工业物联网是智能制造的基础。一方面，在智能工厂建设领域，通过物联网可以采集设备、生产、能耗、质量等方面的实时信息，实现对工厂的实时监控；另一方面，设备制造商可以通过物联网采集设备状态，对设备进行远程监控和故障诊断，避免设备非计划性停机，进而实现预测性维护，提供增值服务，并促进备品备件销售。工业物联网应用采集的海量数据的存储与分析，需要工业云平台的支撑，不论是通过机器学习还是认知计算，都需要工业云平台这个载体。”
制造业拥抱大数据时代

　　曾几何时，在人们的印象中，大数据作为一种新兴技术，离人们的日常生活还很遥远，显得异常“高冷”。

　　随着互联网技术的不断深入，特别是近几年来物联网、云计算以及社交网络的飞速发展，人们所接触和关注的数据量呈现出了爆炸式增长。同时，大数据分析和处理的技术也随之建立并丰富起来，其应用也越来越广泛，大数据给各行各业带来变革性机会。例如个人的饮食、健康、出行、家居、医疗、购物以及社交等生活数据会被实时采集上传互联网，通过对这些数据的分析，商家可以为每个人量身定制个性化的服务。在工业生产领域，运用大数据技术可以全盘把握供需平衡，挖掘创新增长点，提高效率，节约成本;在交通领域，可以实现智能辅助以及无人驾驶;在农业领域，可以对环境气候土壤以及农作物状况进行监控，实现超精细化耕作……

　　那么究竟什么是大数据呢?大数据(big data，mega data)，或称巨量资料，是指"无法用现有的软件工具进行提取、存储、搜索、共享、分析和处理的海量的、复杂的数据集合，需要通过运用新系统、新工具、新模型的挖掘，才能获得具有洞察力和新价值的东西。"大数据不用随机分析法这样的捷径，而采用所有数据全面进行分析处理。

　　区别于其它数据，大数据具有4V特点，即数据容量大(Volume)、数据类型繁多(Variety)、商业价值高(Veracity)以及处理速度快(Velocity)的特点。

　　数量(Volume)，即数据巨大，从TB级别跃升到PB级别。伴随着各种随身设备、物联网和云计算、云存储等技术的发展，人和物的所有轨迹都可以被记录，数据因此被大量生产出来。

　　多样性(Variety)，即数据类型繁多。数据来源多样化，不仅产生于组织内部运作的各个环节，也来自于组织外部。大数据不仅是处理巨量数据的利器，更为处理不同来源、不同格式的多元化数据提供了可能。

　　速度(Velocity)，即处理速度快。快速度是大数据处理技术和传统的数据挖掘技术最大的区别。大数据是一种以实时数据处理、实时结果导向为特征的解决方案，它的快有两个层面，即数据产生得快和数据处理得快。

　　真实性(Veracity)，即追求高质量的数据。数据的重要性就在于对决策的支持，数据的规模并不能决定其能为决策提供帮助，数据的真实性和质量才是获得真知和思路最重要的因素，是制定成功决策最坚实的基础。

数据产业发展趋势

未来几年，大数据产业将朝着以下几个趋势发展:

　　开源大数据将商业化。随着闭源软件在数据分析领域的地盘不断缩小，IT厂商的商业模式向开源靠拢，并加大专业服务和系统集成方面的力度。利用Hadoop和R两类技术，帮助客户向开源的、面向云的分析产品迁移。

　　Hadoop将加速发展。作为大数据领域的代表，未来很多企业会把研发的重心放在Hadoop上。从整体上说，不仅是Hadoop本身本会得到迅速发展，同时Hadoop在多个数据中心中的配置和无缝集成技术也将成为热门。

　　打包的大数据分析应用将开拓新的市场。随着大数据逐渐走向各个行业，基于行业的大数据分析应用需求也将日益增长，未来几年中针对特定行业的业务流程的分析应用将会以预打包的形式出现，这将为大数据技术供应商打开新的市场。

　　将会创造一些新的细分市场。大数据相关技术的发展将会创造出一些例如以数据分析和数据处理为主的高级数据服务和基于社交网络的社交大数据分析等新的细分市场。

　　大数据与云计算将深度融合。云计算为大数据提供弹性可扩展的基础设施支撑环境以及数据服务的高级模式，大数据则为云计算提供了新的商业价值，大数据技术与云计算技术必有更完美的结合。

大数据在制造企业的应用

　　大数据作为新一代信息技术的代表，已开始在工业设计、研发、制造、销售、服务等环节取得应用，并成为推动互联网与工业融合创新的重要因素。面对大数据的浪潮，传统企业要主动把握大数据的发展方向，深入挖掘大数据的价值，分析需求偏好、改善生产工艺以及提升企业的内部管理水平等。

　　预测分析。当前，大数据最引人关注的一个方面是预测分析。企业可以利用数据中隐藏的模式、识别各种风险和机遇，比如交叉销售和升级销售的目标客户、客户流失倾向、经济预测、信用评级和保险承保等。例如，当需要开车时，上百万美国人选择AAA(美国汽车协会)的旅游救援、保险和紧急拖车服务。为了更好地理解客户需求，AAA总部组件了一个"活动中心"，应用SAP Predictive Analytics软件进行预测分析。

　　为企业决策部门和管理层提供依据。利用大数据工具对供应链进行分析以选择供应商、优化物流配送方案和进行价格谈判等;利用大数据分析工具可以对商品进行销售预测，分析顾客的购买偏好，确定商品的价格。中国商飞通过SAP商务智能解决方案(SAP BI)和SAP业务经营管控平台(SAP ERP)的实施，成功构建了实时、透明、智能的业务经营管理平台，实现了质量全程可追溯以及实时运营;实现高效业务协同，增强了全供应链数据共享与智能分析，为管理决策提供强有力保障。

　　实现智能生产。大数据是制造业智能化的基础，其在制造业大规模定制中的应用包括数据采集、数据管理、订单管理、智能化制造、定制平台等，核心是定制平台。定制数据达到一定的数量级，就可以实现大数据应用。通过对大数据的挖掘，实现流行预测、精准匹配、时尚管理、社交应用、营销推送等更多的应用。同时，大数据能够帮助制造业企业提升营销的针对性，降低物流和库存的成本，减少生产资源投入的风险。成立于1988年的中信戴卡公司，是全球最大的铝车轮生产企业，在全球市场占有率将近25%。中信戴卡已经与SAP合作多年，在双方的合作之下，一个高度智能化的生产制造供应网络正在显现，实现覆盖从智能营销、智能研发、智能制造、智能经营、智能决策到智能服务六大智造体系，真正实现全价值链的"智造"。

　　实现个性化定制。消费者与制造业企业之间的交互和交易行为将产生大量数据，挖掘和分析这些消费者动态数据，能够帮助消费者参与到产品的需求分析和产品设计等创新活动中，为产品创新作出贡献。制造业企业对这些数据进行处理，进而传递给智能设备，进行数据挖掘，设备调整，原材料准备等步骤，才能生产出符合个性化需求的定制产品。在定制西服的传统概念中，定制与工业化经常是一对天然的反义词。红领西装与众多服装加工厂有着显著的不同，其通过大数据系统和相应的工艺改变，实现了对传统服装企业改造。能够根据顾客身体测量数据和相关细节，制定出符合每个顾客个性化需求版型。提高了生产效率和客户满意度。

应用大数据的注意事项

　　大数据的应用能给企业带来诸多便利，实现了以往常规技术手段无法实现的目标。但也要认识到大数据在制造业大规模运用的时间还不是很长，很多企业应用经验相对缺乏。为了确保大数据在实际运用中能够发挥其应有的效果，应注意以下几点:

　　对于海量的数据要去粗取精，去伪存真。对于业务数据，应当在进行实时分析的基础上，将决策支持的数据通过移动端推送给企业各级负责人，决策过程用数据说话，不再是凭经验、拍脑袋。

　　大数据要形成一定的数据决策力。数据决策力就是基于数据进行科学决策，并且让数据发挥价值的能力。在大数据时代，这种能力已经变成跟以往的财务能力、生产能力等一样不可或缺的能力。要重视数据安全性。随着产生、存储、分析的数据量越来越大，隐私问题在未来的几年也将愈加凸显。所以新的数据保护要求以及立法机构和监管部门的完善应当提上日程。
探讨人工智能的本质

　　美国作家卢克•多梅尔曾在《人工智能》一书中提出“智能奇点”的概念，即机器在智能方面超过人类的那个点。他认为，人工智能在技术和产业两个方面正在临近“奇点时刻”。第一，信息革命正从技术深化到科学向智能方向提升，人工智能正处在科技革命的奇点上。第二，信息革命正从科学转化为技术向智慧产业深化，人工智能正处在产业革命的奇点上。

　　人工智能（Artificial Intelligence，AI）的本质其实就是为了研制出具有类人智能的机器或系统，能够模拟、延伸和扩展人类智能的理论、方法、技术以及应用形式。人工智能作为一门学科诞生至今已超过60 年，期间经历了2 次高潮和低谷，从2010 年开始迎来第三次发展浪潮。从当前人工智能产业发展情况来看，可以将人工智能分成技术支撑层、基础应用层和方案集成层。

　　★技术支撑层：主要由算法模型（软件）和关键硬件两部分构成。关键硬件主要包括用于数据采集的各种传感器和用于高性能并行计算的各种人工智能芯片，如GPU、FPGA、NPU等。算法模型（软件）主要用于训练数据，利用算法模型对数据进行运算分析，进而提升机器的自主学习能力。

　　★基础应用层：主要由感知类技术和其他深度学习应用构成。该层主要是为了让机器完成对外部世界的探测，即看懂世界、听懂、读懂世界，由计算机视觉、语音识别、语义识别构成，是上层智能产品或方案不可或缺的基础。

　　★方案集成层：为特定的应用场景提供产品或方案。根据不同行业或应用场景的需求构建不同的人工智能解决方案。比如智能物流、智能安防、无人驾驶汽车、工业机器人以及智能工厂等。人工 智能重构领域很多，有着非常庞大的应用空间和市场。

随着大数据、云计算和物联网等技术应用的逐渐发展成熟，人工智能也迎来来新的发展机遇。从机器学习到深度学习，推动人工智能实现快速发展的主要动力基于两大因素：其一，快速提升的智能芯片并行运算能力。其二，让机器具备自主学习能力的算法模型正在逐步取得突破。