工业4.0和工业物联网（IIoT）已成为人们日常谈论的话题，但在将物联网（IoT）原理应用到工厂流程时，许多人都不知道在这个转换过程中会丢失什么。

IIoT搭建的理念是，用于加速IT进步的技术同样可以应用于运营技术（OT）。这个想法仍然合理，但工厂车间中有一些细微差别被忽略了，这两种环境仍然有所不同。

一方面，摩尔定律多年来一次又一次地满足了IT界对速度更快、功能更强大的处理器的无止境的追求。然后是人工智能（AI）。随着深度学习开始应用到各个专业领域，比如机器翻译、药物设计和国际象棋，制造行业开始意识到机器也可以获得与人类专家相当的结果——在某些情况下甚至优于人类专家。

另一方面，现在OT界中部署的控制系统仍处于工业时代。很多工厂和公用基础设施尚未联网。它们基于专有控制系统所搭建，只能在封闭环境中运行，而跟IT基础设施没有关联。 

工厂管理人员发现，将IT基础设施的进步转移到工业控制系统并非易事。首先必须将IT机制转换进OT，而对于做这样的工作，那些对工厂车间早已熟悉的公司则最适合不过，例如英飞凌科技、瑞萨电子、意法半导体和德州仪器等。 

若对比IT和OT系统，OT在能耗和延迟等方面的要求跟IT截然不同，TI副总裁兼联网微控制器事业部总经理Ray Upton表示。“也就是说，工厂车间内的各种泵和电机内部用到成百上千个传感器，对此绝不允许停机。”他告诉我们，“可预测性、安全性、可靠性和能效对工业控制系统至关重要。”

智能工厂所需要的基础设施，其鲁棒性和可靠性比一般的IT基础设施要高出一个数量级。

公共互联网连接？

最棘手的一个IIoT挑战是连接，无论是有线还是无线。按照定义，工业物联网需要与互联网连接，但工厂管理层最不希望看到的是制造系统受到网络攻击。实际上，多年来人们都认为工业控制系统（ICS）环境应该与IT网络隔离，以防范黑客攻击。 

但是，大多数专家现在却承认，除了像核电站那样的特殊环境以外，“隔离不切实际”，CyberX公司工业网络安全副总裁Phil Neray告诉我们。

“IT和OT网络越来越多地彼此相连，以方便工业设备的远程监控和维护，但这却增加了遭受攻击的可能性。”Neray说道。根据CyberX《Global ICS & IIoT Risk Report（全球ICS和IIoT风险报告）》，有三分之一的OT网络是与公共网络相连。 

“更糟糕的是，”他补充道，“大多数OT协议都是多年前所设计，并且设计时就不够安全”。例如，对于将新的梯形图逻辑或固件上传到控制器而言，这类协议并不需要认证。简而言之，破解了OT网络的攻击者，通常可以自由地破坏其许多ICS设备。 

显然，除了OT管理人员愿意承认的问题以外，还有很多的工厂安全问题需要解决。 

工厂管理层关注的另一个重要问题是，如何更好地将AI引入OT。动机很明确。德国和日本的人口数量正在迅速下降，尤其是15至64岁之间的从业年龄段。制造业从业人数将在未来40年内急剧减少。即使是中国，2020年后的从业人口也将大幅减少。

我们来设想一下，在你的工厂里有一个很熟练的运营经理。我们暂且叫他拉里。他有很丰富的经验，能够发现生产线上的某些异常现象。然而，要是AI能够做拉里的工作，那么我们何必要让拉里去车间检查制造过程中的每个环节，或要去雇用更多像拉里这样熟练的经理呢？似乎AI可以发现并传达任何可能引起生产故障的异常情况。AI有望实现生产线的持续监控，确保小缺陷不会进入到生产的下一个阶段。 

理论上是这样，因此工厂管理层现在就渴望尝试AI。然而，将它运用到工厂车间，要比预料的困难得多。 

日本领先的MCU供应商瑞萨对其客户进行了调查，发现尽管规模不大，但超过30%的工厂已经引入了AI。在那些已经开始引入AI的客户中，80%表示他们还无法完成概念验证。他们对AI的实现成本感到惊讶，并表示他们不知道何时可以看到投资回报。瑞萨发现只有6%的调查对象正在推进AI智能制造。 

一些公司将这个问题归咎于他们缺乏AI经验。其他公司则表示他们内部缺乏能够充分利用这项技术的数据科学家。 

统计与实时连续AI

瑞萨工业解决方案事业部战略和规划部门高级总监Mitsuo Baba将首个困难归咎于IT和OT AI实现之间的差异。面向工厂运营用的“实时连续AI”与大数据公司推动IT自动化用的“统计AI”有着鲜明对比。 

AI不是万能药。Baba告诉我们，当生产线上的特定问题已经被确定时，它可以最好地应用于OT。AI要求OT经理将生产过程分解为多个小块。然后在每个端点进行AI推理，使用实时输入数据来确定“运行与否”。 

每家想要向智能工厂推销IIoT和AI解决方案的芯片供应商，都是先在自己的Fab厂进行概念验证测试。Upton告诉我们，TI正在其德国工厂开展IIoT试点计划。据TDK公司CTO Dai Matsuoka所述，TDK已在其日本和欧洲的生产线上安装了基于多模传感器的预测分析系统。 

瑞萨已经在其Naka Fab厂开展了为期两年的AI试点项目。据Baba称，瑞萨工程师将AI单元连接到半导体制造设备上，该设备可以以20倍的速度收集数据并进行AI分析，无需连接到广域网，也不需要将数据传送到云端。据瑞萨称，在其传统的故障检测和分类系统中增加e-AI方案，可以使异常检测精度提高六倍。 

据报道，在听说瑞萨Naka Fab厂的这个案例后，GE医疗（日本）日野工厂便采用了瑞萨的AI单元方案来测试其效果。GE医疗在现有设施中以附加AI单元的形式安装了面向故障检测和预测性维护开发的系统。据GE称，测试结果显示整体产品缺陷减少了65%。 

工厂采用AI仍处于早期阶段。但制造商将会听到更多的例子，介绍嵌入式技术供应商如何学到让AI在自己的生产设施中发挥作用。

这些故事听起来很吸引人，但要落地还需要花费不少功夫