110
8 月 26 日，由物联网智库和云和资本联合主办的“2020 挚物·AIoT 产业领袖峰会”于上海圆满落幕。在下午的“工业边缘智能”分论坛上，物联网智库主编王苏静发表了题为《工业未来趋势展望》的精彩演讲。
以下为演讲全文：
大家好！今天我分享的演讲主题为《工业未来趋势展望》，既然我的主题是工业领域的未来趋势，那就必须先来看看工业领域的现状是怎样的。
当下，工业圈最热的词儿莫过于工业 4.0、工业互联网、智能制造这几个，可能在座的大家早就听得耳朵快起茧子了，也读过很多专家、学者们分析这些概念的文章。然而，今天我想以另外一个角度来呈现一下这些概念的发展历程，那就是媒体宣传的角度。
因为我们物联网智库是最早一批关注这个领域的平台，所以五六年前就和国内外很多准备进军智能制造和工业互联网的企业达成了深度合作帮他们搞宣传——其中既有想转型的工业巨头，也有雄心勃勃的初创企业，还有一些乍一听名字好像和工业没有啥关系的通信企业和互联网企业……
既然要宣传，那么首先就得确定宣传重点和宣传口径是啥吧，于是，隔山差五我就会和这些企业的市场部人员坐在一起，讨论说咱们对外传达点儿啥东西~
14 年 15 的时候，工业互联网在行业里还是个新鲜词儿，那时候我们一发文章就会有读者在我们后台留言问，啥是工业互联网啊？工业 4.0 和智能制造有啥区别啊？于是我们一合计，觉得当时最应该做的就是概念普及工作。
基于这一方针，那个时候我们写文章的套路就是，一篇文章告诉你什么是工业互联网，一篇文章告诉你什么是工业 4.0，一篇文章告诉你某某概念和某某概念有什么区别，然后最后再加上一点儿某某企业非常高瞻远瞩，已经开始布局该领域了。
至于怎么布局，从来都不细讲。为啥？因为没法讲，当时找我们宣传的企业大部分自己也不知道具体路该怎么走？
时间来到 2015 年 5 月，国务院正式印发《中国制造 2025》，由 2013 德国汉诺威工业博览会掀起的工业 4.0 浪潮算是真正席卷了中国制造的大地。在政策的助推下，这个领域涌入了不计其数的企业，只要但凡能和智能制造扯上点儿关系的，就一定得蹭上一波热度。
我印象比较深刻的是当时有一家宣传卖补肾保健品的传销公司找上了我，要我们帮他们投广告做宣传。我非常明确的告诉他，我们是个科技领域的号，你这玩意儿和我们一点边儿都沾不上，没法帮你宣传。结果那负责人还挺硬气，直接拿出一版文案甩给我，上面讲了他们是如何如何用赶超德国的智能制造技术生产肾宝产品的，看的我是哭笑不得——这足以见得那个时候相关概念的火热。
另一个在当时火的一塌糊涂的概念是工业互联网平台，受革命先驱通用电气 Predix 的影响，声称自己要搞工业互联网平台的企业如雨后春笋一般纷纷冒出。记得那个时候 IoTAnalytics 发布了一份研究报告，统计数据显示 2017 年全球物联网平台企业已经有 450 家，其中超过一半都是工业互联网平台，行业的狂热程度几乎到达了到顶峰。
大家的狂热也可以理解，移动互联网时代创造的价值实在是令人目眩神迷，十年前的我可能怎么也想不到，现在我可以用手机刷网页、看视频、叫外卖、支付、打车……如果工业世界也存在一个类似手机应用商店和对应的开发者平台，里面有各种用途的软件可供工业客户去下载和使用，那么平台商是不是能在工业领域再造安卓 /IOS 的辉煌？
然而，现实很快就给大家泼了盆冷水，做着做着，大家就发现这工业互联网平台简直太多坑了。一方面，建平台是一件费时费力费钱的浩大工程，身为开山鼻祖的 GE Digital 部门尚且抗不过巨大的现金流压力，何况本钱无法与之相比的后来者们；另一方面，工业领域的一个典型的特征是“隔行如隔山”，如何从中提炼同质化的共性需求，也是对企业内功的巨大考验。
于是，由于地基不稳，房子又建的太快，我们眼睁睁的看着一座座新起没多久的高楼又塌了。
有些年前还意气风发的创业者，年后问我有没有合适求职的公司可以推荐一下；有些企业拿到融资的时候在市场宣传上拨钱拨的毫不手软，最后想找人要尾款的时候却微信不回、邮件不理；海有些开始被追捧为行业经典标杆，引得无数同行前去参观学习的项目，最后却一地鸡毛，被大骂骗子等等等等……诸如此类，不胜枚举。其中一个标志性事件是在 2018 年下半年，GE 传出要为 Predix 寻求买家的消息，行业开始陷入迷惘：未来究竟何去何从？
但凡事都有两面性，这些失败也给那些还没有放弃的探索者们留下了宝贵的经验。他们开始思考，自己究竟能为行业创造怎样的价值？
于是，从去年开始，我看到很多企业一改过去谈概念画大饼的作风，开始变得越来越踏实。这从宣传口径上也得到了明显的体现，大家不想再去讲酷炫的无人工厂之类的东西，而是讲我怎么用数字化解决方案帮你提高产品质量，怎么帮你降低运营成本，怎么增加你产线的柔性，怎么提高你的客户满意度，哪怕做出来的方案没有想象中那么高级、那么酷炫，但我实实在在的为你创造了价值。
所以，助力千行百业实现数字化升级、数字化转型，成为了这一年多来解决方案提供商反复去强调的重点。在此期间，我也受邀前去很多企业的工厂参观了他们已经落地的案例，有不少确实令人感到惊喜。作为一个行业媒体人，我很高兴能看到这样的转变。
纵观宣传风格变化的这四个阶段，其趋势变化刚好和 Gartner 著名的“技术成熟度曲线”相对应——从诞生后逐渐受到关注；到在资本和聚光灯的追捧下来到峰顶；到泡沫被戳破跌入谷底；再到慢慢趋于理性和成熟，一项新的技术终于开始真正的为行业创造价值。
转眼，时间来到 2020 年，今年是非常特殊的一年。具体特殊在哪里？我想用一个比喻来说明。
如果将中国工业比作一名长跑运动员，那么过去几十年他都处于“一路狂奔”的状态。改革开放初期，我国制造业增加值尚不及美国的 1/6，到了 2010 年就一举超过了美国。狂奔至今，我们已经拥有全世界最完整的工业体系，从“一穷二白”到“世界最全”，中国工业的增长速度创造了世界奇迹。
疾驰的步伐虽然会一路赶超不少竞争对手，但却存在肌肉酸痛的隐患，就如同当前的中国工业面临着“大而不强”的隐忧。发展方式粗放、环境代价巨大、自主创新不强等等…都是中国工业必须跨越的障碍。
尤其是 2020 年突如其来的新冠疫情，它就像是长跑赛道上突然滚下来的一块巨石，让我们前进的步伐被迫放缓，同时也给业界敲响了一记振聋发聩的警钟——未来确实存在像新冠疫情这样的极端情形，如果制造企业没有足够的“韧性”，只能坐以待毙。
我刚才提到了一个词“韧性”，这又是今年特别流行的一个宣传口径。韧性是啥意思？就是物体受外力作用时，产生变形而不易折断的性质。疫情就是这个突然施加的外力，企业韧性就是其应对复杂性和不确定性的能力。
什么样的企业具有韧性？数据调查显示，往往是那些在数字化转型方面取得了良好甚至卓越成效的企业。
这些跑在前面的企业，并没有遭遇供应链断裂或者业务运营受阻的窘境，他们有的采用远程方式维持了工厂的正常运营，有的快速调整产线开始生产口罩机和呼吸机，还有的实现了全球供应链布局的快速协同……
所以，如果只用一个词来回答工业的未来在哪里的话，我的答案是“数字化”。在数字化这个大的主题下，我想分享三个大的趋势：
数字孪生
所谓数字孪生，就是物理实体的数字化镜像。数字孪生通过将物体、系统、流程的信息，利用数字技术实时映射在数字化系统中，对产品、制造过程乃至整个工厂进行虚拟仿真，从而让企业实时了解资产的状态、响应变化，改善业务运营，创造新的价值。
数字孪生的优势在于什么地方呢？我觉得有个应用特别值得一说，就是虚拟调试：过去，我们在设计产品时往往是很被动的，“后知后觉”的，比如设想了一个绝妙的概念，实际执行时才发现处处是坑；产品设计看起来完美无暇，实际调试时却发现处处不通。
“后知后觉”可能会付出高昂的代价，虚拟调试技术则为解决这些问题提供了一种“先觉先知”的思路。它可以在虚拟世界中构建物理实体的“数字化双胞胎”，以在产品实际制造和调试之前就提前测试、验证产品设计的合理性，从而帮助企业缩短研发周期、提升效率、降低成本。
例如，在矿业领域，选矸工是一种非常辛苦的职业。他们的工作任务是将采矿过程中混入矿石中的岩石一块一块手动挑出，以确保原煤的回收率，避免后续设备损伤及电力损耗。为了解决这些问题，国内有家企业推出了一款革命性的智能选矸机。利用人工智能视觉识别技术，选矸机可以辨别输送带上的物料，再由动作系统里的机械爪将所需矸石或原煤抓取出来。然而，他们的产品遇到了很大的挑战，由于各个矿场的选矸率要求都不尽相同，因此设备供应商需要为客户提供定制化的产品，而设备的选矸率预测一直是行业内的技术难点。对于客户要求的特定选矸率，设备究竟要使用几个机械手，以怎样的节拍才能实现？如今，依靠虚拟调试技术，客户可以轻松计算出选矸率。这不仅避免了重复修改和返工带来的额外成本，也缩短了现场的调试验收时间。
知识图谱
知识图谱这一名词在 2018 年被 Gartner 第一次加入新兴技术成熟度曲线。正如其名，它是一系列显示知识发展进程与结构关系的不同的图形，用可视化的技术，描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互关系。
由于知识图谱非常适合分析从非结构化资源中提取的数据，而工业领域恰好具有数据量大、数据种类多，数据不够结构化等特性，所以目前有越来越多的企业将知识图谱应用在物联网和工业互联网领域，他们运用知识图谱充分挖掘事物背后客观的隐性关系，将这种隐形关系转化为可计算数据，并且以可视化的形式展示在人们面前。
边缘智能
千呼万唤始出来，终于讲到了我们今天分论坛的主题——工业边缘智能。从名字来看很好理解，边缘智能就是边缘计算和人工智能的融合体。
边缘计算大家都很熟悉，我很喜欢用一个比喻，就是云计算是 “集中供水”模式。大家需要计算资源，拧开水龙头用多少就行。然而，随着数据的指数级激增，以云计算为代表的“集中式供水模式”存在很多问题：首先，每家每户用水量的增加使得水厂有些不堪重负；其次，水从水厂流到水龙头需要一定的延迟时间；最后，一旦供水厂出现问题，就会影响到整张供水网络的运作……于是，人们开始思考，能否在靠近水龙头的地方安装一个“应急水箱”来应对这些挑战呢？边缘计算这种分布式计算模式由此兴起。
然而边缘计算的部署位置也限制了它的计算能力，但是在引入 AI 技术后，边缘的智能分析能力有所提高，在边缘处实现机器学习成为极为可行的技术趋势。
现在，我们可以在更加靠近用户和数据源头的网络边缘侧这一位置训练和部署深度学习模型，从而改善 AI 应用的性能、成本和隐私性。同时使得智能更加贴近终端用户，解决人工智能落地的“最后一公里”问题。
具体概念就不讲了，直接分享一个我看过的案例。
例如，在某企业的数字化工厂里生产的 PLC 设备里有大量的 PCB 板，PCB 板在焊接的时候会有很多的锡珠。工厂为了保证质量，配备了自动化光学检测设备。这些设备为了要确保没有任何缺陷样本流入后续环节或市场，所做的检测非常苛刻。在这种苛刻的检测下，就会出现“假错”的情况，从而造成很多成本上的浪费。为了避免这种情况的发生，需要增加人工复检台把“假错”甄别出来。很明显，人工检查效率低下，费时费力。而现在，通过边缘智能的技术可以把人工复检台替换掉，通过 AI 把“假错”甄别出来，再通过自动化方法把产品送回生产线。这样一方面可以减少重复性劳动，另一方面也可以提高生产效率。
