根據(jù)最近發(fā)布的《2021-2026年工業(yè)人工智能和人工智能市場報告》的數(shù)據(jù)，在兩年多的時間里，人工智能在工業(yè)環(huán)境中的采用率從19%增加到31%。除了31%的受訪者在其運營中完全或部分推出人工智能技術外，另有39%的受訪者目前正在測試或試用該技術。

人工智能正在成為全球制造商和能源公司的關鍵技術，物聯(lián)網分析預測，工業(yè)人工智能解決方案市場將呈現(xiàn)出35%的強勁疫情后復合年增長率(CAGR)，到2026年，市場規(guī)模將達到1021.7億美元。

數(shù)字化時代催生了物聯(lián)網的產生。可見，人工智能的出現(xiàn)加快了物聯(lián)網發(fā)展的步伐。

今天我們就來盤點一下推動工業(yè)AI和AIoT興起的因素有哪些。

驅動因素1：越來越多用于工業(yè)AIoT的軟件工具

2019年，當物聯(lián)網分析開始覆蓋工業(yè)AI領域時，運營技術(OT)供應商提供的專用AI軟件產品很少。從那時起，許多OT供應商通過為工廠車間開發(fā)和提供AI平臺形式的AI軟件解決方案進入AI市場。

據(jù)數(shù)據(jù)顯示，近400家供應商提供AIoT軟件。在過去兩年中，加入工業(yè)AI市場的軟件供應商數(shù)量大幅增加。在研究期間，IoT Analytics確定了634家為制造商/工業(yè)客戶提供AI技術的供應商。在這些公司中，有389家(61.4%)提供人工智能軟件。

新的AI軟件平臺專注于工業(yè)環(huán)境。除了Uptake、Braincube或C3 AI等軟件擴容之外，越來越多的運營技術(OT)供應商正在提供專用的AI軟件平臺。例如ABB的Genix工業(yè)分析和AI套件，羅克韋爾自動化的FactoryTalk創(chuàng)新套件，施耐德電氣的自主生產顧問平臺以及最近的特定附加組件等。其中一些平臺針對廣泛的用例。例如，ABB的Genix平臺提供高級分析，包括預先構建的應用程序和服務，用于運營績效管理，資產完整性，可持續(xù)性和供應鏈效率。

大企業(yè)正在將其人工智能軟件工具產品運用到車間。

人工智能軟件工具可用性的提高也離不開AWS，微軟和谷歌在內的超大規(guī)模企業(yè)所新開發(fā)的特定于用例的軟件工具。例如，在2020年12月，AWS發(fā)布了Amazon SageMaker JumpStart，這是Amazon SageMaker的一項功能，為最常見的工業(yè)用例(例如PdM，計算機視覺和自動駕駛)提供了一套預構建和可定制的解決方案，只需點擊幾下即可部署。

特定于用例的軟件解決方案正在推動可用性的提高。

特定于用例的軟件套件，例如專注于預測性維護的軟件套件，正變得越來越普遍。IoT Analytics觀察到，由于數(shù)據(jù)源種類的增加和預訓練模型的使用，以及數(shù)據(jù)增強技術的廣泛采用，使用基于AI的產品數(shù)據(jù)管理(PdM)軟件解決方案的提供商數(shù)量在2021年初上升至73家。

驅動因素2：正在簡化的人工智能解決方案的開發(fā)和維護

自動化機器學習(AutoML)正在成為一種標準產品。

由于與機器學習(ML)相關的任務非常復雜，機器學習應用程序的快速增長催生了對現(xiàn)成機器學習方法的需求，這些方法無需專業(yè)知識即可使用。由此產生的研究領域，針對機器學習的漸進自動化，被稱為AutoML。各種公司正在利用該技術作為其AI產品的一部分，以幫助客戶開發(fā)ML模型并更快地實現(xiàn)工業(yè)用例。例如，2020年11月，斯凱孚(SKF)宣布了一項基于AutoML的產品，將機器過程數(shù)據(jù)與振動和溫度數(shù)據(jù)相結合，以降低成本，并為客戶實現(xiàn)新的商業(yè)模式。

機器學習操作(ML Ops)簡化了模型管理和維護。

機器學習操作的新學科旨在簡化制造環(huán)境中的AI模型維護。人工智能模型的性能通常會隨著時間的推移而下降，因為它受到工廠內部幾個因素的影響(例如，數(shù)據(jù)分布和質量標準的變化)。因此，模型維護和機器學習操作已成為滿足工業(yè)環(huán)境高質量要求的必要條件(例如，性能低于99%的模型可能無法識別危及工人安全的行為)。

近年來，許多初創(chuàng)公司都加入了ML Ops領域，包括DataRobot，Grid.AI，Pinecone / Zilliz，Seldon和Weights & Biases。老牌公司已經將機器學習操作功能添加到他們現(xiàn)有的AI軟件產品中，包括微軟，它在Azure ML Studio中引入了數(shù)據(jù)漂移檢測。這項新功能使用戶能夠檢測輸入數(shù)據(jù)分布中導致模型性能下降的變化。

驅動因素3：被應用到現(xiàn)有應用程序和用例中的人工智能

傳統(tǒng)軟件提供商正在添加AI功能。

除了現(xiàn)有的大型橫向AI軟件工具(例如MS Azure ML，AWS SageMaker和Google Cloud Vertex AI)之外，傳統(tǒng)軟件套件(例如計算機化維護管理系統(tǒng)(CAMMS)，制造執(zhí)行系統(tǒng)(MES)或企業(yè)資源規(guī)劃(ERP))現(xiàn)在可以通過注入AI功能獲得顯著提升。例如，ERP提供商Epicor Software正在通過其Epicor虛擬助手(EVA)在其現(xiàn)有產品中添加AI功能。智能EVA代理用于自動化ERP流程，例如重新安排制造作業(yè)或執(zhí)行簡單查詢(例如，獲取有關產品定價或可用零件數(shù)量的詳細信息)。

工業(yè)用例正在通過使用AIoT進行升級。

通過向現(xiàn)有硬件/軟件基礎設施添加AI功能，正在增強幾個工業(yè)用例。一個生動的例子是質量控制應用中的機器視覺。傳統(tǒng)的機器視覺系統(tǒng)通過配備專用軟件的集成或離散計算機處理圖像，該軟件評估預定的參數(shù)和閾值(例如，高對比度)，以確定物體是否表現(xiàn)出缺陷。在許多情況下(例如，具有不同布線形狀的電子組件)，誤報的數(shù)量非常高。

然而，這些系統(tǒng)正在通過人工智能復興。例如，工業(yè)機器視覺提供商康耐視(Cognex)于2021年7月發(fā)布了一款新的深度學習工具(Vision Pro Deep Learning 2.0)。新工具與傳統(tǒng)視覺系統(tǒng)集成，使最終用戶能夠在同一應用中將深度學習與傳統(tǒng)視覺工具相結合，以滿足需要精確測量劃痕、污染和其他缺陷的苛刻醫(yī)療和電子環(huán)境。

驅動因素4：正在改進的工業(yè)AIoT硬件

AI芯片正在迅速改進。

嵌入式硬件AI芯片發(fā)展迅速，多種選項可用于支持AI模型的開發(fā)和部署。示例包括NVIDIA最新的圖形處理單元(GPU)，A30和A10，它們于2021年3月推出，適用于AI用例，例如推薦系統(tǒng)和計算機視覺系統(tǒng)。另一個例子是谷歌的第四代張量處理單元(TPU)，它們是功能強大的專用集成電路(ASIC)，可以在特定AI工作負載(例如，對象檢測，圖像分類和推薦基準)的模型開發(fā)和部署中實現(xiàn)高達1，000倍的效率和速度。使用專用的AI硬件將模型計算時間從幾天縮短到幾分鐘，并且在許多情況下已被證明是游戲規(guī)則的改變者。

強大的AI硬件可通過按使用量付費的模式立即獲得。

超大規(guī)模企業(yè)不斷升級其服務器，使計算資源在云中可用，以便最終用戶能夠實現(xiàn)工業(yè)AI應用。例如，在2021年11月，AWS宣布其最新的基于GPU的實例Amazon EC2 G5正式發(fā)布，這些實例由NVIDIA A10G Tensor Core GPU提供支持，可用于各種ML應用程序，包括計算機視覺和推薦引擎。例如，檢測系統(tǒng)提供商 Nanotronics利用其基于 AI的質量控制解決方案的 Amazon EC2 實例來加快加工工作，并在微芯片和納米管的制造中實現(xiàn)更準確的檢測率。

結論與展望

人工智能即將出廠，它將普遍存在于新的應用中，例如基于AI的PdM，并作為現(xiàn)有軟件和用例的增強。大型企業(yè)正在推出幾個人工智能用例并報告成功案例，大多數(shù)項目的投資回報率都很高。總而言之，云、物聯(lián)網平臺和強大的AI芯片的興起為新一代軟件和優(yōu)化提供了一個平臺。