工业互联网如何做出新尝试？

  德国的工业4.0在推进与建设的过程中不太顺利，且因为信息物理系统CPS的技术障碍和5G的到来，被迫停滞，就有传闻说“工业4.0计划”已经失败，但事实上大多数人并没有因为物联网项目的失败而放弃，他们认为从中吸取的经验和教训，让他们加速了IoT投资，在短期内可能面临各种纠结和挑战，从长期角度仍应坚决看好。

  关于工业互联网的发展路径，更多人理性客观的意识到了这并不是一蹴而就的事情，而是“点”、“线”、“面”逐步开展落地应用。更令人关注的还有工业互联网的商业模式问题，软硬件的搭配如何赚钱？从硬件的一锤子买卖到靠软件的可持续盈利之路该怎么走？

  从现阶段来看，工业互联网的硬件产品是小量多样的长尾市场。追求硬件利润的同时，很难赚取海量数据，于是很多企业开始了转型的艰难之旅。与此呼应，最终用户也开始希望不是在IIoT云平台上，而是在工业现场就能开展对运行数据的分析和处理。主要的好处包括：实现从设备分析到企业决策的闭环;降低(或省去)部署和运营 IT 系统的成本;分担信息化平台的运转负荷;数据运算与处理的实时性要求;数据的本地化处理以提升系统的信息安全。

  市场嗅觉灵敏并可快速响应变化的企业，推出了功能相似的边缘侧软硬件一体化数据处理方案。利用已经验证的高可靠性产品，推进硬件的标准化，增加人工智能分析能力，通过软件和系统形成差异化，并积极赚取数据、模型和经验，推进从数据到决策的流程，立足服务SaaS化和长期发展。

  已有公司研发出了新一代的边缘控制器，搭载工业人工智能算法，满足用户对于预测性维护与分析的需求，并有越来越多的企业加入到这个赛道。例如：LogixAI分析模块、Sysmac AI控制器、Simatic S7-1500神经处理器。

  LogixAI分析模块，新增了对异常状况进行预测性分析的能力。用户已经不需要在其中加装单独的应用程序，直接通过以太网端口接入模块，然后在 Web 浏览器上对相关应用模型进行参数配置，就可以实现对系统数据进行分析和预测的功能。

  Sysmac AI控制器，在异常检测的算法上使用“孤立森林”(Isolation Forest)机器学习引擎开发。对内存要求很低，且处理速度很快，其时间复杂度也是线性的，非常适合高速实时处理，可以通过微调提高检测精度和准确性。同时，还适用于多模态数据，可用于需要两种或多种操作模式的高度混合的产线。

  SimaticS7-1500神经处理器，能够实现神经网络的高效处理。传感器的数据和来自CPU程序的数据，在神经网络的基础上进行处理。借助机器学习算法，诸如生产工厂的视觉质量检验或图像引导的机器人系统等应用将得以有效实现。

  上述产品目前仍处于比较早期的市场培育阶段。现阶段它们似乎更适合在生产品质管理、重点设备的预测性维护等一些与经济效益密切相关的场景中使用。最终完成从数据到决策的过程，还需要深层次的触发商业模式变革。