最近有一篇流傳較廣的文章《德國工業4.0涼涼后，中國靠5G就能成功實現工業聯網嗎？》，文中談到德國提出工業4.0后，推進與建設并不順利，反而因為信息物理系統CPS的技術障礙和5G的到來，被迫停滯。

該文引用的重要論據是思科在2017年發布的一份報告，文中認為其調查結果顯示：有四分之三的德國工廠認為“工業4.0計劃”已經失敗。

事實果真如此嗎？

實際上，這份名為《物聯網價值之旅The Journey to IoT Value》的報告中肯的談到，60%的物聯網項目在概念驗證（PoC）階段，因為安全性、復雜度、數據質量堪憂和互聯互通不足等問題停滯不前。

只有26%的企業相信他們擁有一個完全成功的物聯網項目。因此，不成功的物聯網項目接近3/4的比例。

雖然大多數物聯網項目失敗了，但64%的受訪者認為從中吸取的經驗和教訓，讓他們加速了IoT投資。

實施物聯網項目成功的組織有著相似的共性，他們在項目的各個階段都更積極和開放的引入物聯網生態合作伙伴。

60%的受訪者強調，物聯網項目往往在表面上看起來很好，但實際卻比任何人預料的都要困難得多。

與上一比例接近，61%的受訪者認為他們仍然停留在表象階段，還沒觸及IoT價值的本質，但這反而意味著未來機會無限。

可見，該報告并非針對工業4.0，也不足以推斷出工業4.0“涼涼”的結論。

工業4.0的愿景，在短期內可能面臨各種糾結和挑戰，從長期角度仍應堅決看好。

雖然文章的結論不夠嚴謹，但該文也為我們敲響了警鐘。

熱炒與吹捧之后，遲早迎來寒冬。

“冷”是常態。

2000年，彼時的華為正高歌猛進，年營收創下220億元，位居中國電子企業百強之首。就在此時，任正非寫下了名篇《華為的冬天》——任正非的憂患和危機意識浸潤了這家公司數十年，他們早早就在考慮，萬一人家斷了我們的糧食怎么辦？明天倒下的會不會是華為？

與之類似，無論是工業4.0還是工業互聯網IIoT，不必糾結于概念，都最好主動降溫，而不是被寒冬撞上。

工業互聯網，是從“面”上顛覆，還是從“點”上燎原？

對于工業互聯網的發展路徑，確實存在誤解。在企業內部實現設備的廣泛互聯互通，很難一步到位。

大談顛覆，最終往往被結局打臉。

此前一些人對工業互聯網的發展規律有一些認知誤區，以為IIoT可以迅速鋪開，工業互聯網云平臺的普及速度堪比發射火箭。

當觀察到GE的Predix“操作系統”在工業互聯網領域盲目踏空，并忙不迭的及時止損之后，由于火箭瞬間“蒸發”的前后落差較大，這些人又開始“唱衰”工業4.0和工業互聯網IIoT。

好在，更多的人理性客觀的意識到工業互聯網并不是一蹴而就，而其實是由“點”到“線”，再由“線”到“面”開展落地應用。

因此我們看到很多企業從云端穿透到邊緣，腳踏實地的在最靠近現場的邊緣側下功夫，使得工業互聯網的各種分析與應用在經濟上變得更加可行。本文也會呈現一些最近的實例，供感興趣的你參考。

在呈現實例之前，更值得關注的是工業互聯網的商業模式問題。

工業互聯網往往是硬件與軟件搭配，到底怎么去賺錢？大家都想走上人生巔峰，從硬件的一錘子買賣，做到靠軟件的可持續盈利，但這路該怎么走？

這些問題如果都有統一答案，工業互聯網也就不會那么有魅力了。

從現階段來看，工業互聯網的硬件產品是小量多樣的長尾市場。追求硬件利潤的同時，很難賺取海量數據，這種商業模式經過多年的驗證。

如果按部就班的按照這種商業模式推進，穩妥的確是穩妥，但是成長的天花板太低，往往陷在項目制的輪回中，無法自拔。

看到這種商業模式的短板，很多企業開始了轉型的艱難之旅。

與此呼應，最終用戶也開始希望不是在IIoT云平臺上，而是在工業現場就能開展對運行數據的分析和處理。主要的好處包括：

實現從設備分析到企業決策的閉環；

降低（或省去）部署和運營 IT 系統的成本；

分擔信息化平臺的運轉負荷；

數據運算與處理的實時性要求；

數據的本地化處理以提升系統的信息安全。

因此，市場嗅覺靈敏并可快速響應變化的企業，推出了功能相似的邊緣側軟硬件一體化數據處理方案。

這些企業往往從預測性分析和智能決策作為切入點，犯其至難，而圖其至遠。

他們利用已經驗證的高可靠性產品，推進硬件的標準化，增加人工智能分析能力，通過軟件和系統形成差異化，并積極賺取數據、模型和經驗，推進從數據到決策的流程，立足服務SaaS化和長期發展。

IIoT之中“圖其至遠”的最新嘗試有哪些？

此前已有公司研發出了最新一代的邊緣控制器，搭載工業人工智能算法，滿足用戶對于預測性維護與分析的需求，并有越來越多的企業加入到這個賽道。

這里舉3個例子：LogixAI分析模塊、Sysmac AI控制器、Simatic S7-1500神經處理器。

市場上最新推出的LogixAI分析模塊，新增了對異常狀況進行預測性分析的能力。用戶已經不需要在其中加裝單獨的應用程序，直接通過以太網端口接入模塊，然后在 Web 瀏覽器上對相關應用模型進行參數配置，就可以實現對系統數據進行分析和預測的功能。

這款LogixAI在其中預先內嵌了相應的應用程序，進一步幫助用戶省去了從數據采集到分析處理過程中應用軟件開發與部署方面的工程投入，為其預測性應用提供了一套標準的自動化數據分析套件。

也就是說，LogixAI能夠對控制系統的運行數據進行分析，并對可能出現的異常狀況進行預測。從這個意義上講，這款產品內部所集成的應用模型選項和預測分析算法自然就顯得十分重要。

這套算法模型的維護更新和持續迭代，恰恰是其價值所在。按照官宣的說法，最終用戶甚至不再需要數據科學家。

今后的現場數據分析就像處理“文字問題”一樣簡便。

以目前的信息看，LogixAI現已支持的應用模型主要有泵、鍋爐、發電機以及一些自定義變量的閾值報警。

第二款產品是已經上市的Sysmac AI控制器，在異常檢測的算法上使用“孤立森林”（Isolation Forest）機器學習引擎開發。

這個算法對內存要求很低，且處理速度很快，其時間復雜度也是線性的，非常適合高速實時處理，可以通過微調提高檢測精度和準確性。同時，該算法還適用于多模態數據，可用于需要兩種或多種操作模式的高度混合的產線。

目前，Sysmac AI邊緣控制器的預測性維護能力主要是面向氣缸、滾珠絲杠和傳送帶、同步輪...等機械傳動部件。

最后的一款是SimaticS7-1500神經處理器。它使用英特爾MovidiusMyriad X 視覺處理器VPU，能夠實現神經網絡的高效處理。新模塊配有USB 3.1接口和千兆以太網端口，通過SD卡獲得訓練過的神經系統中的功能。

傳感器的數據和來自CPU程序的數據，在神經網絡的基礎上進行處理。借助機器學習算法，諸如生產工廠的視覺質量檢驗或圖像引導的機器人系統等應用將得以有效實現。

SimaticS7-1500 NPU的優勢體現在分揀/放置應用場景里，它可以助力移動機器人識別、分揀并放置隨意擺放在箱子中的部件。此外，它在質檢方面也將帶來附加價值，例如利用聯網攝像頭所采集的圖像或數據對神經網絡進行不斷訓練，模塊將像專家一樣具備判斷產品或工藝一致性、顏色和質量參數的知識。

正確的事往往都不那么容易。

上述這些預測性分析與數據決策產品目前仍處于比較早期的市場培育階段?，F階段它們似乎更適合在生產品質管理、重點設備的預測性維護...等一些與經濟效益密切相關的場景中使用。

雖然在現有的高可靠性產品上，增加人工智能算法和數據能力，已經看似完成了80%的工作，但最終完成從數據到決策的過程，還需要付出80%的努力才行。畢竟這些邊緣側的軟硬件一體化方案，觸發的商業模式變革將是深層次的：

首先，工業互聯網廠商與最終用戶之間不再是簡單的買賣關系，而是共同完成新方案的探索與應用。過程中可能還會涉及復雜的數據共用和知識產權共享等問題，開放的心態不可或缺。

其次，在商業模式轉型的過程中，工業互聯網企業將會涉及到從賣硬件到賣軟硬件一體化系統、從賣產品到賣服務，從一次性銷售到長期運營的轉變。售前咨詢的能力和項目運營的本領都要經受非一般的考驗。

最后，工業互聯網廠商和最終用戶是否能夠共同將蛋糕做大，把IIoT創造的收益鎖定在企業內部，而不是引發新一輪的低價競爭？單個設備與單一產線的數據分析，是否能夠與周邊配套環節打通，提升整個企業的決策效率并持續進化，實現對客戶需求的快速響應？這些課題都要通過實戰求解。