如今，人們迫切期待著基于IIoT（工業物聯網）的工業自動化新時代的到來，這是數字化轉型的主要驅動力。工業物聯網將帶給我們重大好處，并且像任何技術/數字操作模型的演進過程一樣，優化這些功能將面臨挑戰。關于工業物聯網，目前在數據換算和運行速度方面有局限性，影響工業物聯網的成功。難怪在該領域中，我們加強了“機器學習和訓練”和“推斷”，這些努力共同促成規模化和接近即時的決策。總的來說，這統稱為人工智能或“AI”。

人工智能理論最初由達特茅斯學院的約翰·麥卡錫（John McCarthy）于1956年提出，涉及到開發利用計算機系統執行通常需要利用人類智慧才能完成的任務。例如，高級人類活動包括：視覺感知、決策和語言翻譯。雖然人腦毫不費力地同時處理許多這些事務，但計算機在歷史上一直難以實現類似人類的認知。

然而，55年后，特別是在過去10年中，人工智能所依仗的底層技術，如計算機科學、先進的芯片、強大的計算能力，以及傳輸并處理現代世界豐富通信信號所需的連接，改變了人工智能的現狀。人工智能不再局限于于認知任務。

人工智能在B2B領域得到日益廣泛的應用，其中的一個分支是機器學習（ML），這是一套技術，其特點是采用類似于針織物編織的算法：將多個部件拼接在一起，以加速計算機的學習過程。為此，ML采用自我糾正決策，并加倍采用成功策略，同時隨著時間的推移削減效率較低的模式。它是一個強大的數字化轉型工具，使我們更接近與實現工業4.0的所有潛力，而工業4.0是以更有力或極端的方式運行的工業物聯網。

這種技術的特點是非常全球化，AI/ML中的巨大潛能，可促使全球工業取得巨大進步。顯然，那些能夠在人工智能和機器學習（AI/ML）方面取得領先的國家，將會在工業演進中占據市場份額。但是，我們的底線在哪里？誰在我們前面？誰是主要競爭者，在邁向工業4.0未來過程中，關鍵驅動力是什么？

全球拐點

最近的研究1表明，雖然美國/歐盟一直處于探索時代的領先地位，但日本和韓國的科技公司擁有數量最多的人工智能專利申請2，而中國則在實施1方面走在了前列。在人工智能系統方面，美國專注于對初創企業的投資、研發資金和芯片設計等關鍵領域，但亞洲卻擁有龐大的人口和相應的產業基礎，可以通過ML促進工業自動化的發展和數字化轉型。

中國國家高層的“中國制造2025”戰略是在此前提下制定的。在最初構思和定義時，該戰略的預期效果不如工業4.0，但AI和ML技術的進步正在最終加速工業自動化的轉型，工業4.0及其對大量數據集的操作處理是一個越來越現實的目標。

那么，盡管中國可能正在公共人工智能領域占據頭條新聞，但從目前情況來看，臺灣的信息通訊技術和半導體產業是智能技術發展的堅實基礎。在東亞其它地區，重點是擴大該技術在工業和家用機器人、自動駕駛汽車、智能醫療保健、智能制造和智能城市項目中的應用，就像一家大型汽車開發商在富士山腳下規劃的項目一樣。

中國的相關發展是強勁和先進的，中央和企業家有決心在這方面在全球占據主導地位。更具體地說，在中國和其它地方，縮小IT與OT之間的差距是一個關鍵因素，它決定了工業4.0的實現速度或成功程度，而在這方面AI/ML非常重要，因為不同規模的工業公司尋求將其運營和數據程序進行高效結合。簡言之，通過數據處理、分析和模式/趨勢分析，謹慎實施AI/ML將提高運營效率并加快加工速度。AI/ML和工業4.0的魅力當然適合中國（和全球）大多數行業，可突顯這些行業的潛力和實力。

中國針對人工智能宣布了雄心勃勃的目標。他們要在這項技術中占據重要地位，然后走向全球領先地位，這將是國家當務之急。在推動優先考慮人工智能和領導爆炸式發展方面，政府并不掩飾其積極姿態。

BAT（百度、阿里、騰訊）的人工智能

因此，抓住機遇去實現這方面的目標似乎是中國目前針對AI/ML的做法，因為它期待在百度，阿里巴巴和騰訊這三家老牌互聯網龍頭的幫助下實現工業4.0的超高效生產目標，這三家龍頭企業統稱為BAT。他們都積極投資于人工智能技術。

搜索引擎龍頭百度開展了三大人工智能相關投資項目：Apollo，一個雄心勃勃的全球性自動駕駛開源項目；DuerOS，一個支持語音的數字助理；百度ABC，一個面向企業的云平臺。

2019年9月，阿里巴巴宣布了其人工智能加速器芯片漢光800。漢光800采用12納米的工藝制造，包含170億個晶體管，能夠處理每秒78，563張圖片（IPS）和每瓦每秒500張圖片（IPS/W），這是以ResNet-50為基準的評測結果。

騰訊擁有用戶群最大的社交媒體平臺-微信，并作為全球最大的視頻游戲發行商，于2016年在中國啟動了人工智能實驗室，隨后于2017年在美國華盛頓貝爾維尤開設了人工智能研發中心，致力于語音識別和自然語言處理（NLP）。

B2B中AI/ML的潛力

可以說，AI/ML背后的關鍵成分或構件是數據，而連接性是將數據帶向有意義和影響力方向的“膠水”。如果沒有連接功能來傳輸數據，成功推進工業4.0這一趨勢將受到限制。

作為一個概念和現實，機器學習（ML）在全球和地方兩個層面都提供了非常高效的經濟模式。數據集可以通過ML快速和大規模構建，方法是算法“訓練”，然后產生有見解的“推斷”以支持戰略決策。通信的進步非常接近實時傳送水平，就像5G的快速發展和推出一樣，這推動了人工智能（AI）以驚人速度進入應用階段。

這些潛在應用既分散又高度本地化，類似于自動駕駛汽車的發展，以及在更大范圍內類似于金融科技（fintech）和供應鏈管理（SCM）。目的是實現自動化和生產效率的創新飛躍。

在可擴展性方面，AI服務（AIaaS）和ML服務（MlaaS）已經建立，其相比SaaS（軟件服務）能提供更準確的解決方案來滿足客戶需求。軟硬件的結合將提高計算能力和學習潛力，最重要的是加強數據管理，這反過來又將促使AI/ML在深度和多樣性方面都能順暢擴展。例如，中國通過5G來推進實現先進的連接性和較低的延遲度，并挖掘更大的數據潛力，中國在量子計算等領域也取得進步，這些進步使其具有計算能力優勢，因此可擴大其AI/ML成就。

事實上，最近針對AI/ML對SCM（供應鏈管理）的影響所做的市場分析3得出結論，人工智能型供應鏈的效率可提高60%，該供應鏈降低了風險和整體成本。到2025年，服務于SCM的基于云的AIaaS市場將在全球達到19億美元規模。到2025年，服務于SCM且涉及到背景感知計算的AI市場將達到13億美元規模。到2025年，涉及物聯網解決方案前沿計算的人工智能型SCM市場將達到32億美元。

B2B背景

在Molex莫仕，我們看到AI/ML的價值可能會呈指數級增長。計算機不僅會判別模式，而且還會證明和解釋決策，并提出新的建議。這些功能具有巨大的潛力來推薦新產品功能，同時在增加產量之前預測產品需求，以確保在該過程中改善客戶體驗。

雖然AI/ML將提高B2B決策的效率和準確性，但我們必須認識到：數據服務、功耗和訓練模型等關鍵因素還是不同于人類的智慧、判斷和輸入。在許多情況下，在B2B領域的決策中，情感和創造性的輸入比其它領域更被需要。關鍵是啟用UI（用戶界面）功能，以促進適當的專注和執行，來獲得AL/ML帶來的好處。

一個更加互聯的未來

AI/ML處于全球拐點，可以收集數據并將其大規模使用。AI/ML是未來。然而，云在通信中呈現延遲，AI/ML處理正逐漸遷移到“前沿計算”。例如，在汽車中，智能手機和筆記本電腦以及相關的各種本地設備和場合都需要具有前沿計算速度的AI/ML。作為工業互聯網轉型版的工業4.0需要采用具有前沿計算速度的AI/ML，無數本地設備必須以接近實時的速度進行互連、聯網和互操作，而數據包不會丟失或被破壞。

這僅僅是因為工業4.0尋求超高效的生產效率，它采用一個恒定過程來從部署在生產過程每個點的傳感器陣列中獲取數據反饋。這形成了巨大的數據集，為機器學習提供基礎，然后進行人工智能的推斷，以促成B2B決策。

正是隨著向本地、前沿和無處不在的計算的遷移，電子和半導體世界的供應商和分銷商將確保通過數字化轉型為企業戰略提供AI/ML技術的巨大潛力，并使AI/ML成為B2B級別的變革性工具箱和成套技能。

隨著這些數字化轉型技術重新定義系統和控制基礎設施的部署和未來用途，連接功能在整個這些轉型的設計和實施鏈條中變得越來越基本。模塊化技術的進步使機器的連接程度比以往更加高。簡單地說，一切東西都必須能夠“說話”，必須能有效地相互溝通和互動，而高效的連接在成功實現工業4.0中起著至關重要的作用。Molex在AI的演進中發揮著至關重要的作用，支持開發并應用AI功能來實現客戶的產品創新、質量、效率等，確保我們的客戶把有效的數據和連接功能放在其戰略目標的核心地位，能夠積極關注工業4.0及隨后的發展。
責任編輯:pj