工业互联网IIoT本应从“点”开始燎原,工业4.0“凉凉”？

工业4.0“凉凉”了吗？

最近有一篇流传较广的文章《德国工业4.0凉凉后，中国靠5G就能成功实现工业联网吗？》，文中谈到德国提出工业4.0后，推进与建设并不顺利，反而因为信息物理系统CPS的技术障碍和5G的到来，被迫停滞。

该文引用的重要论据是思科在2017年发布的一份报告，文中认为其调查结果显示：有四分之三的德国工厂认为“工业4.0计划”已经失败。

事实果真如此吗？

实际上，这份名为《物联网价值之旅The Journey to IoT Value》的报告中肯的谈到，60%的物联网项目在概念验证（PoC）阶段，因为安全性、复杂度、数据质量堪忧和互联互通不足等问题停滞不前。

只有26%的企业相信他们拥有一个完全成功的物联网项目。因此，不成功的物联网项目接近3/4的比例。

虽然大多数物联网项目失败了，但64%的受访者认为从中吸取的经验和教训，让他们加速了IoT投资。

实施物联网项目成功的组织有着相似的共性，他们在项目的各个阶段都更积极和开放的引入物联网生态合作伙伴。

60%的受访者强调，物联网项目往往在表面上看起来很好，但实际却比任何人预料的都要困难得多。

与上一比例接近，61%的受访者认为他们仍然停留在表象阶段，还没触及IoT价值的本质，但这反而意味着未来机会无限。

可见，该报告并非针对工业4.0，也不足以推断出工业4.0“凉凉”的结论。

工业4.0的愿景，在短期内可能面临各种纠结和挑战，从长期角度仍应坚决看好。

虽然文章的结论不够严谨，但该文也为我们敲响了警钟。

热炒与吹捧之后，迟早迎来寒冬。

“冷”是常态。

2000年，彼时的华为正高歌猛进，年营收创下220亿元，位居中国电子企业百强之首。就在此时，任正非写下了名篇《华为的冬天》——任正非的忧患和危机意识浸润了这家公司数十年，他们早早就在考虑，万一人家断了我们的粮食怎么办？明天倒下的会不会是华为？

与之类似，无论是工业4.0还是工业互联网IIoT，不必纠结于概念，都最好主动降温，而不是被寒冬撞上。

工业互联网，是从“面”上颠覆，还是从“点”上燎原？

对于工业互联网的发展路径，确实存在误解。在企业内部实现设备的广泛互联互通，很难一步到位。

大谈颠覆，最终往往被结局打脸。

此前一些人对工业互联网的发展规律有一些认知误区，以为IIoT可以迅速铺开，工业互联网云平台的普及速度堪比发射火箭。

当观察到GE的Predix“操作系统”在工业互联网领域盲目踏空，并忙不迭的及时止损之后，由于火箭瞬间“蒸发”的前后落差较大，这些人又开始“唱衰”工业4.0和工业互联网IIoT。

好在，更多的人理性客观的意识到工业互联网并不是一蹴而就，而其实是由“点”到“线”，再由“线”到“面”开展落地应用。

因此我们看到很多企业从云端穿透到边缘，脚踏实地的在最靠近现场的边缘侧下功夫，使得工业互联网的各种分析与应用在经济上变得更加可行。本文也会呈现一些最近的实例，供感兴趣的你参考。

在呈现实例之前，更值得关注的是工业互联网的商业模式问题。

工业互联网往往是硬件与软件搭配，到底怎么去赚钱？大家都想走上人生巅峰，从硬件的一锤子买卖，做到靠软件的可持续盈利，但这路该怎么走？

这些问题如果都有统一答案，工业互联网也就不会那么有魅力了。

从现阶段来看，工业互联网的硬件产品是小量多样的长尾市场。追求硬件利润的同时，很难赚取海量数据，这种商业模式经过多年的验证。

如果按部就班的按照这种商业模式推进，稳妥的确是稳妥，但是成长的天花板太低，往往陷在项目制的轮回中，无法自拔。

看到这种商业模式的短板，很多企业开始了转型的艰难之旅。

与此呼应，最终用户也开始希望不是在IIoT云平台上，而是在工业现场就能开展对运行数据的分析和处理。主要的好处包括：

• 实现从设备分析到企业决策的闭环；

• 降低（或省去）部署和运营 IT 系统的成本；

• 分担信息化平台的运转负荷；

• 数据运算与处理的实时性要求；

• 数据的本地化处理以提升系统的信息安全。

因此，市场嗅觉灵敏并可快速响应变化的企业，推出了功能相似的边缘侧软硬件一体化数据处理方案。

这些企业往往从预测性分析和智能决策作为切入点，犯其至难，而图其至远。

他们利用已经验证的高可靠性产品，推进硬件的标准化，增加人工智能分析能力，通过软件和系统形成差异化，并积极赚取数据、模型和经验，推进从数据到决策的流程，立足服务SaaS化和长期发展。

IIoT之中“图其至远”的最新尝试有哪些？

此前的文章中，我曾经提到已有公司研发出了最新一代的边缘控制器，搭载工业人工智能算法，满足用户对于预测性维护与分析的需求，并有越来越多的企业加入到这个赛道。

这里举3个例子：LogixAI分析模块、Sysmac AI控制器、Simatic S7-1500神经处理器。

市场上最新推出的LogixAI分析模块，新增了对异常状况进行预测性分析的能力。用户已经不需要在其中加装单独的应用程序，直接通过以太网端口接入模块，然后在 Web 浏览器上对相关应用模型进行参数配置，就可以实现对系统数据进行分析和预测的功能。

这款LogixAI在其中预先内嵌了相应的应用程序，进一步帮助用户省去了从数据采集到分析处理过程中应用软件开发与部署方面的工程投入，为其预测性应用提供了一套标准的自动化数据分析套件。

也就是说，LogixAI能够对控制系统的运行数据进行分析，并对可能出现的异常状况进行预测。从这个意义上讲，这款产品内部所集成的应用模型选项和预测分析算法自然就显得十分重要。

这套算法模型的维护更新和持续迭代，恰恰是其价值所在。按照官宣的说法，最终用户甚至不再需要数据科学家。

今后的现场数据分析就像处理“文字问题”一样简便。

以目前的信息看，LogixAI现已支持的应用模型主要有泵、锅炉、发电机以及一些自定义变量的阈值报警。

第二款产品是已经上市的Sysmac AI控制器，在异常检测的算法上使用“孤立森林”（Isolation Forest）机器学习引擎开发。

这个算法对内存要求很低，且处理速度很快，其时间复杂度也是线性的，非常适合高速实时处理，可以通过微调提高检测精度和准确性。同时，该算法还适用于多模态数据，可用于需要两种或多种操作模式的高度混合的产线。

目前，Sysmac AI边缘控制器的预测性维护能力主要是面向气缸、滚珠丝杠和传送带、同步轮...等机械传动部件。

最后的一款是SimaticS7-1500神经处理器。它使用英特尔MovidiusMyriad X 视觉处理器VPU，能够实现神经网络的高效处理。新模块配有USB 3.1接口和千兆以太网端口，通过SD卡获得训练过的神经系统中的功能。

传感器的数据和来自CPU程序的数据，在神经网络的基础上进行处理。借助机器学习算法，诸如生产工厂的视觉质量检验或图像引导的机器人系统等应用将得以有效实现。

SimaticS7-1500 NPU的优势体现在分拣/放置应用场景里，它可以助力移动机器人识别、分拣并放置随意摆放在箱子中的部件。此外，它在质检方面也将带来附加价值，例如利用联网摄像头所采集的图像或数据对神经网络进行不断训练，模块将像专家一样具备判断产品或工艺一致性、颜色和质量参数的知识。

正确的事往往都不那么容易。

上述这些预测性分析与数据决策产品目前仍处于比较早期的市场培育阶段。现阶段它们似乎更适合在生产品质管理、重点设备的预测性维护...等一些与经济效益密切相关的场景中使用。

虽然在现有的高可靠性产品上，增加人工智能算法和数据能力，已经看似完成了80%的工作，但最终完成从数据到决策的过程，还需要付出80%的努力才行。毕竟这些边缘侧的软硬件一体化方案，触发的商业模式变革将是深层次的：

首先，工业互联网厂商与最终用户之间不再是简单的买卖关系，而是共同完成新方案的探索与应用。过程中可能还会涉及复杂的数据共用和知识产权共享等问题，开放的心态不可或缺。

其次，在商业模式转型的过程中，工业互联网企业将会涉及到从卖硬件到卖软硬件一体化系统、从卖产品到卖服务，从一次性销售到长期运营的转变。售前咨询的能力和项目运营的本领都要经受非一般的考验。

最后，工业互联网厂商和最终用户是否能够共同将蛋糕做大，把IIoT创造的收益锁定在企业内部，而不是引发新一轮的低价竞争？单个设备与单一产线的数据分析，是否能够与周边配套环节打通，提升整个企业的决策效率并持续进化，实现对客户需求的快速响应？这些课题都要通过实战求解。

大家还只是刚刚起跑。