AIoT 是近兩年來的一個熱門關鍵詞。

看兩組數據：根據市場調查公司 MarketsAndMarkets 統計報告，AIoT 自 2017 年首次提出，到 2019 年全球市場規模達到了 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，據其預計，到 2025 年，全球 AIoT 市場規模將達到 11.2 萬億美元。

這樣的搶眼數據自然引來大量玩家加入 AIoT 產業鏈賽道，除了原來在物聯網領域的企業之外，博世作為傳統工業巨頭代表，在今年也宣布把 AIoT 作為 2025 年發展戰略——目標是到 2025 年，讓博世的每款產品都帶有 AI 功能，或者在開發和生產過程中運用 AI 技術。

博世此舉讓更多的傳統制造企業看到并開始關注 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”，對于工業領域來說，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、實現柔性生產等等。換句話說，在工業領域，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 反而在工業領域受到越來越多的關注。

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

那么，對于這樣一個被市場認為是未來必然趨勢的理念，不同發展程度的企業，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 InfoQ 與歐陽亮老師的對話編輯整理，以饗讀者：

AIoT 投產比受生產規模影響， 不是每個企業每個場景都合適

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，基于數據采集、數據傳輸、數據分析，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業務需求，經過一步步迭代才能逐步改善。

InfoQ：具體來說，AIoT 在工業領域有哪些主要的應用場景？

歐陽亮： 我現在接觸的企業基本上是點狀的應用比較多。

比如某發動機制造商，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，實現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、發酵、干燥等環節，以前茶產業的標準化比較低，這些環節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環境氣溫等氣候條件，判斷揉茶機滾動的次數、頻率等等，發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、發酵多長時間等等。但是，由于制茶的品質受到環境、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、數據分析、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？對于傳統企業來說，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。還拿茶產業舉例——比如說采茶，人工可以分清不同的牙瓣，根據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的生產規模掛鉤。舉例來說，我最近接觸了一個發電機的制造企業，他們在智能化的過程中就遇到了一個問題——發電機并不是規模化生產，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，由于機器數量有限，其中能采集到的數據量也很少。比如，在 AI 典型的應用場景——智能維護，如果采集數據不夠，那 AI 就很難判斷機器出現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，企業在找智能化場景的時候，還要從自己的現實情況出發，要做匹配自己企業體量和生產規模的投入。

AIoT 落地最難的是想法的量化、 模型調優和設備改造

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，中醫診斷講究望聞問切，那么望聞問切的結果怎么量化，每個醫生的標準也不一樣。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據，采集來的數據怎么去歸類，以及算法模型的參數怎么按照工業機理去調整等等。

以工業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據都能被采集、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，企業需要采集比以往還要更多、更細的數據，這時候會出現數據堆疊。比方說，我們要采集電梯的運行數據，包括電流、電壓、平穩度等等，才能及時對電梯做保養、維修，預防突發故障。但其實很多電梯原本自己就有一套傳感器，這些數據本來就是存在的，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。

對工業企業來說，也是相似的，傳統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，因為大部分企業每年在維修維護方面的投入并不是特別多；而如果從研發的角度去立項，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，企業才愿意去做研發的立項。

對于 AIoT 而言，它背后會涉及很多技術，包括物聯網、算法模型、大數據等等，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，它一定是數據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，需要企業納入到戰略層面，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，能夠輸出數據就行；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化。

而且，現在有一些技術手段是可以幫助企業縮短這個試錯周期的，比如說 數字孿生 等等，它可以讓企業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，它非常注重現場的數據管理，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，才能把數據采集出來。

與此同時，對于工業企業來說，最基本的包括 ERP、MES 等等，這些系統中承載了企業的大量財務數據、運營數據、管理數據、生產數據等等，如果沒有這些系統和其中的數據，那算法模型就沒法做，邊緣的數據即便采集出來也沒有意義，因為邊緣數據必須要融入到系統中去做統一分析，才能指導生產、做能源管理、做設備維護等等。

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

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

我接觸過的一個企業，他們內部總共有 200 多套系統，比如其中僅僅供應鏈就有 4 套不同的系統，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、n 套采購系統......

這時候就有兩個問題，第一，底層的數據需要打通，數據要統一做梳理；第二，底層數據打通后怎么用。這是讓企業很頭疼的問題，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快速把基礎打好，把短板補齊？

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

當然，如果是大型企業，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。這時候，比較低成本和高效的做法是讓行業中的第三方去做。雖然很多企業會在內部養一些專業的開發人才，但是一方面是目前市場上這樣的人很少，另一方面，傳統企業培養出了這些人，流失率非常高。這個企業可以去權衡考量。

總之，一定是要從實際出發，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，從實際出發確實很重要，那企業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。

當然，有時候我覺得企業做很多事情都是市場逼的。比如，對于很多中小民營企業來說，要讓自己跟上大企業的步伐，就要更快地去發展，這時候他們的眼界、心態可能更開放；相反，對于很多大企業來說，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的戰略眼光的原因，大多數企業是市場倒逼，不是主動變革，但要實現突破，主動變革又是必須的。

編輯：黃飛

?