普華永道：沒有工業物聯網，人工智慧將無的放矢

雖然人工智慧已經火得一塌糊塗，但在過去的一段時間內，它與工業物聯網（IIoT）結合的重要性卻仍未能得到應有的重視。

據預計，物聯網技術的市場價值將在2015年至2020年內達到6萬億美元，但不可思議的是，這樣一個「香餑餑」卻在當下的技術風口中遇冷。甚至，人工智慧、區塊鏈這樣一些概念和技術在風頭上也已經蓋過了物聯網。

對此，近來逐漸有專家開始提出，如果沒有IIoT作為根基，人工智慧將缺少非常重要的立足之地。他們表示，人工智慧的應用需要大量的數據，而僅依靠機器學習和人工智慧本身的技術，要想充分挖掘數據的價值是非常難的。

人工智慧與工業物聯網：相輔相成

沒有了數據，也就沒有了人工智慧; 而物聯網的價值，則在於提供海量數據。在消費品領域，物聯網常常被定義為智能音箱或者智能冰箱等實際產品。但著眼於工業，物聯網的工業化應用顯然要比消費級更具規模也更為複雜。

通過將聯網感測器技術整合至工業流程中，工業物聯網能夠收集生產線和供應鏈中實時產生的數據，再結合人工智慧進行數據分析和決策，這將在工業領域帶來巨大影響。

據統計，到2021年全球物聯網設備所將創造的數據總量將達到每年847
ZB，這遠高於2016年全年產生的數據量（218 ZB）。普華永道數字化供應鏈戰略負責人Jens
Wunderlin表示：「物聯網最基本的特點在於提供一種連接技術，確保我們能夠從任何對象當中實時獲取特定數據。但接下來的問題是——我們該如何處理這些數據，以及如何在業務場景中落地，從而推動企業自身的運營。」

▲普華永道數字化供應鏈戰略負責人Jens Wunderlin

而解決辦法就是，將人工智慧技術引入工業，由它來處理工業物聯網生成的大量數據。

Wunderlin介紹，這樣的案例已經「無處不在」。在工業設計流程當中，由機器學習驅動的預測能力，將推動工業自動化的發展，同時在很大程度上降低成本。舉例來說，通過人工智慧與智能感測器的結合，系統不僅能夠預測機器與設備何時何地需要接受高精度維護，同時還可以根據實際生產需求快速響應，並調整產量。而隨著設備停機時間的縮短，整個生產線的流程優化效果也將產生巨大的實際價值。與此同時，整個供應鏈中的聯網設備所產生的實時數據，也將為機器學習與預測分析提供大量具有參考價值的信息。

「當企業能夠實現對整個全生命生產周期的預測，就會發現其中存在著大量的獲益空間。其中的關鍵在於確定哪些領域擁有實際層面的投資意義，以及哪些領域能夠強化自身的差異化優勢。」Wunderlin指出。

數據與人才：智能工業物聯網的瓶頸

無論企業已經或者計劃將人工智慧與工業物聯網技術引入生產製造中，不可避免的是，在具體的實踐過程中，企業都將面臨一系列挑戰，而這些挑戰需要新的領導思維來克服。

普華永道英國通用電氣聯盟負責人Martin Musk表示：「目前的主要問題在於，企業的很多舉措都以技術為主導。然而，多數擁有大規模內部工程體系與製造專業知識的企業，面臨的挑戰實際上來自文化層面。」

▲普華永道英國通用電氣聯盟負責人Martin Musk

Musk提到，此類企業在起步階段往往面臨嚴重的「抵觸情緒」，比如已經擁有豐富日常工作經驗的工程師們並不相信數據呈現出的「真相」，因此拒絕根據數據結果進行工作。「因此，我們必須證明人工智慧足以幫助最具經驗的從業者以新的方式增加價值，並通過數據來幫他們分擔大量工作。」Musk解釋說。

通用電氣公司的業務涵蓋了公共事業、電力、石油與天然氣、可再生能源以及工業領域各類製造、產品與服務等等，要在這麼多的層面推進工業物聯網應用是非常難的。對此，Musk認為，企業需要將更多的商業視角與技術解決方案結合起來，才能真正實現預期的技術收益。

「從領導者的角度來看，這要求他們充分了解企業全面數字化的發展前景、了解其中潛在的影響與風險，同時還要據此考慮組織、人員以及技術等方面的協同和調整。比如說，他們需要考慮如何以全新的思維方式進行組織結構調整，同時打破員工對新技術所能帶來的實際商業利益的質疑。」Musk表示。

業務轉型不可能「立竿見影」

當然，這一切都要求企業根據自己的情況，進行一定程度的內部調整。目前，以及在未來的一段時間裡，技術與數據「文盲」狀況在企業當中仍將持續存在，而人工智慧及技術解決方案在供應和需求之間的錯位問題也將依舊嚴峻。

對此，Wunderlin指出，當人們談論數據分析與人工智慧時，往往會將其視為一種能夠「立竿見影」的技術。他們認為，只要擁有一套數據，再將其交付給機器，就可以得到完美的解決方案和決策指導。這樣的「美好願景」也許未來可能會實現，但目前的情況還遠非如此，至少還需要配合專家見解才能得到理想的結果。

除此之外，企業面臨的第二大挑戰則是數據的質量問題。如果一台機器想要執行預測任務，就需要一個原因與一項結果。回到預測性維護的例子，感測器可能會檢測到設備中存在的一項故障，而我們需要將數據進行分解並重新傳輸回機器，以便其通過分析理解哪個變數導致了這種即將發生的問題。

Wunderlin解釋稱：「對於一台機器而言，要真正解決問題，其首先需要獲得質量極高的數據。」

因此，目前企業需要回答的關鍵問題包括：

• 在正確的位置是否都部署了合適的感測器？

• 存儲的數據是否具有足夠的質量，是否可用於預測分析？

• 是否擁有執行相關分析所需要的全部正確信息？

Wunderlin總結：「真正的挑戰在於如何將正確的人員與正確的數據聯繫起來。雖然很多企業在基礎層面已經取得了一定成功，但一旦涉及更為複雜、甚至包含數以千計感測器乃至更多潛在事件的場景，企業往往很難調整數據並找到其中的正確模式。」

當然，技術確實是保障任何人工智慧或工業物聯網項目得以成功落地的主要因素，但總體來講，企業所採取的實際方案才決定著技術手段的實際效果。除了擁有世界上最出色的分析軟體，企業還需具備一支精通數據的團隊並願意為此投入心力，否則有可能讓所有的努力最終一無所獲。

「大家需要考慮將企業戰略、人員結構、技術等不同的部分結合起來以實現數字化目標，而非單純認定『採用一些有趣的新技術即可帶來價值』的見解。必須承認的是，業務主導的人工智慧與工業物聯網方法將能為每個人帶來助益，並幫助企業更快實現由技術創造的實際價值，但最根本的決定性因素仍然在於企業自身及其領導者的戰略思維及執行方式。」Musk表示。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！