新的智能化世界即将来临——我们准备好了吗?

工业企业正在加紧把智能系统集成到业务流程和工作流之中，并预估由此所带来的潜在效益。通过利用大数据、人工智能、机器学习和智能边缘系统获得智能化洞察，并5G和云计算进行近实时访问，由此构成了一个新的智能化世界。技术框架已经初现端倪。但是，众多的工业企业已经准备好利用这些机会了吗？

在工业环境中注入更高的智能：嵌入式设备、软件和数据几乎实时地结合在一起，从而实现关键任务系统的自动化运营，并通过云计算提供可操作的洞察和高度复杂的服务。

在我们的讨论过程中，物联网行业社区委员会小组成员观察到，利用人工智能和机器学习来推动商业智能和自动化工业应用，对于提高工作效率和整体绩效具有巨大潜力。对于目前的业务是如此，对于接下来的五年更具关键性。调查研究的数据清楚地反映了这种潜力——Gartner的数据显示，2014年至2019年间，企业对人工智能的应用增长了270%，而《福布斯》杂志指出，2019年人工智能的市场规模为270多亿美元，预计到2027年将达到近2670亿美元。

理事会成员考察的应用场景既包括传统低技术行业，也包括尖端行业。例如：

• 牲畜管理——在瑞典，农民使用物联网设备和人工智能来监控他们牧养的牲畜。通过人工将传感器安装在牛尾巴上，并将地理位置数据无线传输到AR耳机，农民可以轻松地发现和围捕任何一只迷路的牛。传统行业突然变成了高技术应用行业，而且为整个行业带来了更美好的前景。

• 制造业——人工智能、机器学习和智能算法在工厂环境中扮演着越来越重要的角色。电子产品制造商正在利用实时数据和数据反馈回路来训练算法，以便检查设备状况、监测设备利用率、制定主动维护策略，并对产品质量进行监督。不再需要停机维护，智能系统和预测性分析功能帮助制造商全面重塑工厂的运作模式，从而保障整个生产线处在连续运转状态。

• 库存控制——在各种供应链和物流系统中，智能、互联的机具随时收集数据，帮助企业分析货物损坏造成的损失，并改进整体库存管理。举例来说，大约有来自25家制造商的生产基地中6300万件产品的因为及时获得检测数据而免于造成损失——效果真是惊人！

• 装配线——虽然人工智能和机器学习在预测性用例中开始取得进展，但这些技术仍然主要用于辅助手工操作。其中一个例子是，重复性工作的模式识别技术支持工业机器人协助装配航空涡轮机。

• 安全关键流程——数字孪生已经用于建模、仿真和模拟核电厂运行，以便对核电厂的控制系统和安全关键流程进行改进或者实现自动化。

如前所述，在工业环境中引入智能系统的数字框架已经相当成熟。然而，前进的道路上确实存在一些障碍有待克服。工业物联网社区委员会的成员们已经发现哪些挑战？他们主要顾虑的问题有哪些？

物联网设备通常是比较简单小巧的，在设计时不一定会考虑到安全性，因此容易受到攻击。它们在网络威胁面前比较脆弱，而且由于它们常常处于网络的边缘，导致一些工业应用运营商感到他们的业务越来越难以掌控。此外，采用来自不同系统和多个供应商的数据，以及缺乏设备互联的标准方法，因而进一步加剧了安全性方面的疑虑。这里有些数字说明了这一点：

• 2020年，物联网设备造成了近33%的无线网络感染，是2019年的两倍多。高度依赖软件和基于智能系统的行业现在需要确保在智能系统生命周期的每一步都确保安全。

• 三分之二的物联网开发者使用开源软件，三分之一的开发者使用开源软件云原生架构。他们在数字化转型中最关心的三个问题是安全性、业务连接性以及数据收集和分析能力。

在当今的企业环境中，传统上由防火墙和端点保护技术保护的网络安全防线几乎消失了。现在，用户和设备标识是授予系统资源访问权限之前需要验证的关键因素。随着远程、在家工作越来越多取代本地、局域网内部通信以及越来越多的云、SaaS和仪表板应用软件，安全性风险越来越高。这些安全性问题的加剧提醒开发人员，需要整体解决安全性问题，而不是以单点防护的方式，同时强调加密和多因素身份验证。有些人认为，这是部署智能系统的一个关键性障碍，并指出需要自下而上设计一个新的、零信任安全体系结构，着眼于实现法规遵从性。

成功地跨入新的智能化世界，这依赖于有效管理海量数据的能力。据IDC报告显示，到2023年，边缘设备将产生超过60000 PB的数据，预计增长速度将是其他系统数据的六倍。由于边缘设备存储容量很小，这种困境引发了一下几个问题：

首先，如何决定那些数据是可靠且有用的——什么数据值得保留，什么数据应该丢弃？为了确定给定数据集的数据挖掘价值，需要设置数据参数。企业试图完成的使命什么，预期的结果是什么，以及成功的前提是什么？接下来，如果能够明智地决定保存哪些数据，那么存储器的问题就摆在了面前。需要一种全新的数据存储策略。在决定保留或丢弃数据之前，企业是否有足够的边缘计算设备来分析数据的价值？如果值得保存，保存在哪里？在云端还是本地？

不存在与生俱来的完美。算法需要经常进行微调，以提供有价值的结果。一种常见的做法是将现有的算法在容器数字孪生模型中离线训练，以便用于新的模式识别应用场景。这种做法允许开发人员开发只需开发一次算法即可，并构建一个算法库。这些算法可以在不同场景中进行部署和培训。这需要时间，但这是一个DevOps过程，与许多希望为其系统添加智能的企业协同推进。

经验丰富的人持续向前，但是很难找到背景和技能合适的后来人。幸运的是，学术培训机构正在努力填补建模和分析技术方面的技能空白。

关于新的智能化世界，工业物联网社区委员会（Industry IoT Community Council）对于现状和未来可能做出了一些观察，结果如下：

• 对智能系统的投资将继续增长。在新冠疫情之后，随着远程工作的持续增加以及对医疗和诊断应用的需求不断增加，资金将流入智能系统的开发。目前的芯片短缺也将推动半导体制造业的投资。通过智能系统寻求竞争优势的公司，在做出任何投资决策之前，必须首先具备可行的业务战略，并清楚地了解潜在的利益和障碍。

• 对于改善供应链上物流决策的需求将刺激创新。企业无法忍受发货延误给物流带来的现金压力。数字反馈回路对于信息充分的决策至关重要。

• 人工智能、智能传感器、大数据和区块链都将实现互操作。这是一个跨行业联盟和合作的旅程。

• 每个企业都需要采用云原生的工作方式。包括智能系统的开发和整个生命周期。

• 对于以机器学习为核心的系统，自我改进能力至关重要；联邦式人工智能（Federated AI）能够分配计算能力并保护隐私，这在构想应用场景和法规时至关重要。

• 寻找一条更平坦的前进道路；这不仅仅是对于技术问题，它对于人员问题也是如此。

技术不会取代人，它只会补充人类的智慧。这是一个在日常生活中努力实现改善和提高效率的过程。这也决定着我们的使命和目标。