來源/虎嗅APP

作者/錢德虎

5G, 人工智能與物聯(lián)網(wǎng)技術(shù)的應用，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)濟之中,。

在“新基建”指導思想的出現(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),。

1/ 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)過程中進行嚴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）的推理服務器進行標注,，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器（寧德時代總部），對所有邊緣設(shè)備的AI模型進行優(yōu)化,、訓練,，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,，并與云端服務器相互配合”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行,，而是要用這樣一個復雜的方案？

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,、機械手的工作,，需要大量的IoT設(shè)備進行數(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)運轉(zhuǎn)的,，無論機械控制,、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，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,，一旦網(wǎng)絡故障,，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)型的難點所在：我們使用手機的過程中，網(wǎng)絡有些卡頓,、搜索結(jié)果不準確,、某個軟件正在維護,，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。

2/ “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)同運作,。而云邊協(xié)同,，將成為未來的主流模式?！?/p>

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

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)鍵任務數(shù)據(jù)并實時響應,，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),，無法形成全局認知,。所以在實際應用中仍然需要借助云計算平臺，通過收集數(shù)據(jù)來進行第二輪評估,、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)點的算力,、存儲等資源和云計算資源進行統(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)運算問題可能要花費更多的成本與精力；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,。

3/ “云邊協(xié)同”的想象力還有多少

在新的經(jīng)濟動能下,，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,，要比點對點的技術(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?可擴展處理器、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)了以下獨特優(yōu)勢：

首先,，實現(xiàn)了傳輸、算力等系統(tǒng)資源的“負載均衡”,。云和邊之間負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，最后甚至可以實現(xiàn)“聯(lián)邦學習”,。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,，掌控全局,。同時，檢測場景的應對則更加靈活,，比如當生產(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,?？梢宰畲蟪潭缺ＷC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)絡質(zhì)量對生產(chǎn)的影響,。

事實上，在工業(yè)應用場景的多樣性下,，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，借助云端訓練的AI模型在邊緣服務器中對采集的產(chǎn)品圖像進行推理檢測,，實時糾偏,。實現(xiàn)動態(tài)趨勢補償，有效消除累計誤差,，提升了加工精度,。

在生產(chǎn)預測上，金風慧能基于 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）、和其他云端（氣象網(wǎng)絡）的最新數(shù)據(jù)進行訓練,，通過自我學習,，以不斷迭代的方式提升預測系統(tǒng)的準確率。

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、時序預測,、園區(qū)管理,、企業(yè)決策，共五大方向,。

而在當今的互聯(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)、金風慧能等嘗試，只是其中一些有代表性的應用案例,。

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”，也將不再那么遙遠了,。

傳統(tǒng)中心化云服務的不足之處,，正成為邊緣計算發(fā)展的重要機會?；谡麄€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。

,。END ,。