目前，我國工業互聯網技術在政府、企業、研究機構等多方共同努力下，已經在標識解析、網絡平臺、數據應用等方面取得了積極進展，面向特定行業領域的工業互聯網基本搭建完成。從這個意義上講，工業互聯網技術1.0初步形成，實現了工業設備的互聯與工業數據的全生命週期服務。但是，整體智能化水平偏低，特別是邊緣工業設備和信息系統不具備分佈式的智能處理能力，也沒有充分利用新興人工智能技術提升工業數據的使用效率。從這個維度上講，工業互聯網技術2.0進階發展面臨關鍵技術挑戰。

工業互聯網技術面臨哪些挑戰？

       以深度學習爲代表的人工智能技術對提升工業互聯網技術智能化水平至關重要。當前的深度學習是由大數據驅動的，大多分爲訓練和推理兩個階段。傳統基於雲計算平臺的中心化訓練與推理技術在工業互聯網1.0版本中已經部分應用，但面臨着以下三個關鍵技術挑戰：

       一是帶寬佔用高、能源消耗大，網絡平臺層難以實現高效“訓練”。在工業互聯網技術體系1.0中，數據平臺通常部署於離工業現場距離較遠的雲平臺，導致TB級甚至PB級工業數據需要通過網絡傳送至雲端數據中心，造成了極大的網絡帶寬開銷以及電力能源消耗，使得大數據驅動下的人工智能模型訓練難以高效完成。邊緣智能技術的運用，能夠將計算資源部署在工業園區內部或者附近，通過分佈式處理降低訓練數據、模型參數傳輸到雲平臺的網絡帶寬佔用及能耗。

       二是處理延遲高、決策速度慢，數據應用層難以完成實時“推理”。由於網絡傳輸資源有限，將數據發送至雲平臺進行處理，並將結果傳回工廠園區這一過程，產生了高延遲，使工業機器人控制等延遲敏感型應用無法實時決策，基於智能推理的數據應用難以真正落地實踐。邊緣智能技術的運用，使得模型能夠直接或經過處理後運行在網絡邊緣，接收工業聯網設備持續產生的海量異構數據，進行實時處理、推斷、決策，消除了廣域網中不可控的延遲開銷，能夠以不高於毫秒級延遲的響應速度服務於工業應用中的關鍵任務。

       三是隱私保護難、數據易泄露，難以保障“訓練/推理”數據安全。工業數據通常包含着大量終端設備的精細數據、監控數據、商業數據等，具有高度敏感性，涉及潛在商業利益。使用雲平臺方案時，不論是網絡通信、數據計算還是信息共享、智能模型構建，都難以在數據擁有者的完全控制下進行，這使得企業的管理者難以信任當下技術方案的安全性。邊緣智能技術的運用，一方面，針對特定工業園區的邊緣智能平臺能夠由工廠管理者直接控制，工業數據可以在邊緣平臺覆蓋區域內部形成完整、封閉的數據流；另一方面，邊緣智能中的隱私保護技術能夠在無須暴露原始數據隱私的前提下實現信息的共享與模型的構建，極大地增強了涉及商業利益的敏感數據的安全性。

什麼是邊緣智能技術？

       邊緣智能技術是將人工智能技術放在邊緣設備上運行，是邊緣計算與人工智能的結合，可以劃分爲邊緣訓練和邊緣推理兩個方向：

        首先是邊緣訓練技術。利用邊緣終端設備收集的工業環境中各維度的數據，如音頻、圖片、視頻、傳感器數值等內容，在邊緣終端、邊緣服務器、雲服務器相結合的邊緣平臺中對智能模型進行訓練。

       面對網絡平臺層中帶寬佔用高、能源消耗大的問題，邊緣智能中的聚合控制優化技術能夠減少通信頻率；梯度壓縮技術能夠通過量化和稀疏化等方法減少參與通信的數據量；遷移學習技術可使用預訓練過的基礎模型減輕訓練壓力。

       其次是邊緣推理技術。將智能模型部署到邊緣端，將預處理後的工業數據輸入模型進行計算，爲工業流程中關鍵任務提供智能推理，生成決策方案，應用範圍小到機器人控制、異常預警，大到流水線優化、生產模式調整等。

       面對數據應用層中處理延遲高、決策速度慢的問題，邊緣智能中的模型優化技術有輸入過濾、模型壓縮、模型分割、提前退出等；系統優化技術有邊緣緩存、多模型並行、多模型流水線等；此外還有模型選擇等技術爲不同的邊緣設備和推理任務個性化地選擇最優模型。

       面對影響範圍廣泛的隱私保護難、數據易泄露的問題，邊緣智能中的深度網絡分割技術能夠僅傳輸經過深度網絡淺層或者其他輕量級DNN模型處理過的脫敏數據；聯邦學習技術直接在邊緣端進行完整的深度網絡模型訓練，僅對梯度更新進行傳輸；Gossip訓練技術採用異步和完全分散的方式訓練深度網絡模型。

邊緣智能驅動下工業互聯網有哪些典型應用？

       邊緣智能技術將智能從遠距離的數據中心帶到了工業生產製造源頭的附近，使得工業互聯網中具備隱私保護特性、低成本、高效、低時延的智能化場景得以實現。

       智能視頻監控。爲了實現針對機械設備、生產人員、產品運輸過程等方面的智能監控，例如物體檢測、物體追蹤、人臉識別，從工業現場採集到的體積龐大的高清視頻流能夠通過5G網絡近距離地傳輸至靠近工業園區的邊緣智能平臺進行處理，使得視覺DNN模型的訓練過程能夠節省大量由視頻、圖像數據傳輸導致的網絡開銷。

       工業機器人控制。由於控制機器人行爲的延遲敏感性，距離較遠的傳統雲平臺無法實現這一複雜的實時決策過程。通過模型壓縮等技術將深度網絡的體積減小後，部署至邊緣智能平臺，能夠大大提升機器人狀態傳輸、上下文感知、行爲控制決策這一過程的處理速度，保障工業機器人運行的穩定與安全。

       產品銷量模型構建。不論是能源開採中的原料產量，還是製造業中的產品銷量，這些數據通常包含不同程度的商業利益，難以直接用於分析及預測模型的構建和推理。因此，一方面，邊緣平臺使得原料及產品數據無須在無法完全控制的條件下傳輸至遠距離的數據中心進行處理；另一方面，邊緣智能中的深度網絡分割、聯邦學習等技術使得企業能夠在無須暴露原始數據的情況下安全、隱私地實現信息共享、智能模型構建。

       面向未來，邊緣智能將賦能工業互聯網進階發展，使其應用規模不斷擴大，智能化程度不斷提高，產業價值不斷增長，迎來更加廣泛、更高水平的工業創新、轉型與升級。