企業內部的生產環節，它可以被總結成三個融合跨界：一是業務融合跨界，通過對產業鏈上下游業務邊界的拓展，企業可以嘗試整合上游的上游，也可以服務于下游的下游，我們是一個產業鏈協同視角下的大工廠；二是數據鏈條融合跨界，業務的拓展帶來了數據邊界的拓展，今天的數據不局限于企業原有的數據。比如說要服務于建造商，需要環境數據、操作數據、氣象數據；根本的是技術改變，相比ＩＴ技術的發展，工業軟件和ＩＴ產業不在一條發展曲線，但現在通過云計算技術可以輕量級地讓用戶做這樣的開發，對于激勵、知識的沉淀，可以在很多領域產生了技術溢出機會。工業互聯網平臺的出現，讓工業企業能將花大量時間研發的仿真模型有可能沉淀成小而精的新形態工業軟件。

一、工業互聯網平臺是人工智能應用的重要載體工業互聯網平臺覆蓋全流程生產數據。數據是應用人工智能的“燃料”。工業互聯網平臺從數據“量”和“質”兩個維度入手，提升工業場景數據集的廣度與深度，為人工智能應用提供支撐。從“量”的方面看，工業互聯網平臺匯聚了數以千萬計的設備和傳感器，對異構系統、運營環境、人員信息等要素實施泛在感知、**采集和云端匯聚，實現了海量數據的廣泛集成。從“質”的方面看，工業互聯網平臺通過構建設備、產品、系統和服務全面連接的數據交流網絡，充分挖掘實時有效的工業大數據，搭建數據自動流動的賦能體系，為深度學習的模型訓練提供**的訓練集、驗證集和測試集，切實提高人工智能模型自學習、自決策、自適應的有效性。工業互聯網平臺推動工業知識算法化。算法是人工智能應用的關鍵。工業互聯網平臺作為工業全要素、全產業鏈、全價值鏈連接的樞紐，打通了工業知識向工業算法轉化的通路，為構筑工業領域人工智能算法庫提供助力。一方面，工業互聯網平臺豐富了算法理論來源。依托工業機理基礎和數據模型分析，工業互聯網平臺將隱性的工業技術原理、行業知識和**經驗進行代碼化、算法化，重構了工業知識**和應用體系，面向特定工業場景提供針對性強、魯棒性高的算法。另一方面，工業互聯網平臺降低了算法開發成本。工業互聯網平臺通過提供開發環境和各類工具，助力開發者打造工業ＡＰＰ與微服務體系，將各類工業知識封裝成可交易的模塊組件，推動工業算法在更大范圍、更高頻次、更短路徑上**、傳播和復用。工業互聯網平臺構建協同算力資源池。工業場景具有環境參數復雜、工序步驟精細、實時性要求高等特點，應用人工智能技術對算力要求較高。工業互聯網平臺基于云架構匯聚企業內外算力資源，根據實際需要統一調配，搭建廣泛聚集、**協作的算力供給體系，為人工智能應用提供穩定的支撐保障。在企業內部，工業互聯網平臺匯聚內部算力資源構建算力資源池，針對不同時段、不同用戶和不同級別的算力需求，基于大數據分析統籌使用內部設備，提高設備使用效率。在企業外部，工業互聯網平臺對接各類算力提供商，通過租借、購買等方式，補充企業內部算力的不足，以提升整體算力水平，縮小人工智能應用需求和實際算力之間的差距。二、應用場景加快人工智能與工業互聯網平臺融合設備層：機器智能構建新型人機關系。企業依托工業互聯網平臺，在生產、控制、研發等領域的設備上運用人工智能技術，構建人機協同、互促共進的新型人、機、物關系。一是設備自主化運行，如復雜工料分揀、設備自運行等。機械臂、運輸載具和智能機床等產品，通過搭載機器學習算法、路徑自動規劃等模塊，實現對不同工作環境和加工對象的動態適應，提高設備操作的精度和復雜度。二是人機智能化交互，如動作識別、語音用戶界面等。應用語音識別、機器視覺等技術，打造人性化、定制化、**化的人機交互模式，提升控制裝備在復雜工作環境的感知和反饋能力。三是生產協同化運作，比如協作機器人、仿生工位等。利用人工智能技術將人機合作場景轉變成學習系統，持續優化運行參數，為操作員提供生產環境。例如，德國Ｆｅｓｔｏ公司基于仿生協作型機器人開發人機協作生產的智能化工位，可將人從重復性、危險性高的工作中解脫出來，提高了生產效率。邊緣層：邊緣智能提升邊緣側實時分析處理能力。邊緣智能技術通過協同終端設備與邊緣服務器，整合計算本地性與強計算能力的互補優勢，從而減少非必要的數據傳輸、降低模型推理延遲與能耗。具體有以下三類應用：一是智能傳感網絡。東方國信、寄云科技等企業通過建設智能網關，動態實現ＯＴ與ＩＴ間復雜協議的轉換，提供安全高速的數據連接與數據采集服務，強化對帶寬資源不足和突發網絡中斷等異常場景的應對能力。二是噪聲數據處理。天云網、海爾集團等通過智能傳感器采集數據，利用基于人工智能的軟件識別減小確定性系統誤差，提高數據精度，從而實現物理世界隱性數據的顯性化。三是邊緣即時反饋。思科、微軟等企業通過分布式邊緣計算節點進行數據交換，及時比對云端廣播的模型和現場提取的特征值，基于邊緣端設備實現本地快速響應和操作優化，減少云端運算壓力和處理延遲，實現云端協同。平臺層：大數據分析構建“數據＋認知”算法庫。工業互聯網平臺基于ＰａａＳ架構，打造由數據存儲、數據共享、數據分析和工業模型等組成的整體數據服務鏈，把基于數據科學和認知科學的兩類工業知識經驗沉淀在可移植、可復用的人工智能算法庫中。在數據科學領域，企業構建以機器學習、深度學習為核心的數據算法體系，綜合利用大數據分析、機器學習和智能控制等算法，通過仿真和推理解決已知的工業問題。例如，美國康耐視公司開發了基于深度學習的工業圖像分析軟件，能以毫秒為單位識別缺陷，解決傳統方法無法解決的復雜缺陷檢測、定位等問題，使檢測效率提升３０％以上。在認知科學領域，企業從業務邏輯原理出發，通過搭建以知識圖譜、**系統為代表的認知算法體系，解決機理未知或模糊的工業問題，如企業智能決策、風險管理等。實際上，西門子、ＩＢＭ、華為等公司通過構建供應鏈知識圖譜，匯集氣象、媒體、交通和物流等信息資源，大大提高了供應鏈風險管理效率。應用層：商業智能提升工業ＡＰＰ數據挖掘深度。開發者依托工業互聯網平臺提供的開發工具和框架，面向不同工業應用場景，開發搭載人工智能的特定工業ＡＰＰ，利用人工智能手段賦能現有生產過程，為用戶提供各類在平臺定制開發的智能化工業應用和解決方案。主要有以下幾類：一是預測性維護。利用機器學習方法擬合設備運行復雜非線性關系，提升預測的準確率，降低運維成本與故障率。德國ＫＯＮＵＸ公司結合智能傳感器及機器學習算法構建設備運行模型，使機器維護成本平均降低了３０％。二是生產工藝優化。依托深度學習繞過機理障礙，通過挖掘數據隱藏特征間的抽象關系建立模型，并找出參數組合。ＴＣＬ格創東智針對液晶面板的成膜工序，通過機器學習算法實現了關鍵指標的預測與品質優化，年收益達到近千萬元。三是輔助研發設計。通過應用知識圖譜、深度學習等技術構建設計方案庫，對設計方案提供實時的評估反饋。美國ＵＴＣ依靠知識圖譜解決了多個產品研發問題，設計出的換熱器傳熱效率能提高８０％，設計周期僅為原來的１／９。四是企業戰略決策。利用人工智能擬合工業場景中的非線性復雜關系，提取非結構化數據構建知識圖譜和**系統，為企業提供戰略方案選擇。美國初創公司Ｍａａｎａ聚焦石油和天然氣領域，協同應用知識圖譜與數據科學，為ＧＥ、殼牌、阿美等石油巨頭提供企業級決策建議。三、幾點建議夯實產業基礎，突破人工智能與工業互聯網平臺融合的關鍵共性技術。一是構建高質量的公共數據集。鼓勵滿足條件的工業互聯網平臺企業開放具備一定規模的生產環境、視頻圖像、文本對話等數據集，建立高質量的公共測試數據庫。二是加大算法研發應用力度。推動科研院所、行業龍頭企業開展協同研發和**應用，圍繞卷積神經網絡、遞歸神經網絡等算法開發相關工具，完善開發環境。三是提升算力支撐能力。引導和培育一批算力提供商和算力交易平臺，探索算力租賃、交易、托管等新服務模式。聚焦場景應用，引導加快面向工業互聯網平臺的人工智能產品開發。一是加快**智能設備研發。加快智能傳感控制、智能檢測裝配、智能物流倉儲等**技術裝備的開發，布局和積累一批核心知識產權。二是突破邊緣智能核心技術。**突破圖形處理器、現場可編程門陣列、專用集成電路等一批關鍵核心技術，提高硬件基礎支撐能力，實現圍繞邊緣設備的感知、控制、決策和執行等功能。三是加快行業機理模型沉淀。聚焦ＡＩ工業應用，建設工業互聯網模型算法公共測試驗證中心，堅持以測帶建、以測促用。四是培育基于ＡＩ的工業ＡＰＰ。引導工業互聯網平臺企業搭建制造業**中心，開放開發工具和知識組件，構建開放共享、資源富集、**活躍的工業ＡＰＰ開發生態。完善生態體系，構建工業互聯網平臺跨界融合新模式。一是強化示范引領。在現有工業互聯網平臺相關專項和試點示范中，增添人工智能方向的應用試點，加快推動復雜環境識別、新型人機交互等人工智能技術與工業互聯平臺融合發展。二是優化公共服務。面向語音識別、視覺識別、自然語言處理等領域，建設能夠提供知識圖譜、算法訓練、產品優化等共性服務的平臺和開源社區。三是增強人才儲備。鼓勵高等院校設置人工智能工業應用課程，開展人工智能專題教育和培訓，加緊培育一批急需的人工智能人才。四是加強宣傳推廣。通過開展現場會、人工智能大賽等形式，凝聚行業共識，提高公眾認識，挖掘做法，推廣典型案例，積極營造產業發展的良好氛圍。