工业人工智能和人工智能物联网的兴起：推动技术采用的四大趋势

两份关于工业人工智能 (AI) 和物联网人工智能 (AIoT) 主题的新物联网分析研究报告估计，到 2026 年，AIoT 市场将达到 1022 亿美元。推动该技术发展的四大趋势是：(1) 新软件工具的出现；(2) 简化人工智能解决方案的开发；(3) 将人工智能融入遗留应用程序；(4) 人工智能硬件的进步。

为什么这很重要

制造软件和硬件提供商有机会将基于人工智能的功能融入到现有产品中。

明智地采用这些解决方案的制造商正在见证效率的提高、产品质量的提高和流程的顺畅。

AIoT 在制造业中的应用正在不断增长

根据最近发布的 252 页工业人工智能和 AIoT 市场报告 2021-2026 的数据，在两年多的时间里，工业环境中的人工智能采用率从 19% 增加到 31% 。除了 31% 的受访者已在其运营中完全或部分推出人工智能技术之外，还有 39% 的受访者目前正在测试或试点该技术。人工智能的采用率在各个方面都在增加，但在能源垂直行业和过程工业（例如石油和天然气或化学品）中尤其强劲。高价值资产、大量运营数据以及依赖数百个参数的流程的结合有助于在这些行业中得到广泛采用。常见的工业人工智能应用包括维护（例如预测性维护[PdM]）、预测性质量控制、使用机器视觉进行故障检测、人工智能优化的库存管理以及基于人工智能的生产计划和优化。

下载报告样本
人工智能正在成为全球制造商和能源公司的关键技术，IoT Analytics预测工业人工智能解决方案市场将在疫情后呈现出35%的强劲复合年增长率（CAGR），到2026年市场将达到1021.7亿美元。

| 什么是工业人工智能和工业AIoT？
工业人工智能=与工业企业的物理操作和系统相关的人工智能。人工智能驱动的系统可以自动化和重塑基本工业流程，包括产品开发/制造和供应链/现场运营。

工业AIoT =工业人工智能的一个子集，是指在工业企业的物联网类型数据源上执行的人工智能。

越来越明显的是，真正的人工智能（不仅仅是简单的统计）将在未来几年在许多制造业务和相关应用中变得普遍。

根据我们的研究，四个关键因素正在推动人工智能在工业环境中的广泛采用。

驱动因素 1：工业 AIoT 的软件工具越来越多

2019 年至 2021 年提供工业 AI 的供应商数量

近 400 家供应商提供 AIoT 软件。过去两年，加入工业人工智能市场的软件供应商数量大幅增加。在研究过程中，IoT Analytics 确定了 634 家为制造商/工业客户提供人工智能技术的供应商。在这些公司中，有 389 家（即 61.4%）提供人工智能软件。

新的人工智能软件平台专注于工业环境。除了Uptake、Braincube或C3 AI等软件扩展之外，越来越多的运营技术（OT）供应商正在提供专用的AI软件平台。2019 年，当物联网分析开始覆盖工业人工智能领域时，这些公司的专用人工智能软件产品很少。此后，许多OT供应商通过以工厂车间AI平台的形式开发和提供AI软件解决方案进入AI市场。例子包括ABB的 Genix工业分析和人工智能套件、罗克韦尔自动化的 FactoryTalk创新套件、施耐德电气的自主生产顾问平台以及最近的特定附加组件，例如TangentWorks的InstantML到西门子的 MindSphere平台。其中一些平台针对广泛的用例。例如，ABB 的 Genix 平台通过预构建的应用程序和服务提供高级分析，以实现运营绩效管理、资产完整性、可持续性和供应链效率。

新发布的 172 页《2021 年工业人工智能软件平台供应商格局报告》深入探讨了其中 12 家供应商。

超大规模企业正在将其产品扩展到车间。AWS、微软和谷歌等超大规模企业开发的新的特定于用例的软件工具也推动了人工智能软件工具可用性的提高。例如，2020 年 12 月，AWS 发布了Amazon SageMaker JumpStart，这是 Amazon SageMaker 的一项功能，为最常见的工业用例（例如 PdM、计算机视觉和自动驾驶）提供一组预构建和可定制的解决方案，只需点击几下即可部署。

特定于用例的软件解决方案正在推动可用性的提高。特定于用例的软件套件（例如专注于预测维护的软件套件）正变得越来越普遍。IoT Analytics 观察到，由于数据源种类的增加和预训练模型的使用，以及数据增强技术的广泛采用，使用基于人工智能的 PdM 软件解决方案的提供商数量在 2021 年初增加到 73 家（有关更多详细信息， 请参阅2021-2026 年预测性维护市场报告）。

驱动力2：AI解决方案的开发和维护正在简化

自动化机器学习 (AutoML) 正在成为一种标准产品。由于机器学习 (ML) 相关任务非常复杂，ML 应用程序的快速增长催生了对无需专业知识即可使用的现成 ML 方法的需求。由此产生的研究领域称为AutoML ，其目标是逐步实现 ML 自动化。许多公司正在利用该技术作为其人工智能产品的一部分，帮助客户开发机器学习模型并更快地实现工业用例。例如，2020 年 11 月，SKF宣布推出基于 AutoML 的产品，该产品将机器过程数据与振动和温度数据相结合，以降低成本并为其客户启用新的业务模式。同样，今年年初，C3 AI宣布在 C3 AI Ex Machina 中提供 AutoML。

“手动构建机器学习模型需要广泛的领域专业知识，并且需要花费大量时间进行反复试验。即使对于专家数据科学家来说，选择训练特征、模型类型以及优化准确性的模型的具体配置也是困难的问题。自动化机器学习消除了这种繁琐的实验过程，为业务专家和数据科学家节省了时间和麻烦。”

– Matt Connor，C3 AI Ex Machina 高级产品经理

机器学习操作 (ML Ops) 简化了模型管理和维护。ML Ops 的新学科旨在简化制造环境中的 AI 模型维护。人工智能模型的性能通常会随着时间的推移而下降，因为它受到工厂内多个因素的影响（例如数据分布和质量标准的变化）。因此，模型维护和 ML Ops 已成为满足工业环境的高质量要求的必要条件（例如，准确率低于 99% 的模型可能无法识别危及工人安全的行为）。近年来，许多初创公司加入了 ML Ops 领域，包括DataRobot、Grid.AI、Pinecone/Zilliz、Seldon和Weights & Biases。成熟公司已将 ML Ops 功能添加到其现有的 AI 软件产品中，其中包括Microsoft，该公司在 Azure ML Studio 中引入了 数据漂移检测。这项新功能使用户能够检测导致模型性能下降的输入数据分布的变化。

驱动因素 3：人工智能正在融入现有应用程序和用例中

传统软件提供商正在添加人工智能功能。除了现有的大型横向人工智能软件工具（例如，MS Azure ML、AWS SageMaker 和 Google Cloud Vertex AI）之外，传统软件套件，例如计算机化维护管理系统 (CMMS)、制造执行系统 ​​(MES) 或企业资源规划（ERP）现在可以通过人工智能功能的注入获得显着提升。例如，ERP 提供商Epicor Software正在通过Epicor Virtual Assistant (EVA)将人工智能功能添加到其现有产品中。智能EVA代理用于自动化ERP流程，例如重新安排制造作业或执行简单查询（例如，获取产品定价或可用零件数量的详细信息）。

工业用例正在通过 AIoT 的使用进行升级。通过在现有硬件/软件基础设施中添加人工智能功能，一些工业用例正在得到增强。一个生动的例子是质量控制应用中的机器视觉。传统机器视觉系统通过配备专用软件的集成或分立计算机处理图像，该软件评估预定参数和阈值（例如高对比度）以确定物体是否存在缺陷。在许多情况下（例如，具有不同接线形状的电子组件），误报的数量非常高。然而，这些系统正在通过人工智能复兴。例如，工业机器视觉提供商康耐视于2021年7月发布了新的深度学习工具（Vision Pro Deep Learning 2.0） 。新工具与传统视觉系统集成，使最终用户能够将深度学习与传统视觉工具结合起来同样的应用也适用于要求精确测量划痕、污染和其他缺陷的医疗和电子环境。

“随着深度学习在工厂中站稳脚跟，我们发现许多应用程序需要的不仅仅是传统视觉或深度学习，它们需要两者才能获得最佳解决方案。”

驱动力4：工业AIoT硬件不断完善

自我们 2019 年上一份工业 AI 报告以来，AI 硬件已经不断发展，并且有更多专用产品来支持工业 AIoT 使用案例。

AI芯片正在快速改进。嵌入式硬件AI芯片发展迅速，有多种选择支持AI模型的开发和部署。例如，NVIDIA最新的图形处理单元 (GPU) A30 和 A10于 2021 年 3 月推出，适用于人工智能用例，例如推荐系统和计算机视觉系统。另一个例子是谷歌的第四代张量处理单元（TPU），它们是功能强大的专用集成电路（ASIC），可以在特定人工智能工作负载（例如，物体检测）的模型开发和部署方面实现高达 1,000 倍的效率和速度。 、图像分类和推荐基准）。

专用人工智能硬件的使用将模型计算时间从几天缩短到几分钟，并在许多情况下被证明是游戏规则的改变者。

通过按使用付费模式可以立即获得强大的人工智能硬件。超大规模企业不断升级服务器，使计算资源可在云端使用，以便最终用户能够实现工业人工智能应用。例如，2021 年 11 月，AWS宣布全面推出其最新的基于 GPU 的实例 Amazon EC2 G5，该实例由NVIDIA A10G Tensor Core GPU 提供支持，可用于各种机器学习应用程序，包括计算机视觉和推荐引擎。例如，检查系统提供商Nanotronics利用 Amazon EC2 实例来实现基于 AI 的质量控制解决方案，以加快处理工作并在微芯片和纳米管的制造中实现更准确的检测率。

结论与展望

人工智能正在进入工厂，它将在新应用中普遍存在，例如基于人工智能的 PdM，并作为现有软件和用例的增强。大型企业正在推出多个人工智能用例并报告成功案例，大多数项目的投资回报率很高。总而言之，云、物联网平台和强大的人工智能芯片的兴起为新一代软件和优化提供了平台。

你现在应该做什么？
对于制造软件和硬件提供商来说，是时候全面评估人工智能和机器学习的使用，以增强现有的产品组合（例如，通过引入智能助手、模拟工具或预测分析）。这种人工智能增强可能具有变革性（因为基于人工智能的机器视觉已在质量检测中引入）。

对于制造商来说，现在是时候通过清晰的工业人工智能愿景来完善现有的工业 4.0 或工业物联网战略，并决定如何获取人工智能技术（例如，来自云提供商的硬件与内部专用人工智能硬件或与人工智能软件初创公司与建立内部人工智能团队）。制造商还需要找到关键问题的答案：我们愿意与谁共享数据以改善运营？我们如何才能在车间接受人工智能？我们如何让员工在日常任务中使用基于人工智能的应用程序？

让我们的研究为您提供指导。我们最近编写的两份市场报告旨在为工业人工智能技术的供应商和用户提供市场、关键用例、技术、采用者的观点等的即时概述，所有这些都包含大量示例和案例研究。