AIoT 是近兩年來的一個熱門關鍵詞。

看兩組數(shù)據(jù)：根據(jù)市場調查公司 MarketsAndMarkets 統(tǒng)計報告，AIoT 自 2017 年首次提出，到 2019 年全球市場規(guī)模達到了 51 億美元，以此預估，到 2024 年還將增長至 162 億美元；麥肯錫則更為大膽，據(jù)其預計，到 2025 年，全球 AIoT 市場規(guī)模將達到 11.2 萬億美元。

這樣的搶眼數(shù)據(jù)自然引來大量玩家加入 AIoT 產業(yè)鏈賽道，除了原來在物聯(lián)網領域的企業(yè)之外，博世作為傳統(tǒng)工業(yè)巨頭代表，在今年也宣布把 AIoT 作為 2025 年發(fā)展戰(zhàn)略——目標是到 2025 年，讓博世的每款產品都帶有 AI 功能，或者在開發(fā)和生產過程中運用 AI 技術。

博世此舉讓更多的傳統(tǒng)制造企業(yè)看到并開始關注 AIoT 的概念及其背后的價值。通過 AI 與 IoT 的結合，AIoT 追求的是“萬物智聯(lián)”，對于工業(yè)領域來說，這意味著更多可能性，比如提升生產效率、改善良品率、加快產線部署、實現(xiàn)柔性生產等等。換句話說，在工業(yè)領域，AIoT 是一件雪中送炭而不是錦上添花的事情，所以，相較于消費領域，AIoT 反而在工業(yè)領域受到越來越多的關注。

但是，熱鬧之余也有企業(yè)提出 AIoT 離自己還非常遙遠，基礎信息化、工業(yè)自動化、工業(yè)物聯(lián)網才是眼下的核心任務。其實這背后投射出的，仍然是我國工業(yè)企業(yè)發(fā)展階段的差異化。

那么，對于這樣一個被市場認為是未來必然趨勢的理念，不同發(fā)展程度的企業(yè)，如何做到既不盲從又不掉隊、適當加碼又不浪費資源、補短板的同時加速趕超？圍繞這些問題，InfoQ 采訪了清華大學智能制造顧問 / 原北重汽輪 CIO 歐陽亮老師。

以下內容根據(jù) InfoQ 與歐陽亮老師的對話編輯整理，以饗讀者：

AIoT 投產比受生產規(guī)模影響， 不是每個企業(yè)每個場景都合適

InfoQ：您怎么理解 AIoT 這個概念？

歐陽亮：AI 和 IoT 過去實際上是兩個獨立的概念，但現(xiàn)在，從技術角度來說，它們正在逐漸融合。舉例來說，在原來一些 IoT 的應用場景，基于數(shù)據(jù)采集、數(shù)據(jù)傳輸、數(shù)據(jù)分析，加上一些智能化的模塊，大體上就可以理解為是 AIoT。但是，它的具體應用效果需要根據(jù)業(yè)務需求，經過一步步迭代才能逐步改善。

InfoQ：具體來說，AIoT 在工業(yè)領域有哪些主要的應用場景？

歐陽亮： 我現(xiàn)在接觸的企業(yè)基本上是點狀的應用比較多。

比如某發(fā)動機制造商，他們正在嘗試把一些智能化功能嵌入到新的柴油機中，從而采集柴油機的一些技術參數(shù)，實現(xiàn)預測性維護這樣的目的。

另一個比較有意思的案例，是國內的某茶廠，他們想把制茶的過程變得更加標準化和智能化。一般來說，制茶工藝需要經過采摘、晾青、炒青、揉捻、悶堆、發(fā)酵、干燥等環(huán)節(jié)，以前茶產業(yè)的標準化比較低，這些環(huán)節(jié)基本上是依賴老師傅的經驗去完成。比如，揉捻的過程需要根據(jù)環(huán)境氣溫等氣候條件，判斷揉茶機滾動的次數(shù)、頻率等等，發(fā)酵的程度需要靠手摸、鼻聞甚至嘴嘗。

雖然在這之前，這個茶廠通過固定標準做了一些程序化的改進，比如，什么氣溫條件下要殺青多長時間、揉捻多長時間、發(fā)酵多長時間等等。但是，由于制茶的品質受到環(huán)境、氣候等條件的影響特別大，粗略的程序化很難達到高品質的制茶標準。這時候，就需要引入傳感器、數(shù)據(jù)分析、人工智能等技術。

舉例來說，通過在滾筒殺青機里裝入傳感器，一方面可以測滾筒里的溫度、濕度，另一方面還可以通過轉動的離心力對茶葉稱重，從而判斷它的失水情況，確定殺青的程度。

另外，AI 質量檢測也是典型的場景，包括檢測產品本身，也包括有些企業(yè)會通過攝像頭對做流水線上工人的操作進行智能識別、分析、診斷，如果工人的動作不夠規(guī)范，可能質量就有偏差。

除此之外，能源管理是 AI 應用相對做得比較多、比較好的。因為能源管理涉及的是長時間的運行，效益主要是體現(xiàn)在能耗的基礎上，傳感器的布置位置也比較標準，整體下來，它的推廣和落地會比較順暢。

InfoQ：這些場景有沒有什么共同的特點？對于傳統(tǒng)企業(yè)來說，是不是每個場景都適合智能化，會不會有些情況下反而人工效率更高？

歐陽亮： 場景合不合適有很多問題要考慮。

首先，無論是機械化還是智能化，在考慮是否用機器去替代人工的問題時，一定要搞清楚你的目的是什么。還拿茶產業(yè)舉例——比如說采茶，人工可以分清不同的牙瓣，根據(jù)需要采摘成不同的等級。但是，機械是一刀切，很難分辨出來。如果茶廠想做普通的口糧茶，那可能無所謂，但如果要做精細的高端茶，那肯定是有差異的。

其次，成本的考慮也是必不可少的。AIoT 的投入產出比，很多情況下會和企業(yè)的生產規(guī)模掛鉤。舉例來說，我最近接觸了一個發(fā)電機的制造企業(yè)，他們在智能化的過程中就遇到了一個問題——發(fā)電機并不是規(guī)模化生產，一般是單點小批生產，一年可能就做幾臺，這時候，它要做智能化就沒有規(guī)模效益——換句話說，它的成本均攤下來就會很高。

而且，由于機器數(shù)量有限，其中能采集到的數(shù)據(jù)量也很少。比如，在 AI 典型的應用場景——智能維護，如果采集數(shù)據(jù)不夠，那 AI 就很難判斷機器出現(xiàn)某一個問題是個例還是普遍問題，所以它對設備的維護指導以及設備性能的提升效果都不明顯。

也就是說，企業(yè)在找智能化場景的時候，還要從自己的現(xiàn)實情況出發(fā)，要做匹配自己企業(yè)體量和生產規(guī)模的投入。

AIoT 落地最難的是想法的量化、 模型調優(yōu)和設備改造

InfoQ：您覺得 AIoT 的落地應用，最難的部分是什么？

歐陽亮： 最難的是人的想法如何去量化。因為每個人的感受和經驗是比較主觀的，比如，牛排要幾成熟，每個人的標準不一樣；再比如，中醫(yī)診斷講究望聞問切，那么望聞問切的結果怎么量化，每個醫(yī)生的標準也不一樣。在這個過程中，算法模型的構建就會變成很大的問題。

如果具體到 AIoT 這個領域，還會涉及怎么采集數(shù)據(jù)，采集來的數(shù)據(jù)怎么去歸類，以及算法模型的參數(shù)怎么按照工業(yè)機理去調整等等。

以工業(yè)場景的供應鏈采購為例：訂貨量多少合適，不同階段的訂貨量怎么拆分，面向不同供應商的訂貨量如何分配，報價均衡點如何把握，決定這些信息的主要是企業(yè)的排產，基于排產計劃，還可能需要預留一定的供應鏈響應時間。而這整個過程會有很多人為因素的影響，不見得每一個相關數(shù)據(jù)都能被采集、記錄并且輸入到模型里頭去。這就會非常影響算法模型的準確性和可參考性。

此外，在 AIoT 場景下，企業(yè)需要采集比以往還要更多、更細的數(shù)據(jù)，這時候會出現(xiàn)數(shù)據(jù)堆疊。比方說，我們要采集電梯的運行數(shù)據(jù)，包括電流、電壓、平穩(wěn)度等等，才能及時對電梯做保養(yǎng)、維修，預防突發(fā)故障。但其實很多電梯原本自己就有一套傳感器，這些數(shù)據(jù)本來就是存在的，只不過它可能是封閉不對客戶開放的，或者它是老的傳感器，精度達不到相應的標準，這時候就不得不再裝一套傳感器。

對工業(yè)企業(yè)來說，也是相似的，傳統(tǒng)制造產線上有大量的老舊設備，從設備的采購、運行到報廢不是兩三年的時間，可能是十幾年甚至幾十年，在引入新技術的時候就必須做改造。

InfoQ：如果涉及大量的設備改造，是不是意味著它的經濟性也沒有那么好？

歐陽亮： 主要矛盾是這筆錢從哪塊出。對于企業(yè)來說，投入一筆錢就必須有出處，換句話說，就是從哪個角度去立項。

舉例來說，如果從設備的維修維護角度立項就會比較難，因為大部分企業(yè)每年在維修維護方面的投入并不是特別多；而如果從研發(fā)的角度去立項，那就需要管理層領導自上而下有強烈的研發(fā)訴求，通常來說，需要這個東西有廣泛的應用前景和市場機會，企業(yè)才愿意去做研發(fā)的立項。

對于 AIoT 而言，它背后會涉及很多技術，包括物聯(lián)網、算法模型、大數(shù)據(jù)等等，所以，它是很大的一個投入，而且算法研究完了以后，還要用到實踐中，反復地迭代，這個過程也是漫長的，很難在短期內看到成效。

但國內的大部分企業(yè)還是追求短期效益，這和 AIoT 的落地周期又是相背的。拿模型來說，它一定是數(shù)據(jù)積累越多精準度越高，但是這一方面需要時間的積累，另一方面還需要覆蓋面的積累。有時候，我們的企業(yè)缺乏這種耐心。

所以，是不是要做設備改造或者落地 AIoT 更多技術，包括背后的經濟性，需要企業(yè)納入到戰(zhàn)略層面，自上而下、由內而外去做全面的考慮，它需要管理層有決心也有耐心。

InfoQ：那對企業(yè)來說，怎么找到這種長期投入和短期效益之間的平衡？

歐陽亮： 首先，大家需要慢慢從根本上改變這種意識。其次，可以先做小范圍的投入和試錯，慢慢再推廣和迭代。比如剛開始，除了算法以外其他投入不會太高，拿傳感器來說，市場上現(xiàn)在大部分是自帶藍牙、存儲、智能化等功能的，只要把它嵌入到指定設備，能夠輸出數(shù)據(jù)就行；再比如算法模型的投入，剛開始可以做得粗一點、簡單點，后面再逐漸細化和優(yōu)化。

而且，現(xiàn)在有一些技術手段是可以幫助企業(yè)縮短這個試錯周期的，比如說 數(shù)字孿生 等等，它可以讓企業(yè)迭代的動作更快一點。但話說回來，還有很多基礎工作還是繞不開的，是企業(yè)必須要去做的。

AIoT 沒有捷徑， 該補的 IT 基礎課依舊繞不開

InfoQ：比如說什么樣的基礎工作是企業(yè)繞不開的？

歐陽亮： 首先，IT 基礎是一定要有的。因為 AIoT 是底層的東西，它非常注重現(xiàn)場的數(shù)據(jù)管理，這時候就需要一些基礎技術做支撐。比如，要做邊緣計算就一定要有邊緣計算的網關、路由，才能把數(shù)據(jù)采集出來。

與此同時，對于工業(yè)企業(yè)來說，最基本的包括 ERP、MES 等等，這些系統(tǒng)中承載了企業(yè)的大量財務數(shù)據(jù)、運營數(shù)據(jù)、管理數(shù)據(jù)、生產數(shù)據(jù)等等，如果沒有這些系統(tǒng)和其中的數(shù)據(jù)，那算法模型就沒法做，邊緣的數(shù)據(jù)即便采集出來也沒有意義，因為邊緣數(shù)據(jù)必須要融入到系統(tǒng)中去做統(tǒng)一分析，才能指導生產、做能源管理、做設備維護等等。

再拿工業(yè)互聯(lián)網來說，從某種角度來看，它實際上是對 ERP、MES 這些傳統(tǒng)系統(tǒng)的分拆，把它們進行 APP 化或者 微服務 化，通過篩選把可以開放的數(shù)據(jù)和模型放到里面，再和外部做對接，實現(xiàn)信息的共通和交互。所以，在這個場景下，IT 系統(tǒng)也是非常基礎的工作。

其次，系統(tǒng)的整合也很重要。因為以前很多企業(yè)的系統(tǒng)都是業(yè)務提需求去實施的，不同業(yè)務部門或者業(yè)務條線又可能提出類似的需求，這就導致企業(yè)上了大量的系統(tǒng)，并且系統(tǒng)之間還是割裂的。

我接觸過的一個企業(yè)，他們內部總共有 200 多套系統(tǒng)，比如其中僅僅供應鏈就有 4 套不同的系統(tǒng)，有管基礎件的、有管配套件的、有管精品件的、還有管核心件的；除此之外，還有 n 套銷售系統(tǒng)、n 套采購系統(tǒng)......

這時候就有兩個問題，第一，底層的數(shù)據(jù)需要打通，數(shù)據(jù)要統(tǒng)一做梳理；第二，底層數(shù)據(jù)打通后怎么用。這是讓企業(yè)很頭疼的問題，但是必須花時間去做。

InfoQ：有沒有什么方法或者路徑可以讓企業(yè)快速把基礎打好，把短板補齊？

歐陽亮： 其實現(xiàn)在企業(yè)做起來已經不是很難了，市場上有很多成熟的產品可選，企業(yè)根據(jù)自己的實際情況做選擇就好。比如，對于中小企業(yè)來說，可能不需要花重金購買國外的高端 ERP 產品，現(xiàn)在很多國產 ERP 可能更適合國內企業(yè)。因為它們是按照國內企業(yè)的發(fā)展階段、行業(yè)特點去做設計的。

當然，如果是大型企業(yè)，可能就要考慮更多的因素，除了通用的軟件，還需要做一些定制化的開發(fā)。這時候，比較低成本和高效的做法是讓行業(yè)中的第三方去做。雖然很多企業(yè)會在內部養(yǎng)一些專業(yè)的開發(fā)人才，但是一方面是目前市場上這樣的人很少，另一方面，傳統(tǒng)企業(yè)培養(yǎng)出了這些人，流失率非常高。這個企業(yè)可以去權衡考量。

總之，一定是要從實際出發(fā)，把自己核心的能力打造完整，一點點去做，這個工作其實沒有太多捷徑可走。

InfoQ：對于這些真金白銀的投入，從實際出發(fā)確實很重要，那企業(yè)怎么才能更精準地評估自己的需求，而不是盲目跟風呢？

歐陽亮： 我們說 AIoT 是 AI 和 IoT 的結合，IoT 里面會涉及網絡連接能力。但是，拿我們剛剛說的茶廠的例子來說，他們使用 4G 網就已經夠了，這種情況下就不一定要用 5G 或者立即上云。這就是從實際出發(fā)。

當然，有時候我覺得企業(yè)做很多事情都是市場逼的。比如，對于很多中小民營企業(yè)來說，要讓自己跟上大企業(yè)的步伐，就要更快地去發(fā)展，這時候他們的眼界、心態(tài)可能更開放；相反，對于很多大企業(yè)來說，因為沒有太大的市場壓力，對于新技術、新趨勢的反應反倒比較慢。

這就是為什么轉型期特別考驗企業(yè)的戰(zhàn)略眼光的原因，大多數(shù)企業(yè)是市場倒逼，不是主動變革，但要實現(xiàn)突破，主動變革又是必須的。

編輯：黃飛

?