都想幫工廠上云，誰來幫數(shù)字轉(zhuǎn)型落地？

作者：錢德虎

來源：虎嗅APP

5G, 人工智能與物聯(lián)網(wǎng)技術(shù)的應(yīng)用，正給轉(zhuǎn)型中的制造業(yè)帶來數(shù)據(jù)的爆發(fā)式增長。

制造業(yè)智能化轉(zhuǎn)型最重要的部分，就是讓工廠上下每個部分的數(shù)據(jù)得到高效流通與治理，讓數(shù)據(jù)像燃料一樣得到高效燃燒，發(fā)揮出更大的價值，構(gòu)筑起更加高效、彈性的生產(chǎn)流程。

IDC預(yù)測，2025年，屬于數(shù)據(jù)分析的全球數(shù)據(jù)總量將增長至原來的50倍，達(dá)到5.2ZB。而這些數(shù)據(jù)，四分之三都將在集中式的數(shù)據(jù)中心之外的工廠、醫(yī)院、零售商店中產(chǎn)生、計算。

但這些數(shù)據(jù)并非是孤立存在的，而是與萬物相連接。這種連接分為兩個方面：其一是連接海量的場景，其二是連接不同的新技術(shù)，最終形成一個完整的數(shù)字生態(tài)，并賦能于企業(yè)與國民的經(jīng)濟(jì)之中。

在“新基建”指導(dǎo)思想的出現(xiàn)，制造業(yè)轉(zhuǎn)型被行業(yè)頻繁提及的今天，很多企業(yè)感嘆：工業(yè)企業(yè)行業(yè)眾多，場景化和數(shù)據(jù)化也各不相同，針對工業(yè)應(yīng)用場景的多樣性，傳統(tǒng)集中模式的云計算卻未必是最優(yōu)方案。

對他們來說，想要真正融合5G、人工智能、大數(shù)據(jù)，IoT等技術(shù)，并最終實現(xiàn)整體的降本增效，依然面臨著一系列挑戰(zhàn)。

制造業(yè)轉(zhuǎn)型，“上云”就夠了嗎？

先看一看，智能化程度比較高的制造業(yè)企業(yè)，是怎么讓不同技術(shù)密切配合、以適應(yīng)不同場景的：

寧德時代是全球動力電池的龍頭企業(yè)，而對寧德時代來說，動力電池每一顆電芯都需要經(jīng)過嚴(yán)格地檢測，才能保證質(zhì)量與安全。這就需要在生產(chǎn)過程中進(jìn)行嚴(yán)格的瑕疵檢測與篩選。

整個過程，簡單來說就是：通過部署在生產(chǎn)線的IoT設(shè)備采集圖像，生成數(shù)據(jù)。隨后將數(shù)據(jù)交給邊緣側(cè)（所在工廠）的推理服務(wù)器進(jìn)行標(biāo)注，并與分析數(shù)據(jù)庫比對給出最終結(jié)果，將瑕疵品排除。

這還沒完，推理結(jié)果中如果出現(xiàn)了新的瑕疵特征，那么數(shù)據(jù)將被上傳到云端服務(wù)器（寧德時代總部），對所有邊緣設(shè)備的AI模型進(jìn)行優(yōu)化、訓(xùn)練，最終更新新的模型庫，并將其部署到工廠。

這種“在靠近數(shù)據(jù)源頭處就近提供邊緣智能服務(wù)，并與云端服務(wù)器相互配合”的模式，被稱為“云邊協(xié)同”。

問題來了，在不同產(chǎn)業(yè)的數(shù)字轉(zhuǎn)型紛紛要求“上云”，云計算技術(shù)已經(jīng)十分成熟的今天，為什么不將這些工作集中在云端進(jìn)行，而是要用這樣一個復(fù)雜的方案？

相比其他行業(yè)，制造業(yè)的數(shù)字化轉(zhuǎn)型有著這樣幾點(diǎn)要求“海量數(shù)據(jù)”“即時交互”和“穩(wěn)定安全”。

比如“海量數(shù)據(jù)”。一條產(chǎn)線上，為了配合夾具、機(jī)械手的工作，需要大量的IoT設(shè)備進(jìn)行數(shù)據(jù)采集，對比較大的工廠來說，一天就能產(chǎn)生數(shù)個TB的數(shù)據(jù)。

其次是“即時交互”。整個流水線是在持續(xù)運(yùn)轉(zhuǎn)的，無論機(jī)械控制、瑕疵檢測，異物檢測，執(zhí)行起來哪怕是延誤個0.2秒，也是一個無法接受的事情，每一道工序都要求即時交互，立刻操作。

工業(yè)固有的特點(diǎn)，在轉(zhuǎn)型過程中也帶來了明顯的弊端。一個典型而又廣泛的場景是機(jī)器視覺領(lǐng)域，影像數(shù)據(jù)的傳輸和處理需要占用系統(tǒng)大量的資源，如果所有計算與數(shù)據(jù)都匯集一處，先傳輸回核心云端儲存與計算，再傳回終端執(zhí)行，整個過程成本高、效率低、時延長，肯定來不及。

最終是“穩(wěn)定安全”，如果采用集中式云服務(wù)，一旦網(wǎng)絡(luò)故障，整個工廠都將受到影響。安全方面，云計算需要將數(shù)據(jù)上傳到云端，對企業(yè)來說，整個過程將數(shù)據(jù)暴露在自己的系統(tǒng)之外，給數(shù)據(jù)安全帶來了更高的威脅。

這就是工業(yè)化數(shù)字轉(zhuǎn)型的難點(diǎn)所在：我們使用手機(jī)的過程中，網(wǎng)絡(luò)有些卡頓、搜索結(jié)果不準(zhǔn)確、某個軟件正在維護(hù)，一般對個人都不會產(chǎn)生很大的影響；但在工業(yè)領(lǐng)域，這些差一點(diǎn)影響的都是真金白銀，工廠老板都是不干的。

因此近幾年制造業(yè)轉(zhuǎn)型案例中，邊緣端設(shè)備開始頻繁出現(xiàn)。通過與人工智能、大數(shù)據(jù)、5G等技術(shù)的配合，形成更加高效與低成本的解決方案。

“云邊協(xié)同”：基于云，超越云

中國信通院牽頭編寫的《云計算與邊緣計算協(xié)同九大應(yīng)用場景》報告中曾對“云邊協(xié)同”：“邊緣計算是云計算概念的延伸，二者相依而生、協(xié)同運(yùn)作。而云邊協(xié)同，將成為未來的主流模式。”

可以說，云邊協(xié)同等概念的出現(xiàn)與實踐，正是為了彌補(bǔ)傳統(tǒng)中心化云服務(wù)的短板。

首先，需要在邊緣環(huán)境中部署智能設(shè)備，使邊緣端能夠處理這些關(guān)鍵任務(wù)數(shù)據(jù)并實時響應(yīng)，提供近距離的數(shù)據(jù)傳輸與分析，將很多工作部署 在本地，既可以大幅減少對傳輸資源的依賴與消耗，又可以大幅提升本地響應(yīng)速度。

同時，只靠邊緣設(shè)備只能處理局部數(shù)據(jù)，無法形成全局認(rèn)知。所以在實際應(yīng)用中仍然需要借助云計算平臺，通過收集數(shù)據(jù)來進(jìn)行第二輪評估、處理和深入分析，來實現(xiàn)信息的融合治理。確保數(shù)據(jù)同時滿足安全隱私方面的需求，又可以發(fā)揮云服務(wù)快速迭代刷新的優(yōu)勢。

最終，通過分布式計算技術(shù)和合理的資源調(diào)度管理，把邊緣計算節(jié)點(diǎn)的算力、存儲等資源和云計算資源進(jìn)行統(tǒng)一管起來，形成“邏輯集中，物理分散”的高效協(xié)同平臺。

這就像眼前的設(shè)備與遠(yuǎn)方的云之間，部署了無數(shù)的“分布云”，將一部分云的功能前置、分擔(dān)掉，打通AI的“最后一公里”，完成了一場算力的遷徙。

但“云邊協(xié)同”體系描繪的圖景雖好，想使用好并沒有那么容易：

正如寧德時代的案例中，整個系統(tǒng)被設(shè)計得十分復(fù)雜，對穩(wěn)定性提出了更高要求。這就需要邊緣與云端有著更高的一致性。云端、邊緣部署設(shè)備如果架構(gòu)不同，為了解決異構(gòu)運(yùn)算問題可能要花費(fèi)更多的成本與精力；如果每一家企業(yè)都需要自己從頭構(gòu)建場景，效率和成本都是問題。

這體現(xiàn)出了新技術(shù)融合的一體兩面：

一方面，可以極大程度地提升效率，降低管理成本，并給企業(yè)的經(jīng)營帶來更多的靈活性。

另一方面，云、邊緣、傳輸、儲存、人工智能、大數(shù)據(jù)...不同技術(shù)之間的協(xié)調(diào)整合比使用孤立的技術(shù)更加困難，如何合理控制成本，平衡好投入產(chǎn)出價值，給更多企業(yè)帶來了預(yù)料外的挑戰(zhàn)。

智能轉(zhuǎn)型本身就是一筆不小的投入，如何妥善完成轉(zhuǎn)型，做到更高效的云邊協(xié)同，做好投入與效率之間的平衡，是對很多企業(yè)的靈魂拷問。

“云邊協(xié)同”的想象力還有多少

在新的經(jīng)濟(jì)動能下，新的生態(tài)系統(tǒng)也在慢慢形成，在這樣的環(huán)境下，能夠提供“生態(tài)級支持”的技術(shù)合作伙伴，要比點(diǎn)對點(diǎn)的技術(shù)合作更容易實現(xiàn)數(shù)字化轉(zhuǎn)型。換句話說，生態(tài)級的難題，需要的正是生態(tài)級的解決方案。

前文寧德時代的瑕疵檢測，使用了來自英特爾的全套產(chǎn)品。

在這套解決方案中，寧德時代通過引入英特爾? 至強(qiáng)? 可擴(kuò)展處理器、面向英特爾? 架構(gòu)優(yōu)化的PyTorch以及OpenVINO? 工具套件等產(chǎn)品與技術(shù)，結(jié)合動力電池瑕疵檢測實際場景，結(jié)合AI成功打造瑕疵檢測方案，實現(xiàn)了高效的檢測質(zhì)量與效率。

整套方案體現(xiàn)了以下獨(dú)特優(yōu)勢：

首先，實現(xiàn)了傳輸、算力等系統(tǒng)資源的“負(fù)載均衡”。云和邊之間負(fù)載可以做到靈活移動，邊和邊之間也可以形成自治的網(wǎng)絡(luò)，最后甚至可以實現(xiàn)“聯(lián)邦學(xué)習(xí)”。瑕疵檢測的效率得到了大幅提升，具備了更高的可靠性。

其次，借助云邊協(xié)同的資源調(diào)度能力，工作人員更可以實時了解到產(chǎn)線情況，快速定位故障點(diǎn)，掌控全局。同時，檢測場景的應(yīng)對則更加靈活，比如當(dāng)生產(chǎn)線中出現(xiàn)異物時，同樣可以實現(xiàn)“異物檢測”。

第三，對于企業(yè)來說，方案簡單、快速見效：英特爾基于X86架構(gòu)的系列產(chǎn)品，覆蓋到了數(shù)據(jù)的采集、傳輸、計算、儲存等全生命周期。可以最大程度保證邊緣端與云端架構(gòu)的軟硬件一致性，減少軟硬件適配時的成本與精力的同時，發(fā)揮出更高的效率。

第四，數(shù)據(jù)更多是在工廠內(nèi)部完成處理，減少了數(shù)據(jù)安全威脅與網(wǎng)絡(luò)質(zhì)量對生產(chǎn)的影響。

事實上，在工業(yè)應(yīng)用場景的多樣性下，像這樣通過云邊協(xié)同建立起的技術(shù)案例還有很多：

在精密加工方面，匯川技術(shù)基于英特爾? 酷睿? 處理器以及OpenVINO? 工具套件，借助云端訓(xùn)練的AI模型在邊緣服務(wù)器中對采集的產(chǎn)品圖像進(jìn)行推理檢測，實時糾偏。實現(xiàn)動態(tài)趨勢補(bǔ)償，有效消除累計誤差，提升了加工精度。

在生產(chǎn)預(yù)測上，金風(fēng)慧能基于 Analytics Zoo 所提供的統(tǒng)一端到端架構(gòu)，結(jié)合多源氣象數(shù)據(jù)，不斷使用來自邊緣（氣象站點(diǎn)）、和其他云端（氣象網(wǎng)絡(luò)）的最新數(shù)據(jù)進(jìn)行訓(xùn)練，通過自我學(xué)習(xí)，以不斷迭代的方式提升預(yù)測系統(tǒng)的準(zhǔn)確率。

目前云邊協(xié)同對工業(yè)互聯(lián)網(wǎng)生產(chǎn)流程的優(yōu)化的場景，可以總結(jié)為：瑕疵檢測、精密加工、時序預(yù)測、園區(qū)管理、企業(yè)決策，共五大方向。

而在當(dāng)今的互聯(lián)世界中，基于英特爾?技術(shù)的云邊協(xié)同案例，正為更多工業(yè)化場景帶來更高的連接性、可靠性、安全性和可管理性，而諸如寧德時代、匯川技術(shù)、金風(fēng)慧能等嘗試，只是其中一些有代表性的應(yīng)用案例。

在這個過程中，技術(shù)也正逐漸重塑不同產(chǎn)業(yè)的業(yè)務(wù)流程，以至于整個商業(yè)模式。隨著云邊協(xié)同技術(shù)的不斷成熟，通過技術(shù)降低成本之后，就是產(chǎn)線柔性與場景的極大豐富。供需得到了更加合理地分配，企業(yè)口中的“降本增效”，也將不再那么遙遠(yuǎn)了。

傳統(tǒng)中心化云服務(wù)的不足之處，正成為邊緣計算發(fā)展的重要機(jī)會。基于整個制造業(yè)產(chǎn)生的案例與背后的數(shù)據(jù)，將推動行業(yè)帶來更大的改變。而這，需要的則是中國制造行業(yè)，與像英特爾這樣底層技術(shù)提供方的共同努力。