AIoT 热度持续，企业怎么做到既不盲从又不掉队？

AIoT 是近两年来的一个热门关键词。

看两组数据：根据市场调查公司 MarketsAndMarkets 统计报告，AIoT 自 2017 年首次提出，到 2019 年全球市场规模达到了 51 亿美元，以此预估，到 2024 年还将增长至 162 亿美元；麦肯锡则更为大胆，据其预计，到 2025 年，全球 AIoT 市场规模将达到 11.2 万亿美元。

这样的抢眼数据自然引来大量玩家加入AIoT产业链赛道，除了原来在物联网领域的企业之外，博世作为传统工业巨头代表，在今年也宣布把 AIoT 作为 2025 年发展战略——目标是到 2025 年，让博世的每款产品都带有 AI 功能，或者在开发和生产过程中运用 AI 技术。

博世此举让更多的传统制造企业看到并开始关注 AIoT 的概念及其背后的价值。通过 AI 与 IoT 的结合，AIoT 追求的是“万物智联”，对于工业领域来说，这意味着更多可能性，比如提升生产效率、改善良品率、加快产线部署、实现柔性生产等等。换句话说，在工业领域，AIoT 是一件雪中送炭而不是锦上添花的事情，所以，相较于消费领域，AIoT 反而在工业领域受到越来越多的关注。

但是，热闹之余也有企业提出 AIoT 离自己还非常遥远，基础信息化、工业自动化、工业物联网才是眼下的核心任务。其实这背后投射出的，仍然是我国工业企业发展阶段的差异化。

那么，对于这样一个被市场认为是未来必然趋势的理念，不同发展程度的企业，如何做到既不盲从又不掉队、适当加码又不浪费资源、补短板的同时加速赶超？围绕这些问题，InfoQ 采访了清华大学智能制造顾问/原北重汽轮 CIO 欧阳亮老师。

以下内容根据 InfoQ 与欧阳亮老师的对话编辑整理，以飨读者：

AIoT 投产比受生产规模影响，不是每个企业每个场景都合适

InfoQ：您怎么理解 AIoT 这个概念？

欧阳亮：AI 和 IoT 过去实际上是两个独立的概念，但现在，从技术角度来说，它们正在逐渐融合。举例来说，在原来一些 IoT 的应用场景，基于数据采集、数据传输、数据分析，加上一些智能化的模块，大体上就可以理解为是 AIoT。但是，它的具体应用效果需要根据业务需求，经过一步步迭代才能逐步改善。

InfoQ：具体来说，AIoT 在工业领域有哪些主要的应用场景？

欧阳亮：我现在接触的企业基本上是点状的应用比较多。

比如某发动机制造商，他们正在尝试把一些智能化功能嵌入到新的柴油机中，从而采集柴油机的一些技术参数，实现预测性维护这样的目的。

另一个比较有意思的案例，是国内的某茶厂，他们想把制茶的过程变得更加标准化和智能化。一般来说，制茶工艺需要经过采摘、晾青、炒青、揉捻、闷堆、发酵、干燥等环节，以前茶产业的标准化比较低，这些环节基本上是依赖老师傅的经验去完成。比如，揉捻的过程需要根据环境气温等气候条件，判断揉茶机滚动的次数、频率等等，发酵的程度需要靠手摸、鼻闻甚至嘴尝。

虽然在这之前，这个茶厂通过固定标准做了一些程序化的改进，比如，什么气温条件下要杀青多长时间、揉捻多长时间、发酵多长时间等等。但是，由于制茶的品质受到环境、气候等条件的影响特别大，粗略的程序化很难达到高品质的制茶标准。这时候，就需要引入传感器、数据分析、人工智能等技术。

举例来说，通过在滚筒杀青机里装入传感器，一方面可以测滚筒里的温度、湿度，另一方面还可以通过转动的离心力对茶叶称重，从而判断它的失水情况，确定杀青的程度。

另外，AI 质量检测也是典型的场景，包括检测产品本身，也包括有些企业会通过摄像头对做流水线上工人的操作进行智能识别、分析、诊断，如果工人的动作不够规范，可能质量就有偏差。

除此之外，能源管理是 AI 应用相对做得比较多、比较好的。因为能源管理涉及的是长时间的运行，效益主要是体现在能耗的基础上，传感器的布置位置也比较标准，整体下来，它的推广和落地会比较顺畅。

InfoQ：这些场景有没有什么共同的特点？对于传统企业来说，是不是每个场景都适合智能化，会不会有些情况下反而人工效率更高？

欧阳亮：场景合不合适有很多问题要考虑。

首先，无论是机械化还是智能化，在考虑是否用机器去替代人工的问题时，一定要搞清楚你的目的是什么。还拿茶产业举例——比如说采茶，人工可以分清不同的牙瓣，根据需要采摘成不同的等级。但是，机械是一刀切，很难分辨出来。如果茶厂想做普通的口粮茶，那可能无所谓，但如果要做精细的高端茶，那肯定是有差异的。

其次，成本的考虑也是必不可少的。AIoT 的投入产出比，很多情况下会和企业的生产规模挂钩。举例来说，我最近接触了一个发电机的制造企业，他们在智能化的过程中就遇到了一个问题——发电机并不是规模化生产，一般是单点小批生产，一年可能就做几台，这时候，它要做智能化就没有规模效益——换句话说，它的成本均摊下来就会很高。

而且，由于机器数量有限，其中能采集到的数据量也很少。比如，在 AI 典型的应用场景——智能维护，如果采集数据不够，那 AI 就很难判断机器出现某一个问题是个例还是普遍问题，所以它对设备的维护指导以及设备性能的提升效果都不明显。

也就是说，企业在找智能化场景的时候，还要从自己的现实情况出发，要做匹配自己企业体量和生产规模的投入。

AIoT 落地最难的是想法的量化、模型调优和设备改造

InfoQ：您觉得 AIoT 的落地应用，最难的部分是什么？

欧阳亮：最难的是人的想法如何去量化。因为每个人的感受和经验是比较主观的，比如，牛排要几成熟，每个人的标准不一样；再比如，中医诊断讲究望闻问切，那么望闻问切的结果怎么量化，每个医生的标准也不一样。在这个过程中，算法模型的构建就会变成很大的问题。

如果具体到 AIoT 这个领域，还会涉及怎么采集数据，采集来的数据怎么去归类，以及算法模型的参数怎么按照工业机理去调整等等。

以工业场景的供应链采购为例：订货量多少合适，不同阶段的订货量怎么拆分，面向不同供应商的订货量如何分配，报价均衡点如何把握，决定这些信息的主要是企业的排产，基于排产计划，还可能需要预留一定的供应链响应时间。而这整个过程会有很多人为因素的影响，不见得每一个相关数据都能被采集、记录并且输入到模型里头去。这就会非常影响算法模型的准确性和可参考性。

此外，在 AIoT 场景下，企业需要采集比以往还要更多、更细的数据，这时候会出现数据堆叠。比方说，我们要采集电梯的运行数据，包括电流、电压、平稳度等等，才能及时对电梯做保养、维修，预防突发故障。但其实很多电梯原本自己就有一套传感器，这些数据本来就是存在的，只不过它可能是封闭不对客户开放的，或者它是老的传感器，精度达不到相应的标准，这时候就不得不再装一套传感器。

对工业企业来说，也是相似的，传统制造产线上有大量的老旧设备，从设备的采购、运行到报废不是两三年的时间，可能是十几年甚至几十年，在引入新技术的时候就必须做改造。

InfoQ：如果涉及大量的设备改造，是不是意味着它的经济性也没有那么好？

欧阳亮：主要矛盾是这笔钱从哪块出。对于企业来说，投入一笔钱就必须有出处，换句话说，就是从哪个角度去立项。

举例来说，如果从设备的维修维护角度立项就会比较难，因为大部分企业每年在维修维护方面的投入并不是特别多；而如果从研发的角度去立项，那就需要管理层领导自上而下有强烈的研发诉求，通常来说，需要这个东西有广泛的应用前景和市场机会，企业才愿意去做研发的立项。

对于 AIoT 而言，它背后会涉及很多技术，包括物联网、算法模型、大数据等等，所以，它是很大的一个投入，而且算法研究完了以后，还要用到实践中，反复地迭代，这个过程也是漫长的，很难在短期内看到成效。

但国内的大部分企业还是追求短期效益，这和 AIoT 的落地周期又是相背的。拿模型来说，它一定是数据积累越多精准度越高，但是这一方面需要时间的积累，另一方面还需要覆盖面的积累。有时候，我们的企业缺乏这种耐心。

所以，是不是要做设备改造或者落地 AIoT 更多技术，包括背后的经济性，需要企业纳入到战略层面，自上而下、由内而外去做全面的考虑，它需要管理层有决心也有耐心。

InfoQ：那对企业来说，怎么找到这种长期投入和短期效益之间的平衡？

欧阳亮：首先，大家需要慢慢从根本上改变这种意识。其次，可以先做小范围的投入和试错，慢慢再推广和迭代。比如刚开始，除了算法以外其他投入不会太高，拿传感器来说，市场上现在大部分是自带蓝牙、存储、智能化等功能的，只要把它嵌入到指定设备，能够输出数据就行；再比如算法模型的投入，刚开始可以做得粗一点、简单点，后面再逐渐细化和优化。

而且，现在有一些技术手段是可以帮助企业缩短这个试错周期的，比如说数字孪生等等，它可以让企业迭代的动作更快一点。但话说回来，还有很多基础工作还是绕不开的，是企业必须要去做的。

AIoT 没有捷径，该补的 IT 基础课依旧绕不开

InfoQ：比如说什么样的基础工作是企业绕不开的？

欧阳亮：首先，IT 基础是一定要有的。因为 AIoT 是底层的东西，它非常注重现场的数据管理，这时候就需要一些基础技术做支撑。比如，要做边缘计算就一定要有边缘计算的网关、路由，才能把数据采集出来。

与此同时，对于工业企业来说，最基本的包括 ERP、MES 等等，这些系统中承载了企业的大量财务数据、运营数据、管理数据、生产数据等等，如果没有这些系统和其中的数据，那算法模型就没法做，边缘的数据即便采集出来也没有意义，因为边缘数据必须要融入到系统中去做统一分析，才能指导生产、做能源管理、做设备维护等等。

再拿工业互联网来说，从某种角度来看，它实际上是对 ERP、MES 这些传统系统的分拆，把它们进行 APP 化或者微服务化，通过筛选把可以开放的数据和模型放到里面，再和外部做对接，实现信息的共通和交互。所以，在这个场景下，IT 系统也是非常基础的工作。

其次，系统的整合也很重要。因为以前很多企业的系统都是业务提需求去实施的，不同业务部门或者业务条线又可能提出类似的需求，这就导致企业上了大量的系统，并且系统之间还是割裂的。

我接触过的一个企业，他们内部总共有 200 多套系统，比如其中仅仅供应链就有 4 套不同的系统，有管基础件的、有管配套件的、有管精品件的、还有管核心件的；除此之外，还有 n 套销售系统、n 套采购系统......

这时候就有两个问题，第一，底层的数据需要打通，数据要统一做梳理；第二，底层数据打通后怎么用。这是让企业很头疼的问题，但是必须花时间去做。

InfoQ：有没有什么方法或者路径可以让企业快速把基础打好，把短板补齐？

欧阳亮：其实现在企业做起来已经不是很难了，市场上有很多成熟的产品可选，企业根据自己的实际情况做选择就好。比如，对于中小企业来说，可能不需要花重金购买国外的高端 ERP 产品，现在很多国产 ERP 可能更适合国内企业。因为它们是按照国内企业的发展阶段、行业特点去做设计的。

当然，如果是大型企业，可能就要考虑更多的因素，除了通用的软件，还需要做一些定制化的开发。这时候，比较低成本和高效的做法是让行业中的第三方去做。虽然很多企业会在内部养一些专业的开发人才，但是一方面是目前市场上这样的人很少，另一方面，传统企业培养出了这些人，流失率非常高。这个企业可以去权衡考量。

总之，一定是要从实际出发，把自己核心的能力打造完整，一点点去做，这个工作其实没有太多捷径可走。

InfoQ：对于这些真金白银的投入，从实际出发确实很重要，那企业怎么才能更精准地评估自己的需求，而不是盲目跟风呢？

欧阳亮：我们说 AIoT 是 AI 和 IoT 的结合，IoT 里面会涉及网络连接能力。但是，拿我们刚刚说的茶厂的例子来说，他们使用 4G 网就已经够了，这种情况下就不一定要用5G或者立即上云。这就是从实际出发。

当然，有时候我觉得企业做很多事情都是市场逼的。比如，对于很多中小民营企业来说，要让自己跟上大企业的步伐，就要更快地去发展，这时候他们的眼界、心态可能更开放；相反，对于很多大企业来说，因为没有太大的市场压力，对于新技术、新趋势的反应反倒比较慢。

这就是为什么转型期特别考验企业的战略眼光的原因，大多数企业是市场倒逼，不是主动变革，但要实现突破，主动变革又是必须的。

嘉宾介绍：

欧阳亮，现任清华大学自动化系工业智能研究所技术专家，全国标准化技术委员会 CAD 制图技术分会(SAC/TC146/SCI)委员，原北京北重汽轮电机有限责任公司信息中心主任。2010 年-2014 年参加国家 863《大型复杂设备维修维护系统》项目和北京市制造业信息化示范工程课题主持。近年来主要从事智能制造、大数据方面的研究工作。