工业物联网的三大优势

1、加速无处不在的连接

工业物联网络通过数据采集、学习、分析、决策的自感知闭环，支撑产业资源的泛在连接、柔性供给和高效配置，其中数据采集和泛在连接是基础。这包括工厂内设备、人员、环境等要素的数据采集，工厂外智能设备、智能产品的数据采集，以及各种应用系统通过接口对数据的整合。

推动工业物联网络实施的第一道门槛是多源异构的数据采集。如何收集工厂内外各种OT和IT数据，其中存量设施涉及物联网数字化改造，增量建设涉及标准制定。标准也很重要。否则会被项目交付搞得精疲力尽，无法形成产品，无法入驻平台。

要整合OT和IT，必须打破多年来形成的信息孤岛。比如工业以太网的发展，一方面实时性不断提高，另一方面标准以太网和TCP/IP要更好的兼容，消除连接障碍。时间敏感网络不仅支持高速率、大带宽的数据传输，还兼顾控制信息的实时传输。向后兼容标准以太网在概念和设计理念上比之前的工业以太网更先进，因此成为业界的研究热点。

对于移动场景，5G技术、低功耗WAN技术、4G Cat-1和短距离无线通信技术正在加速泛在连接的发展，支撑海量物联网。从长距离到中距离，再到短距离，无线通信可以有效解决连接问题。不同的技术有各自的优缺点和适用场景。它们有的速度快，有的速度慢但功耗低，有的信号穿透力强，可以在复杂环境下稳定通信。

工业物联网络应用场景的差异化对传感器的体积和功耗提出了新的要求。低功耗、与芯片高度集成的小型化传感器广泛应用于一些工业场景，使得传感器具有数据处理、自校准、自补偿和自诊断的功能。物联网终端更小型化、更轻便、更耐用、成本更低，使大规模商业应用成为可能。

2、工业大数据

不可否认，大数据和云计算的普及，加快了人们追求数据驱动和数据应用的步伐。随着数据存储能力和计算能力的极大提高，许多限制已经消除。比如将传统的抽样分析改为全维度分析，通过全维度数据分析大大提高结论的准确性；有些领域已经从不可预测变成了可预测，预测就是根据历史规律来推断未来，大量的数据基础使得分析从已经发生的过去变成了即将发生的未来。

一直以来，工业领域强调的是机理模型、行业诀窍和行业知识图谱。在一定行业知识和知识储备的基础上，将机理模型数字化，将物联网设备采集的大量数据倾注其中，分析得出结果。从因果关系出发，提出假设并验证。这些做法明显不同于消费互联网领域的大数据分析——在大量无序的数据中寻找某种关联，而不考虑关联背后的原因。

例如，对于制造或运营管理的某个环节，当传统分析方法无法从混乱的海量数据中发现问题时，可以尝试使用AI无监督学习算法对大量样本进行分析，得到基于某个特征值的判断阈值，筛选出异常分支，然后利用机理模型对异常分支数据进行研究。根据理论和经验，可以找出背后的原因。AI有助于快速找出异常数据集，找到初步的分析方向。

除此之外，AI也在一些传统领域逐步尝试改进和优化，如视觉质量检测、图像识别、预测分析诊断、巡检、公共安全等领域。AI不是颠覆性的。在没有AI之前，这些事情每天都在发生，但不可否认的是，在某些场景下，AI让事情变得更加高效和准确。我们不应该夸大人工智能的作用。大量的AI项目在工业场景无法规模化的情况下已经指出了这个问题，没必要盲目排斥AI。而是要保持开放的心态，认真筛选和研究AI落地商业场景的可行性。

3、沉淀用例，能力复用

在工业物联网络赛道上，很多解决方案商都想把自己的平台推广给用户，通过平台把硬件、云、算法、用例连接起来。一方面，平台的重点是不断提升通用能力，夯实基础，让平台更具可复制性；另一方面不断丰富平台上的用例，实现用例的沉淀，能力的复用，从做项目到做产品的转变，进而确立平台的优势。

经过平台的建设期、迭代期、推广期，工业物联网络平台赛道的企业逐渐意识到用例的重要性。最终都需要通过应用服务于业务场景，得到一个闭环。很多时候，平台并不直接面对业务问题，价值的实现依赖于具体的应用。如何沉淀企业可复用的数字化能力，如何抽象相似业务逻辑的场景和对象形成一组可转移、可扩展的用例，如何沉淀足够的行业专有知识并开发成行业APP模板，成为区分工业物联网络平台能力的核心。

除了上面列举的几点，还有边缘智能、云原生工业物联网络平台等一些趋势。，这些就不一一列举了。出于对数据处理实时性、网络可靠性和安全性的考虑，人们越来越重视数据源端的实时数据处理。云训练的模式运行在边缘节点上实现边缘智能，云的能力在下沉。云训练边缘推理会越来越普遍。