“工業邊緣智能”分論壇上，物聯網智庫主編王蘇靜發表了題為《工業未來趨勢展望》的精彩演講。

以下為演講全文：

大家好！今天分享的演講主題為《工業未來趨勢展望》，既然我的主題是工業領域的未來趨勢，那就必須先來看看工業領域的現狀是怎樣的。

當下，工業圈最熱的詞兒莫過于工業 4.0、工業互聯網、智能制造這幾個，可能在座的大家早就聽得耳朵快起繭子了，也讀過很多專家、學者們分析這些概念的文章。然而，今天我想以另外一個角度來呈現一下這些概念的發展歷程，那就是媒體宣傳的角度。

因為我們物聯網智庫是最早一批關注這個領域的平臺，所以五六年前就和國內外很多準備進軍智能制造和工業互聯網的企業達成了深度合作幫他們搞宣傳——其中既有想轉型的工業巨頭，也有雄心勃勃的初創企業，還有一些乍一聽名字好像和工業沒有啥關系的通信企業和互聯網企業……

既然要宣傳，那么首先就得確定宣傳重點和宣傳口徑是啥吧，于是，隔山差五我就會和這些企業的市場部人員坐在一起，討論說咱們對外傳達點兒啥東西~

14 年 15 的時候，工業互聯網在行業里還是個新鮮詞兒，那時候我們一發文章就會有讀者在我們后臺留言問，啥是工業互聯網啊？工業 4.0 和智能制造有啥區別啊？于是我們一合計，覺得當時最應該做的就是概念普及工作。

基于這一方針，那個時候我們寫文章的套路就是，一篇文章告訴你什么是工業互聯網，一篇文章告訴你什么是工業 4.0，一篇文章告訴你某某概念和某某概念有什么區別，然后最后再加上一點兒某某企業非常高瞻遠矚，已經開始布局該領域了。

至于怎么布局，從來都不細講。為啥？因為沒法講，當時找我們宣傳的企業大部分自己也不知道具體路該怎么走？

時間來到 2015 年 5 月，國務院正式印發《中國制造 2025》，由 2013 德國漢諾威工業博覽會掀起的工業 4.0 浪潮算是真正席卷了中國制造的大地。在政策的助推下，這個領域涌入了不計其數的企業，只要但凡能和智能制造扯上點兒關系的，就一定得蹭上一波熱度。

我印象比較深刻的是當時有一家宣傳賣補腎保健品的傳銷公司找上了我，要我們幫他們投廣告做宣傳。我非常明確的告訴他，我們是個科技領域的號，你這玩意兒和我們一點邊兒都沾不上，沒法幫你宣傳。結果那負責人還挺硬氣，直接拿出一版文案甩給我，上面講了他們是如何如何用趕超德國的智能制造技術生產腎寶產品的，看的我是哭笑不得——這足以見得那個時候相關概念的火熱。

另一個在當時火的一塌糊涂的概念是工業互聯網平臺，受革命先驅通用電氣 Predix 的影響，聲稱自己要搞工業互聯網平臺的企業如雨后春筍一般紛紛冒出。記得那個時候 IoTAnalytics 發布了一份研究報告，統計數據顯示 2017 年全球物聯網平臺企業已經有 450 家，其中超過一半都是工業互聯網平臺，行業的狂熱程度幾乎到達了到頂峰。

大家的狂熱也可以理解，移動互聯網時代創造的價值實在是令人目眩神迷，十年前的我可能怎么也想不到，現在我可以用手機刷網頁、看視頻、叫外賣、支付、打車……如果工業世界也存在一個類似手機應用商店和對應的開發者平臺，里面有各種用途的軟件可供工業客戶去下載和使用，那么平臺商是不是能在工業領域再造安卓 /IOS 的輝煌？

然而，現實很快就給大家潑了盆冷水，做著做著，大家就發現這工業互聯網平臺簡直太多坑了。一方面，建平臺是一件費時費力費錢的浩大工程，身為開山鼻祖的 GE Digital 部門尚且抗不過巨大的現金流壓力，何況本錢無法與之相比的后來者們；另一方面，工業領域的一個典型的特征是“隔行如隔山”，如何從中提煉同質化的共性需求，也是對企業內功的巨大考驗。

于是，由于地基不穩，房子又建的太快，我們眼睜睜的看著一座座新起沒多久的高樓又塌了。

有些年前還意氣風發的創業者，年后問我有沒有合適求職的公司可以推薦一下；有些企業拿到融資的時候在市場宣傳上撥錢撥的毫不手軟，最后想找人要尾款的時候卻微信不回、郵件不理；海有些開始被追捧為行業經典標桿，引得無數同行前去參觀學習的項目，最后卻一地雞毛，被大罵騙子等等等等……諸如此類，不勝枚舉。其中一個標志性事件是在 2018 年下半年，GE 傳出要為 Predix 尋求買家的消息，行業開始陷入迷惘：未來究竟何去何從？

但凡事都有兩面性，這些失敗也給那些還沒有放棄的探索者們留下了寶貴的經驗。他們開始思考，自己究竟能為行業創造怎樣的價值？

于是，從去年開始，我看到很多企業一改過去談概念畫大餅的作風，開始變得越來越踏實。這從宣傳口徑上也得到了明顯的體現，大家不想再去講酷炫的無人工廠之類的東西，而是講我怎么用數字化解決方案幫你提高產品質量，怎么幫你降低運營成本，怎么增加你產線的柔性，怎么提高你的客戶滿意度，哪怕做出來的方案沒有想象中那么高級、那么酷炫，但我實實在在的為你創造了價值。

所以，助力千行百業實現數字化升級、數字化轉型，成為了這一年多來解決方案提供商反復去強調的重點。在此期間，我也受邀前去很多企業的工廠參觀了他們已經落地的案例，有不少確實令人感到驚喜。作為一個行業媒體人，我很高興能看到這樣的轉變。

縱觀宣傳風格變化的這四個階段，其趨勢變化剛好和 Gartner 著名的“技術成熟度曲線”相對應——從誕生后逐漸受到關注；到在資本和聚光燈的追捧下來到峰頂；到泡沫被戳破跌入谷底；再到慢慢趨于理性和成熟，一項新的技術終于開始真正的為行業創造價值。

轉眼，時間來到 2020 年，是非常特殊的一年。具體特殊在哪里？我想用一個比喻來說明。

如果將中國工業比作一名長跑運動員，那么過去幾十年他都處于“一路狂奔”的狀態。改革開放初期，我國制造業增加值尚不及美國的 1/6，到了 2010 年就一舉超過了美國。狂奔至今，我們已經擁有全世界最完整的工業體系，從“一窮二白”到“世界最全”，中國工業的增長速度創造了世界奇跡。

疾馳的步伐雖然會一路趕超不少競爭對手，但卻存在肌肉酸痛的隱患，就如同當前的中國工業面臨著“大而不強”的隱憂。發展方式粗放、環境代價巨大、自主創新不強等等…都是中國工業必須跨越的障礙。

尤其是 2020 年突如其來的新冠疫情，它就像是長跑賽道上突然滾下來的一塊巨石，讓我們前進的步伐被迫放緩，同時也給業界敲響了一記振聾發聵的警鐘——未來確實存在像新冠疫情這樣的極端情形，如果制造企業沒有足夠的“韌性”，只能坐以待斃。

我剛才提到了一個詞“韌性”，這又是今年特別流行的一個宣傳口徑。韌性是啥意思？就是物體受外力作用時，產生變形而不易折斷的性質。疫情就是這個突然施加的外力，企業韌性就是其應對復雜性和不確定性的能力。

什么樣的企業具有韌性？數據調查顯示，往往是那些在數字化轉型方面取得了良好甚至卓越成效的企業。

這些跑在前面的企業，并沒有遭遇供應鏈斷裂或者業務運營受阻的窘境，他們有的采用遠程方式維持了工廠的正常運營，有的快速調整產線開始生產口罩機和呼吸機，還有的實現了全球供應鏈布局的快速協同……

所以，如果只用一個詞來回答工業的未來在哪里的話，我的答案是“數字化”。在數字化這個大的主題下，我想分享三個大的趨勢：

數字孿生

所謂數字孿生，就是物理實體的數字化鏡像。數字孿生通過將物體、系統、流程的信息，利用數字技術實時映射在數字化系統中，對產品、制造過程乃至整個工廠進行虛擬仿真，從而讓企業實時了解資產的狀態、響應變化，改善業務運營，創造新的價值。

數字孿生的優勢在于什么地方呢？我覺得有個應用特別值得一說，就是虛擬調試：過去，我們在設計產品時往往是很被動的，“后知后覺”的，比如設想了一個絕妙的概念，實際執行時才發現處處是坑；產品設計看起來完美無暇，實際調試時卻發現處處不通。

“后知后覺”可能會付出高昂的代價，虛擬調試技術則為解決這些問題提供了一種“先覺先知”的思路。它可以在虛擬世界中構建物理實體的“數字化雙胞胎”，以在產品實際制造和調試之前就提前測試、驗證產品設計的合理性，從而幫助企業縮短研發周期、提升效率、降低成本。

例如，在礦業領域，選矸工是一種非常辛苦的職業。他們的工作任務是將采礦過程中混入礦石中的巖石一塊一塊手動挑出，以確保原煤的回收率，避免后續設備損傷及電力損耗。為了解決這些問題，國內有家企業推出了一款革命性的智能選矸機。利用人工智能視覺識別技術，選矸機可以辨別輸送帶上的物料，再由動作系統里的機械爪將所需矸石或原煤抓取出來。然而，他們的產品遇到了很大的挑戰，由于各個礦場的選矸率要求都不盡相同，因此設備供應商需要為客戶提供定制化的產品，而設備的選矸率預測一直是行業內的技術難點。對于客戶要求的特定選矸率，設備究竟要使用幾個機械手，以怎樣的節拍才能實現？如今，依靠虛擬調試技術，客戶可以輕松計算出選矸率。這不僅避免了重復修改和返工帶來的額外成本，也縮短了現場的調試驗收時間。

知識圖譜

知識圖譜這一名詞在 2018 年被 Gartner 第一次加入新興技術成熟度曲線。正如其名，它是一系列顯示知識發展進程與結構關系的不同的圖形，用可視化的技術，描述知識資源及其載體，挖掘、分析、構建、繪制和顯示知識及它們之間的相互關系。

由于知識圖譜非常適合分析從非結構化資源中提取的數據，而工業領域恰好具有數據量大、數據種類多，數據不夠結構化等特性，所以目前有越來越多的企業將知識圖譜應用在物聯網和工業互聯網領域，他們運用知識圖譜充分挖掘事物背后客觀的隱性關系，將這種隱形關系轉化為可計算數據，并且以可視化的形式展示在人們面前。

邊緣智能

千呼萬喚始出來，終于講到了我們今天分論壇的主題——工業邊緣智能。從名字來看很好理解，邊緣智能就是邊緣計算和人工智能的融合體。

邊緣計算大家都很熟悉，我很喜歡用一個比喻，就是云計算是 “集中供水”模式。大家需要計算資源，擰開水龍頭用多少就行。然而，隨著數據的指數級激增，以云計算為代表的“集中式供水模式”存在很多問題：首先，每家每戶用水量的增加使得水廠有些不堪重負；其次，水從水廠流到水龍頭需要一定的延遲時間；最后，一旦供水廠出現問題，就會影響到整張供水網絡的運作……于是，人們開始思考，能否在靠近水龍頭的地方安裝一個“應急水箱”來應對這些挑戰呢？邊緣計算這種分布式計算模式由此興起。

然而邊緣計算的部署位置也限制了它的計算能力，但是在引入 AI 技術后，邊緣的智能分析能力有所提高，在邊緣處實現機器學習成為極為可行的技術趨勢。

現在，我們可以在更加靠近用戶和數據源頭的網絡邊緣側這一位置訓練和部署深度學習模型，從而改善 AI 應用的性能、成本和隱私性。同時使得智能更加貼近終端用戶，解決人工智能落地的“最后一公里”問題。

具體概念就不講了，直接分享一個我看過的案例。

例如，在某企業的數字化工廠里生產的 PLC 設備里有大量的 PCB 板，PCB 板在焊接的時候會有很多的錫珠。工廠為了保證質量，配備了自動化光學檢測設備。這些設備為了要確保沒有任何缺陷樣本流入后續環節或市場，所做的檢測非常苛刻。在這種苛刻的檢測下，就會出現“假錯”的情況，從而造成很多成本上的浪費。為了避免這種情況的發生，需要增加人工復檢臺把“假錯”甄別出來。很明顯，人工檢查效率低下，費時費力。而現在，通過邊緣智能的技術可以把人工復檢臺替換掉，通過 AI 把“假錯”甄別出來，再通過自動化方法把產品送回生產線。這樣一方面可以減少重復性勞動，另一方面也可以提高生產效率。

編輯：hfy