工業物聯網（IIoT）生态建構三字經：先做人、後修心、再打怪！

這周我參加了西門子MindSphere的主題日活動，還客串了嘉賓對話環節的主持人，有圖有真相，不過機智如我，在你翻到之前，正面大頭照已被我雪藏。

這篇文章并不想談MindSphere，而是想談談這一輪工業物聯網IIoT平台的崛起，以及制造企業、系統內建商、應用開發商等各方應該如何順勢而為。

為了順應各行各業均以聯考的名義大肆“裝嫩”的社會潮流，是以我在這兒先重溫過往重點。在文章《GE、西門子、KUKA、羅克韋爾，已打響2017工業物聯網生态戰的第一槍》中，我已經對各個知名工業自動化企業正在做的IIoT雲平台進行了全面介紹，也對GE、IBM、PTC、Intel、SAP、微軟、Oracle、亞馬遜、艾拉物聯、博世、Carriots、Connecthings、Cumulocity、Jasper、Kaa、thethings.iO等IIoT雲平台進行了對比分析。

在此不再贅述，跟不上進度的同學請自行腦補。

正在發生的新一輪工業革命，核心就是工業物聯網IIoT。而IIoT的核心，就是用好資料這個“利器”，驅動實體實體世界與虛體數字世界發生融合變革。至于如何用好資料這個利器，就得靠志同道合的合作夥伴，圍繞在IIoT生态圈周圍，共同發力。

無虛體，不智能。由實體實體與數字虛體構成的“二次元世界”，被稱為“數字化雙胞胎”（DigitalTwins），包括“産品數字化雙胞胎”、“生産工藝流程數字化雙胞胎”和“裝置數字化雙胞胎”3個層面。

在Gartner釋出的“2017年10大戰略技術趨勢”中，“數字化雙胞胎”被列入其中，Gartner認為“它對各行各業具有巨大的颠覆潛力”。

未來的制造業将由數字虛體接手“掌管”，因為隻有它才可以做好兩件事情：一是可以監測制造業現場的生産能力、營運效率和裝置的運作狀态，實時有效的管理工廠操作；二是能從研發、制造、售後等産品全生命周期各個環節中，全方位透析工廠生産出來的産品性能。

然而，令業界沮喪的是，思科最新的一項研究表明，盡管企業級的物聯網項目越來越普及，數字化雙胞胎接踵降生，但是失敗的機率接近75%，這其中不乏已經實際傳遞的項目。

如此萎靡的“良品率”，如此高昂的代價，你怕了嗎？

失敗的原因五花八門，有些是技術因素，比如裝置不能有效的采集與分析資料；有些是專業因素，比如解決方案提供商對垂直行業缺乏專業認識；還有些是管理因素，比如IT與OT部門之間缺乏溝通。

不過這些都不是導緻物聯網項目失敗的本質。

如果反過來觀察那些成功的物聯網項目，他們有一個明顯的共同點：善用夥伴，共建生态。成功實施工業物聯網項目的核心是善于利用各種合作夥伴的能力，建設好IIoT生态圈，這些戰略合作夥伴之間形成優勢互補，完成技術整合，還能兼顧企業文化和商業模式等軟性因素。

IIoT生态系統包含小生态和大生态不同層面，圍繞某一制造企業，彙聚上下遊和相關合作夥伴，涵蓋從生産規劃、自動化裝置供應、工藝裝置制造、項目實施、生産服務、工廠維護等各個環節與資源的整合，進而形成的生态系統是最基礎的單元。以此起步，可以擴充到深耕整個垂直行業，乃至跨越不同行業的大型IIoT生态系統。

在《曾子》這本書中，曾經提出一個用人原則：“用師者王，用友者霸，用徒者亡。”這個道理用在工業物聯網生态系統的建立過程中也頗為合适，不能僅靠一己之力，從合作夥伴中借力借勢才是工業物聯網成功的關鍵。制造企業、系統內建商、應用開發商等都是生态系統中的不可或缺的重要角色。

畢竟IIoT生态系統是我們之前從來沒有接觸過的東西，也有潛力創造出難以置信的新價值。但是大部分機會，都需要與各類供應商協作，與上下遊合作夥伴共享。你吸引來的合作夥伴，究竟是“老師”、“朋友”還是“徒弟”，究竟是行業專家、資深同行，還是創客極客，對于IIoT項目的成敗或将不同。不過有一點，單打獨鬥等于找死。

想用人，先做人。IIoT生态系統的吸引力首先取決于建設者願意在多大層面上共享你的資料、洞察和與之相伴的利益，并且由此建立起一條牽動各方合作夥伴的牢固紐帶。

在建設IIoT生态系統這個問題上，不得不感歎西門子、IBM、微軟等公司的高明手段，一上來就從最難的跨行業生态系統開始入手，“欲上民，必以言下之”，他們在彙聚合作夥伴的過程中，不僅态度端正、開放共享，而且舍得投入，放開手腳，大展身手。

反觀國内企業，生态系統的營造恰恰是“木桶”的短闆，要麼不能提供足夠的安全性說服裝置擁有者上傳資料，要麼沒法平衡公有雲、私有雲之間的知識産權保護，要麼沒有站在合作夥伴的角度想好利益的配置設定機制，要麼盲目追求表象而忽視本質，注重數量而忽視品質，吸引大批不懂行業的創客開發者，最終陷入自己挖這個“劣币驅逐良币”的坑裡。

理清合作夥伴關系對于IIoT生态的重要性之後，接着分析參與的各方應該如何順勢而為。

既然新一輪的工業革命，由工業物聯網将引發數字虛體的迅速“上位”，制造企業、系統內建商、應用開發商不僅要從定位上，别把自己太當回事，而且要客觀的把自己視作IIoT生态系統中的一環，還要從思維上，着手提升“内功修為”，做出相應的快速轉變：

制造商：越來越多的制造企業已經意識到了，工業物聯網的重要性已經超越了傳統自動化系統，關于工業物聯網這個事情怎麼重視都不為過。

對制造企業而言，工業物聯網不是采購部閑來無事購買的一項新技術，也不僅僅是IT部門為了提升生産效率而上線的一套新系統，而是從内到外改善業務流程的一種“全系換血”。

在這一點上，廣州明珞汽車裝備有限公司總經理姚維兵作為貼近制造企業的OEM，也有自己的觀察。他認為很多企業并沒有對智能制造形成一個清晰的認識，大資料、智能分析、物聯網，不僅是技術的進步，還有管理流程的重塑。大部分企業都在采用非标準化的生産服務，整個過程對“人”的依賴程度很高，而将整個設計、規劃、工程、制造等流程與“人”解耦，依托“資料”進行操盤，是大部分企業面臨的痛點難點。

內建商：從工業物聯網的視角出發，系統內建需要跨越工程、生産、資料、資訊，撮合多方協作，尤其是在分工進一步細化之後，如何準确辨識、合理安置那些靠譜的新冒出來的IIoT生态圈角色，這是系統內建商首當其沖面臨的挑戰。

在制造過程中，數字虛體的資訊粒度和實時性要求比日常消費品中的IoT場景嚴苛很多，有些裝置資料能夠通過邊緣計算就地管理，有些裝置資料則要通過雲端的智能分析産生洞察和決策，系統內建商需要對這些差別與架構了然于心，讓現場工程師、維護工程師、産品設計師、市場營銷人員、公司決策層從數字虛體中各取所需。

從商業模式上，系統內建商不再隻做一錘子買賣，而是圍繞IIoT創造實時分析、資産管理、預測性維護等新的收益來源，獲得細水長流的經常性收入。

應用商：随着IIoT生态帶來的分工細化，各種分工之間的界限也正在變得模糊。上海大制科技有限公司和源訊資訊技術（中國）有限公司是新一代應用軟體開發商的代表。大制公司首席執行官郭雲提到他們不僅操心基于場景的SaaS應用開發，還得操心IIoT項目方案咨詢、資料采集、資料分類、商業智能分析等方方面面。

源訊公司解決方案事業部中國區總經理關利星平時不僅得調配資源，比對使用者需求，還得及時梳理制造業的痛點，并将解決方案提升到更高層次的工廠價值管理與可持續發展的次元。源訊的大部分客戶都不是從零開始起步，而是大型的制造業企業，客戶希望不打斷原有業務，直接無縫的切換到IoT業務模式，這就需要在規劃層面上深厚的管理咨詢功力。

關利星還談到了一個有趣場景，工業物聯網不僅讓小規模靈活性極高的定制化生産成為可能，還能追蹤到原本不可能被記錄的資料。舉個栗子，比如超市收銀台掃描商品，以前隻能記錄掃描成功的商品資料，而現在通過雲計算我們還可以記錄掃描不成功的商品資料，有了這些完備的資料做基礎，你不僅可以分析為什麼成功，還可以知道為什麼不成功，從正向思維和逆向思維兩個次元提升服務。 

做好人，修成心，營造工業物聯網生态的旅程也未必能走得一馬平川。

一般我們把IIoT的旅程劃分為4步：資料采集和存儲、生産管理和分析、商業智能和決策，以及商業模式變革。不要小看各個步驟之間的演進，每項都是一次打怪更新的過程，紮實走好每一步旅程不容易，這其中有3個需要把握好的關鍵點：

1. 裝置的可靠和安全

不用我說，100個人裡面101個都知道可靠和安全是基礎。不過，做到絕對的可靠和安全，不是一項技術，而是一門藝術。

可靠的IIoT基礎設施，確定關鍵的運算、網絡和存儲資源正常運作，避免意外停機。安全則包含兩個層面，首先是保護資料不損壞、不丢失，其次是保護資料不被盜用或篡改。

我在之前的文章中曾經專門讨論過物聯網的安全問題，這裡就不再複述了。攻陷美國東海岸裝置、全球攝像頭和各種路由器的Mirai、Hajime、BrickerBot等，這些專供物聯網的病毒隻是多米諾骨牌效應的開始，過去3年中，攻擊者在物聯網裝置上掃描漏洞的比例增加了3,198%。安全問題不是“黑天鵝”，而是可以被劃分為大機率且影響巨大的“灰犀牛”事件，你我這輩子都注定會遭此劫難，但不一定有幸全身而退。

如果看到這裡，你的感覺是“物聯網安全問題讓人覺得好怕怕啊，我那個玻璃心的工廠可承受不了任何安全的打擊。”我勸你還是别聽我的建議，别進入IIoT生态圈比較好。

2. 消除孤島的連接配接

物聯網的首要作用是允許任意裝置在任意位置加入，并消除所有資訊孤島，将各個裝置連接配接在一起。同樣，IIoT工廠内部的互聯裝置不是孤立進行工作，而是需要跟整個生态系統相結合。一些大公司已經配備了滿足自身需求的裝置分析系統，而一些中小公司裝置分析能力還比較薄弱，裝置互聯的問題有待重視。

互聯裝置不僅僅局限在工廠内部，也并不局限在跨越地域的同一企業内部，互聯的深度和廣度決定了IIoT生态的格局。

具體來說，工業物聯網的連接配接包括4種模式：

從裝置到裝置：通過工業以太網、藍牙和Zigbee等通訊協定，将同一網絡内的IoT裝置互相連接配接。

從裝置到雲平台：IoT裝置直接連到雲平台，比如IoT工程車輛監控裝置，收集車載資料，如距離和速度等，然後将這些資料傳輸到雲平台進行追蹤與分析。

從裝置到網關：通過網關，将傳感器采集的資料傳輸到雲平台，網關負責收集和傳送資料。

從雲平台到雲平台：雲平台之間的互聯屬于後端資料共享的範疇，使第三方能夠通路IIoT裝置上傳的資料，利于跨系統乃至跨行業裝置之間的互相協作和智能決策。

3. 有進化能力的智能

機器學習算法能夠識别生産模式和提取回報，可用于優化生産操作。預測性分析可确定整個工廠系統故障以便及時修複或更換裝置避免耽誤生産期。

在工業領域，運用機器學習和認知算法提升産品性能和使用者體驗的創新型企業越來越多，善于利用機器學習工具，有助于讓數字虛體更好的創造價值。

科技巨頭，例如，亞馬遜、IBM、谷歌、微軟等，正在加緊布局人工智能、機器學習、深度學習在全行業的應用，下面是7個在IIoT領域可供使用的機器學習工具：

Amazon Machine Learning：使用先進的算法和公式建立機器學習模型，助力查找現有資料中的模式。然後，這些模型用于處理新資料并幫助生成預測。

Tensor Flow：一個開源軟體庫，主要用于使用資料流圖的數值計算。該系統可以适用于各種其他領域。

Azure Machine LearningStudio(AMLS)：一個服務架構。它能夠使企業能夠适應Azure雲中的機器學習解決方案。

H2O：也稱為H2O.ai，正在為全球最具影響力的一些公司開發關鍵任務資料産品。H2O提供基于Web的使用者界面，同時可通路機器學習軟體庫，并開啟機器學習的過程。

Caffe：這個廣泛的平台鼓勵使用它的企業對應用進行創新。Caffe支援廣泛的代碼使用。Caffe幫助學術研究項目，啟動原型，以及視覺，語音和多媒體等大型工業應用。

MLlib：ApacheSpark的機器學習庫，它包含常見的學習算法和實用程式，包括分類、回歸、聚類、協同過濾、維數降低等。MLlib易于部署和運作在現有的資料叢集上。

Torch：一種廣泛使用的開源機器學習開發架構。它允許基于神經網絡的算法在GPU硬體上運作，而不需要在硬體級别進行編碼。

工業物聯網生态就像一個生命體，單個細胞無法工作，必須形成一個互相依存的有機整體才能高效運作。使用工業物聯網打造的未來工廠，是一個随時可以被靈活修改和塑造的“精靈”，它比以前任何時候都更加透明，連接配接的裝置和環節也是前所未有的數目衆多，從産品研發、原材料供應、到生産制造、物流運輸、再到分銷管道、客服中心等，環環相扣。如果想要最大化的發揮這個“精靈”的潛力，眼光不能隻盯住企業内部，而是應該依據自身這一環，向上向下、由内而外拓展視角，當你環扣了衆多産業資源和合作夥伴，精靈會自己成長。

背好“先做人、後修心、再打怪”三字經，隻有各方認識到夥伴關系的重要性，擺正定位和心态、各練内功，抓住工業物聯網旅程中的關鍵要素，才能通過協作創造共赢的最大價值。 

原文出處：物聯網智庫

<a href="http://www.iot101.com/kpwl/2017-06-12/13280.html" target="_blank">原文連結</a>

轉載請與作者聯系，同時請務必标明文章原始出處和原文連結及本聲明。