虽然人工智能已经火得一塌糊涂，但在过去的一段时间内，它与工业物联网(IIoT)结合的重要性却仍未能得到应有的重视。

据预计，物联网技术的市场价值将在2015年至2020年内达到6万亿美元，但不可思议的是，这样一个“香饽饽”却在当下的技术风口中遇冷。甚至，人工智能、区块链这样一些概念和技术在风头上也已经盖过了物联网。

对此，近来逐渐有专家开始提出，如果没有IIoT作为根基，人工智能将缺少非常重要的立足之地。他们表示，人工智能的应用需要大量的数据，而仅依靠机器学习和人工智能本身的技术，要想充分挖掘数据的价值是非常难的。

人工智能与工业物联网：相辅相成

没有了数据，也就没有了人工智能; 而物联网的价值，则在于提供海量数据。在消费品领域，物联网常常被定义为智能音箱或者智能冰箱等实际产品。但着眼于工业，物联网的工业化应用显然要比消费级更具规模也更为复杂。

通过将联网传感器技术整合至工业流程中，工业物联网能够收集生产线和供应链中实时产生的数据，再结合人工智能进行数据分析和决策，这将在工业领域带来巨大影响。

据统计，到2021年全球物联网设备所将创造的数据总量将达到每年847 ZB，这远高于2016年全年产生的数据量(218 ZB)。普华永道数字化供应链战略负责人Jens Wunderlin表示：“物联网最基本的特点在于提供一种连接技术，确保我们能够从任何对象当中实时获取特定数据。但接下来的问题是——我们该如何处理这些数据，以及如何在业务场景中落地，从而推动企业自身的运营。”

▲普华永道数字化供应链战略负责人Jens Wunderlin

而解决办法就是，将人工智能技术引入工业，由它来处理工业物联网生成的大量数据。

Wunderlin介绍，这样的案例已经“无处不在”。在工业设计流程当中，由机器学习驱动的预测能力，将推动工业自动化的发展，同时在很大程度上降低成本。举例来说，通过人工智能与智能传感器的结合，系统不仅能够预测机器与设备何时何地需要接受高精度维护，同时还可以根据实际生产需求快速响应，并调整产量。而随着设备停机时间的缩短，整个生产线的流程优化效果也将产生巨大的实际价值。与此同时，整个供应链中的联网设备所产生的实时数据，也将为机器学习与预测分析提供大量具有参考价值的信息。

“当企业能够实现对整个全生命生产周期的预测，就会发现其中存在着大量的获益空间。其中的关键在于确定哪些领域拥有实际层面的投资意义，以及哪些领域能够强化自身的差异化优势。”Wunderlin指出。

数据与人才：智能工业物联网的瓶颈

无论企业已经或者计划将人工智能与工业物联网技术引入生产制造中，不可避免的是，在具体的实践过程中，企业都将面临一系列挑战，而这些挑战需要新的领导思维来克服。

普华永道英国通用电气联盟负责人Martin Musk表示：“目前的主要问题在于，企业的很多举措都以技术为主导。然而，多数拥有大规模内部工程体系与制造专业知识的企业，面临的挑战实际上来自文化层面。”

▲普华永道英国通用电气联盟负责人Martin Musk

Musk提到，此类企业在起步阶段往往面临严重的“抵触情绪”，比如已经拥有丰富日常工作经验的工程师们并不相信数据呈现出的“真相”，因此拒绝根据数据结果进行工作。“因此，我们必须证明人工智能足以帮助最具经验的从业者以新的方式增加价值，并通过数据来帮他们分担大量工作。”Musk解释说。

通用电气公司的业务涵盖了公共事业、电力、石油与天然气、可再生能源以及工业领域各类制造、产品与服务等等，要在这么多的层面推进工业物联网应用是非常难的。对此，Musk认为，企业需要将更多的商业视角与技术解决方案结合起来，才能真正实现预期的技术收益。

“从领导者的角度来看，这要求他们充分了解企业全面数字化的发展前景、了解其中潜在的影响与风险，同时还要据此考虑组织、人员以及技术等方面的协同和调整。比如说，他们需要考虑如何以全新的思维方式进行组织结构调整，同时打破员工对新技术所能带来的实际商业利益的质疑。”Musk表示。

业务转型不可能“立竿见影”

当然，这一切都要求企业根据自己的情况，进行一定程度的内部调整。目前，以及在未来的一段时间里，技术与数据“文盲”状况在企业当中仍将持续存在，而人工智能及技术解决方案在供应和需求之间的错位问题也将依旧严峻。

对此，Wunderlin指出，当人们谈论数据分析与人工智能时，往往会将其视为一种能够“立竿见影”的技术。他们认为，只要拥有一套数据，再将其交付给机器，就可以得到完美的解决方案和决策指导。这样的“美好愿景”也许未来可能会实现，但目前的情况还远非如此，至少还需要配合专家见解才能得到理想的结果。

除此之外，企业面临的第二大挑战则是数据的质量问题。如果一台机器想要执行预测任务，就需要一个原因与一项结果。回到预测性维护的例子，传感器可能会检测到设备中存在的一项故障，而我们需要将数据进行分解并重新传输回机器，以便其通过分析理解哪个变量导致了这种即将发生的问题。

Wunderlin解释称：“对于一台机器而言，要真正解决问题，其首先需要获得质量极高的数据。”

因此，目前企业需要回答的关键问题包括：

在正确的位置是否都部署了合适的传感器?

存储的数据是否具有足够的质量，是否可用于预测分析?

是否拥有执行相关分析所需要的全部正确信息?

Wunderlin总结：“真正的挑战在于如何将正确的人员与正确的数据联系起来。虽然很多企业在基础层面已经取得了一定成功，但一旦涉及更为复杂、甚至包含数以千计传感器乃至更多潜在事件的场景，企业往往很难调整数据并找到其中的正确模式。”

当然，技术确实是保障任何人工智能或工业物联网项目得以成功落地的主要因素，但总体来讲，企业所采取的实际方案才决定着技术手段的实际效果。除了拥有世界上最出色的分析软件，企业还需具备一支精通数据的团队并愿意为此投入心力，否则有可能让所有的努力最终一无所获。

“大家需要考虑将企业战略、人员结构、技术等不同的部分结合起来以实现数字化目标，而非单纯认定‘采用一些有趣的新技术即可带来价值’的见解。必须承认的是，业务主导的人工智能与工业物联网方法将能为每个人带来助益，并帮助企业更快实现由技术创造的实际价值，但最根本的决定性因素仍然在于企业自身及其领导者的战略思维及执行方式。”Musk表示。