當前，全球工業智聯網正處在技術加速孵化、應用場景拓展、規模化擴張的關鍵時期，產業格局尚未完全確定，具有很大的發展潛力。
產業現狀方面，美中日德四國依托原有的工業互聯網產業基礎，在工業智聯網方面具有一定先發優勢；技術趨勢方面，創新主要集中在核心賦能能力與工程化應用兩個方向；產業生態上，新環節、新流程、新主體不斷涌現；整體生態上，多元主體正加強合作，技術標準與發展安全更加受到重視。
美中日德基礎產業規模占優，中等偏上收入國家緊抓機遇
基于經合組織（OECD）及世界銀行數據，中國工業互聯網研究院測算了全球59個代表性國家工業互聯網產業規模。2020年，59國工業互聯網增加值總額為3.74萬億美元。前四位分別為美國8858.40億美元、中國5664.56億、日本3055.66億、德國2475.94億，美中日德四國規模之和超過全球規模的50%。
根據收入水平，高收入國家總計規模達到2.55萬億美元，占比68.12%，增速為1.41%；中等偏上收入國家為0.94萬億美元，占比25.21%，增速達到7.34%；中等偏下收入國家為0.25萬億美元，占比6.67%，增速為1.59%。
可以看出，高收入國家依托自身已有的發達工業產業體系，在產業基礎方面具有先發優勢，但中國、俄羅斯、巴西等中等偏上收入國家正努力抓住新一輪技術革命與產業革命發展機遇，在國民經濟體系中加強工業智聯網應用，力爭實現工業智聯網發展的“彎道超車”。
技術創新主要面向，核心賦能能力增長與工程化應用
當前工業智聯網技術創新主要針對兩個方向，一是向上面向更復雜知識處理、更高性能需求的核心賦能能力增長技術創新，二是向下面向工業部署落地的工程化突破應用創新。
在核心賦能能力方面，第一，數據科學圍繞更復雜更多樣的工業問題，以深度學習為核心開展創新。深度強化學習（DRL）通過在工業實踐中不斷迭代試錯，優化動態環境與復雜場景中的多元決策執行，在產品設計與開發、調度控制和加工路徑、運維管理和策略等方面展現出強大的優化能力。生成對抗網絡（GAN），通過兩個神經網絡不斷博弈，增加有效工業樣本數量，改善工業數據質量，為工業模型訓練提供數據基礎。
第二，基于深度學習，應用創新重點提升面向生產與客戶的關鍵問題識別能力與知識服務能力。工業視覺技術更加聚焦高精度小目標識別場景，以及低質量數據情況下的處理能力。自然語言處理（NLP）圍繞用戶服務環節，提升用戶交互識別能力，通過分析知識圖譜，深度挖掘客戶需求，提升服務效率質量。
第三，知識工程走向圖譜化、自動化構建更新與定量復雜決策。工業知識的數據獲取、知識加工、知識應用核心環節已經明確，工業知識圖譜的自動化構建與更新架構逐漸成型，語義處理環節由人工處理向自動化抽取和融合轉變，圖譜更新環節實現動態組織自更新，部分機構已建立起知識“開放眾包”機制進行圖譜管理。
第四，工業機器人交互和學習方式正在向人機、類腦、腦機技術方向轉變。雙向腦機接口、類腦+腦機接口等技術突破將深刻改變人機協作模式，并將從機器學習中獲取可解釋性強的經驗，但目前這一領域還處于理論研究與實驗階段。
在工程化應用方面，第一，芯片與模型軟硬件共同發力解決模型效率問題。當前以馮·諾依曼結構為主的芯片架構正面臨“內存墻”挑戰，國內外AI企業與芯片制造商推出加速模塊、邊緣計算盒子等硬件，聚焦架構設計、場景優化方向開展多樣化探索。目前，知識圖結構蒸餾、知識精餾、參數剪枝量化等模型效率提升技術廣受關注，但其專用性與學術性較強，限制了工業落地推廣。
第二，在設備管理、流程優化等領域提升流程可解釋性。一方面，在質量檢測、設備異常識別等場景中，基于特征可視化方法挖掘因果/相關關系，并進行可視化輸出；另一方面，在故障根源分析、生產缺陷預測等場景中，利用決策樹、決策規則、工業知識圖譜等可解釋模型的局部/全局近似來提升可解釋性。
第三，聚焦小樣本困境與行業領域數據集構建問題提升數據可用性。小樣本困境在于當前工業數據零碎化、邊緣化、相關性弱導致難以提煉知識，目前主要存在數據擴充、先驗知識引入、優化模型結構幾類解決路徑。
第四，AI框架逐步成為加速工業融合與規模化落地的核心領域。一方面提供統一、可擴展的基礎架構層，提升模型訓練性能，一方面針對目標硬件做定向適配、特屬優化，保證端側模型部署與推理速度，最終目標是提升AI框架的適配與易用性，推進工業融合與規模化落地。
整體工業生態建設催生出，新環節流程、新競爭主體
隨著工業網聯技術深入發展，發達國家愈發重視網聯技術對重塑整體工業生態與提升國家產業競爭力的重要作用，發展目標從早期的重振本土制造業轉向充分發揮工業智聯網滲透、賦能、改造效應，提升整體工業產業發展質量。
美國進一步加大政府對人工智能、5G、先進制造等產業的扶持力度，持續追加研發投入。德國接續發布《數字化戰略2025》《德國工業戰略2030》等系列戰略政策，推動形成多層次工業網聯產業集群。歐盟及其成員國持續推動新興產業發展與再造已有產業的高附加值環節。日本啟動“工業價值鏈計劃”，建立本地化互聯工業支援體系。
在整體工業生態建設目標下，當前涌現出行業數據標注等新環節、新流程，以AI為核心的服務型企業成為新市場主體的典型代表。數據標注等數據服務產業集中在倉儲物流與安全場景，大規模、高質量的標注數據集逐漸成為產業發展的剛需。
工業場景碎片化特征要求工業智能模型需要不斷迭代優化，當前在高價值設備健康管理等領域誕生了一批以AI技術為核心的工業服務型企業，將AI能力注入工業生產管理過程，為用戶提供設備監管、運維、預測性維護等智能化服務。除AI服務型企業外，大型咨詢公司也加入智能服務市場競爭，以定制化智能解決方案優勢擴大市場份額。
多元利益主體協同合作，重視技術標準與產業發展安全
工業網聯技術產業大致存在兩類發展模式，以美國為代表的企業主導模式“自下而上”通過產業聯盟的方式，打破行業、區域等技術壁壘，促進物理系統與數字網絡融合；以德國為代表的政府主導模式“自上而下”開展政府與相關者之間的合作，集聚各級企業推進標準、研發、試驗等研發工作。
無論是“自下而上”還是“自上而下”，政府、研究機構、服務提供商、工廠運營商、機械制造商、平臺運營商等多元主體間的協同合作成為主流趨勢。
隨著工業網聯技術標準建設的重要性以及安全問題的特殊性愈發凸顯，世界各國逐步加大標準建設及安全問題政策權重，形成“技術—標準—安全”三位一體產業發展重心。根據歐盟物聯網創新聯盟的統計，目前全球共有100多個工業網聯技術標準化組織，其中德、美兩國處于領先地位。
共0條 [查看全部] 網友評論