雖然人工智能已經火得一塌糊涂，但在過去的一段時間內，它與工業(yè)物聯(lián)網（IIoT）結合的重要性卻仍未能得到應有的重視。

據預計，物聯(lián)網技術的市場價值將在2015年至2020年內達到6萬億美元，但不可思議的是，這樣一個“香餑餑”卻在當下的技術風口中遇冷。甚至，人工智能、區(qū)塊鏈這樣一些概念和技術在風頭上也已經蓋過了物聯(lián)網。

對此，近來逐漸有專家開始提出，如果沒有IIoT作為根基，人工智能將缺少非常重要的立足之地。他們表示，人工智能的應用需要大量的數據，而僅依靠機器學習和人工智能本身的技術，要想充分挖掘數據的價值是非常難的。

沒有了數據，也就沒有了人工智能； 而物聯(lián)網的價值，則在于提供海量數據。在消費品領域，物聯(lián)網常常被定義為智能音箱或者智能冰箱等實際產品。但著眼于工業(yè)，物聯(lián)網的工業(yè)化應用顯然要比消費級更具規(guī)模也更為復雜。

通過將聯(lián)網傳感器技術整合至工業(yè)流程中，工業(yè)物聯(lián)網能夠收集生產線和供應鏈中實時產生的數據，再結合人工智能進行數據分析和決策，這將在工業(yè)領域帶來巨大影響。

據統(tǒng)計，到2021年全球物聯(lián)網設備所將創(chuàng)造的數據總量將達到每年847 ZB，這遠高于2016年全年產生的數據量（218 ZB）。普華永道數字化供應鏈戰(zhàn)略負責人Jens Wunderlin表示：“物聯(lián)網最基本的特點在于提供一種連接技術，確保我們能夠從任何對象當中實時獲取特定數據。但接下來的問題是——我們該如何處理這些數據，以及如何在業(yè)務場景中落地，從而推動企業(yè)自身的運營。”

▲普華永道數字化供應鏈戰(zhàn)略負責人Jens Wunderlin

而解決辦法就是，將人工智能技術引入工業(yè)，由它來處理工業(yè)物聯(lián)網生成的大量數據。

Wunderlin介紹，這樣的案例已經“無處不在”。在工業(yè)設計流程當中，由機器學習驅動的預測能力，將推動工業(yè)自動化的發(fā)展，同時在很大程度上降低成本。舉例來說，通過人工智能與智能傳感器的結合，系統(tǒng)不僅能夠預測機器與設備何時何地需要接受高精度維護，同時還可以根據實際生產需求快速響應，并調整產量。而隨著設備停機時間的縮短，整個生產線的流程優(yōu)化效果也將產生巨大的實際價值。與此同時，整個供應鏈中的聯(lián)網設備所產生的實時數據，也將為機器學習與預測分析提供大量具有參考價值的信息。

“當企業(yè)能夠實現(xiàn)對整個全生命生產周期的預測，就會發(fā)現(xiàn)其中存在著大量的獲益空間。其中的關鍵在于確定哪些領域擁有實際層面的投資意義，以及哪些領域能夠強化自身的差異化優(yōu)勢。”Wunderlin指出。

無論企業(yè)已經或者計劃將人工智能與工業(yè)物聯(lián)網技術引入生產制造中，不可避免的是，在具體的實踐過程中，企業(yè)都將面臨一系列挑戰(zhàn)，而這些挑戰(zhàn)需要新的領導思維來克服。

普華永道英國通用電氣聯(lián)盟負責人MarTIn Musk表示：“目前的主要問題在于，企業(yè)的很多舉措都以技術為主導。然而，多數擁有大規(guī)模內部工程體系與制造專業(yè)知識的企業(yè)，面臨的挑戰(zhàn)實際上來自文化層面。”

▲普華永道英國通用電氣聯(lián)盟負責人MarTIn Musk

Musk提到，此類企業(yè)在起步階段往往面臨嚴重的“抵觸情緒”，比如已經擁有豐富日常工作經驗的工程師們并不相信數據呈現(xiàn)出的“真相”，因此拒絕根據數據結果進行工作。“因此，我們必須證明人工智能足以幫助最具經驗的從業(yè)者以新的方式增加價值，并通過數據來幫他們分擔大量工作。”Musk解釋說。

通用電氣公司的業(yè)務涵蓋了公共事業(yè)、電力、石油與天然氣、可再生能源以及工業(yè)領域各類制造、產品與服務等等，要在這么多的層面推進工業(yè)物聯(lián)網應用是非常難的。對此，Musk認為，企業(yè)需要將更多的商業(yè)視角與技術解決方案結合起來，才能真正實現(xiàn)預期的技術收益。

“從領導者的角度來看，這要求他們充分了解企業(yè)全面數字化的發(fā)展前景、了解其中潛在的影響與風險，同時還要據此考慮組織、人員以及技術等方面的協(xié)同和調整。比如說，他們需要考慮如何以全新的思維方式進行組織結構調整，同時打破員工對新技術所能帶來的實際商業(yè)利益的質疑。”Musk表示。

當然，這一切都要求企業(yè)根據自己的情況，進行一定程度的內部調整。目前，以及在未來的一段時間里，技術與數據“文盲”狀況在企業(yè)當中仍將持續(xù)存在，而人工智能及技術解決方案在供應和需求之間的錯位問題也將依舊嚴峻。

對此，Wunderlin指出，當人們談論數據分析與人工智能時，往往會將其視為一種能夠“立竿見影”的技術。他們認為，只要擁有一套數據，再將其交付給機器，就可以得到完美的解決方案和決策指導。這樣的“美好愿景”也許未來可能會實現(xiàn)，但目前的情況還遠非如此，至少還需要配合專家見解才能得到理想的結果。

除此之外，企業(yè)面臨的第二大挑戰(zhàn)則是數據的質量問題。如果一臺機器想要執(zhí)行預測任務，就需要一個原因與一項結果?；氐筋A測性維護的例子，傳感器可能會檢測到設備中存在的一項故障，而我們需要將數據進行分解并重新傳輸回機器，以便其通過分析理解哪個變量導致了這種即將發(fā)生的問題。

Wunderlin解釋稱：“對于一臺機器而言，要真正解決問題，其首先需要獲得質量極高的數據。”

因此，目前企業(yè)需要回答的關鍵問題包括：

在正確的位置是否都部署了合適的傳感器？

存儲的數據是否具有足夠的質量，是否可用于預測分析？

是否擁有執(zhí)行相關分析所需要的全部正確信息？

Wunderlin總結：“真正的挑戰(zhàn)在于如何將正確的人員與正確的數據聯(lián)系起來。雖然很多企業(yè)在基礎層面已經取得了一定成功，但一旦涉及更為復雜、甚至包含數以千計傳感器乃至更多潛在事件的場景，企業(yè)往往很難調整數據并找到其中的正確模式。”

當然，技術確實是保障任何人工智能或工業(yè)物聯(lián)網項目得以成功落地的主要因素，但總體來講，企業(yè)所采取的實際方案才決定著技術手段的實際效果。除了擁有世界上最出色的分析軟件，企業(yè)還需具備一支精通數據的團隊并愿意為此投入心力，否則有可能讓所有的努力最終一無所獲。

“大家需要考慮將企業(yè)戰(zhàn)略、人員結構、技術等不同的部分結合起來以實現(xiàn)數字化目標，而非單純認定‘采用一些有趣的新技術即可帶來價值’的見解。必須承認的是，業(yè)務主導的人工智能與工業(yè)物聯(lián)網方法將能為每個人帶來助益，并幫助企業(yè)更快實現(xiàn)由技術創(chuàng)造的實際價值，但最根本的決定性因素仍然在于企業(yè)自身及其領導者的戰(zhàn)略思維及執(zhí)行方式。”Musk表示。