工業(yè)4.0和工業(yè)物聯(lián)網(IIoT)已成為大眾話題，但許多人都沒有意識到，在將物聯(lián)網(IoT)原理運用于工廠的生產流程時，在轉換過程中會損失什么。

建立IIoT的理念是，運用于加速IT技術進展的技術同樣可以應用于運營技術(operational technology，OT)。這個想法仍然合理，但工廠生產在線有一些細微差別被忽略了，這兩種環(huán)境仍然有所不同。

一方面，摩爾定律(Moore’s Law)多年來一次又一次地滿足了IT界對速度更快、功能更強大的處理器的無止境追求。然后是人工智能(AI)；隨著深度學習開始應用到各個專業(yè)領域，例如機器翻譯(machine translaTIon)、藥物設計(drug design)和西洋棋，制造產業(yè)開始意識到機器也可以產出與人類專家相當——在某些情況下甚至優(yōu)于人類專家——的成果。

另一方面，現(xiàn)在OT領域中部署的控制系統(tǒng)仍處于工業(yè)時代，很多工廠和公用基礎設施尚未連網。它們建立在專屬控制系統(tǒng)之上，只能在封閉環(huán)境中運作，獨立于IT基礎設施。

工廠管理者發(fā)現(xiàn)，將IT基礎設施的進展轉移到工業(yè)控制系統(tǒng)并非易事；首先必須將IT機制轉化為OT，而最適合執(zhí)行這個任務的，非早已熟悉工廠環(huán)境的那些公司莫屬，例如英飛凌(Infineon)、瑞薩(Renesas)、意法半導體(STMicroelectronics)和德州儀器(TI)等。
TI副總裁暨連網微控制器事業(yè)部門總經理Ray Upton表示，比較IT和OT系統(tǒng)，OT在能源消耗和延遲等方面的要求與IT截然不同，“工廠生產在線的各種幫浦和馬達內部有成百上千個傳感器，絕不允許停機；”他表示：“可預測性、安全性、可靠度和能效等條件，對工業(yè)控制系統(tǒng)至關重要?！?/p>

而一座智能工廠所需的基礎設施，其強韌度和可靠度要比一般的IT基礎設施高出一個等級。

公用因特網連結？

最棘手的一個IIoT挑戰(zhàn)是連結，無論是有線還是無線；按照定義，工業(yè)物聯(lián)網需要與因特網連結，但工廠管理層最不希望看到的是制造系統(tǒng)受到網絡攻擊。實際上，多年來人們都認為工業(yè)控制系統(tǒng)(ICS)環(huán)境應該與IT網絡隔離(air-gapped)，以防范黑客攻擊。
但是大多數(shù)專家現(xiàn)在卻承認，除了像核能發(fā)電廠那樣的特殊環(huán)境，“隔離不切實際，”工業(yè)用網絡安全方案供應商CyberX副總裁Phil Neray如是說。

Neray表示：“有越來越多IT和OT網絡連網，以方便工業(yè)設備的遠程監(jiān)控和維護；但這卻增加了遭受攻擊的可能性；”根據CyberX的“全球ICS與IIoT風險報告”(Global ICS & IIoT Risk Report)，有三分之一的OT網絡是與公共網絡相連。

“更糟糕的是，”他補充指出：“大多數(shù)OT通訊協(xié)議都是多年前所設計，而且在設計時就不夠安全；”例如，對于將新的梯形邏輯(ladder logic)或韌體上傳到控制器而言，這類協(xié)議并不需要認證。簡而言之，破解了OT網絡的攻擊者通?？梢宰杂傻仄茐钠湓S多ICS設備。顯然，除了OT管理人員愿意承認的問題以外，還有很多的工廠安全問題需要解決。

工廠管理層所關注的另一個重要問題是，如何更妥善地將AI導入OT。動機很明確：德國和日本的人口數(shù)量正在迅速減少，尤其是15至64歲之間的勞動年齡層，制造業(yè)從業(yè)人數(shù)將在未來40年內急遽減少。即使是中國，2020年后的勞動人口也將大幅減少。

讓我們來假想一下，在你的工廠里有一個老練的營運經理，我們暫且叫他Larry；他有很豐富的經驗，能夠發(fā)現(xiàn)生產在線的某些異常現(xiàn)象。然而，要是AI能夠做Larry的工作，那么我們何必要讓Larry去工廠生產在線檢查制造過程中的每個環(huán)節(jié)，或者雇用更多像Larry這樣的經理呢？似乎AI可以發(fā)現(xiàn)并傳達任何可能引起生產故障的異常情況。AI可望實現(xiàn)生產線的持續(xù)監(jiān)控，確保小缺陷不會進入到生產的下一個階段。

理論上是這樣，因此工廠管理層現(xiàn)在就渴望能嘗試AI；然而要想將AI運用到工廠生產線，要比預期困難得多。

日本MCU領導供貨商瑞薩對客戶進行了調查，發(fā)現(xiàn)有超過30%的工廠已經導入AI技術，盡管它們的規(guī)模都不大；而在那些已經開始導入AI的客戶中，有80%表示他們還無法完成概念驗證。他們對AI的實現(xiàn)成本感到驚訝，并表示他們不知道何時可以看到投資報酬。瑞薩發(fā)現(xiàn)，只有6%的調查對象正在推進AI智能制造。

有部份企業(yè)將這個問題歸咎于他們的AI應用經驗不足；其他公司則表示他們內部缺乏能夠充分利用這項技術的數(shù)據科學家。

統(tǒng)計性vs.實時連續(xù)AI

瑞薩工業(yè)解決方案事業(yè)部戰(zhàn)略和規(guī)劃部門資深總監(jiān)馬場光男(Mitsuo Baba)認為最先會遇到的困難是IT和OT AI實現(xiàn)之間的差異。針對工廠營運的“實時連續(xù)AI”(Real-TIme continuous AI)與大數(shù)據公司推動IT自動化采用的“統(tǒng)計性AI”(statistical AI)有著鮮明對比。
AI不是萬靈藥，馬場表示，當生產在線的特定問題已經被確定時，AI最能妥善應用于OT；AI會要求OT管理者將生產過程分解為多個小塊，然后在每個終端節(jié)點進行AI推理，使用實時輸入數(shù)據來執(zhí)行“做或不做”的決策。

每家想要在智能工廠推銷IIoT和AI解決方案的芯片供貨商，都是先在自己的晶圓廠進行概念驗證測試。Upton透露，該公司正在其德國工廠展開IIoT試運轉項目；TDK技術長松岡大(Dai Matsuoka)則表示，該公司已在其日本和歐洲的生產在線安裝了以多模傳感器(multimodal sensor)為基礎的預測分析系統(tǒng)。

瑞薩已經在其那珂晶圓廠(Naka Fab)展開了為期兩年的AI試運轉項目；根據馬場表示，瑞薩工程師將AI單元連接至半導體制造設備，該裝置可以用20倍的速度收集數(shù)據并進行AI分析，無需連接到廣域網，也不需要將數(shù)據傳送到云端。瑞薩指出，在其傳統(tǒng)的故障檢測和分類系統(tǒng)中增加e-AI方案，可以使異常檢測精度提高六倍。

根據業(yè)界消息，美國大廠GE旗下子公司GE Healthcare Japan聽說瑞薩那珂廠的應用案例后，也在其日本的日野(Hino)廠采用瑞薩的AI解決方案來測試其效果。GE Healthcare在現(xiàn)有設施中以附加AI單元的形式，安裝了針對故障檢測和預測性維護開發(fā)的系統(tǒng)；根據該公司表示，測試結果顯示整體產品缺陷減少了65%。

AI在工廠中的應用仍處于初期發(fā)展階段，對于嵌入式技術供貨商如何學會了讓AI在自家生產在線發(fā)揮作用，制造商將會聽到更多的案例；這些故事聽起來充滿希望，但還是先抱持懷疑的態(tài)度吧！