至顶网CIO与应用频道 01月31日 北京消息(文/王聪彬):“工业互联网是面向工业智能化的需求。”中国信息通信研究院院长刘多曾说过,工业互联网不仅仅是一个网络,在打造网络的同时可以产生新的业态和模式,这对于制造业转型发展是非常重要的。
工业物联网、工业互联网、工业云虽然名称繁多,但它们都代表着同一个含义。不仅仅是收集数据、分析数据,工业互联网是关注资产从设计、制造、销售、服务等全过程,实现整体的优化与创新。
传统的工业互联网的架构主要分为三层:终端设备层、数据采集平台层、应用层。其中设备层和平台层是工业物联网中最关键的环节。
对工业互联网一个形象的比喻是,设备就好比感知器官,平台就好比大脑。感知器官负责数据的采集,大脑负责数据的分析处理,也就是常说的端到云。
随着数据量的增长,工业互联网平台的负担会越来越大,如果在边缘设备上就可以进行预处理就可以更快的进行响应。“边缘计算”的出现就像人的感知器官一样,并不是全部回到大脑作出反应,很多是感知器官会直接作出反应。工业互联网则通过在设备端加入盒子的方式,让一些数据在边缘就可以得到简单的计算。当然平台层仍然是工业物联网的核心,支撑工业应用的开发。
市面上工业互联网平台少则数十,多则上百。几个代表像GE Predix工业互联网平台、西门子MindSphere、PTC ThingWorx工业创新平台、树根互联根云平台、徐工Xrea工业互联网平台、海尔COSMO工业互联网平台都有着各自的特色和发展路径。
GE Predix工业互联网平台以资产为中心,从边缘到云再回到边缘。其推动垂直工业领域应用,平台将聚焦航空、能源、医疗领域,围绕资产绩效管理、现场服务、智慧工厂为客户开发有价值的应用,加速工业互联网生态圈的建设。
西门子MindSphere是基于云Cloud Foundry而构建的开放式物联网操作系统。可帮助企业实现真实世界中的产品、工厂、机器和系统的连接,以提取并分析真实的性能和应用数据。
PTC ThingWorx工业创新平台倡导将数字世界和物理世界融合实现工业领域创新,拥有强大的平台能力,提供针对工程和制造领域而设计的角色应用、庞大的合作伙伴和客户生态系统,以及专为工业物联网客户和合作伙伴设计的全新服务。
树根互联根云平台以服务中国企业,特别是中小企业作为开发目标,以N+IIoT用互联网和物联网技术来提能工业应用,通过端到端的价值输出,为需要物联应用的工业企业,提供从硬件接入、电信网络流量购买、机器间通信、云资源编排、大数据处理到物联应用开发的打包解决方案。
徐工Xrea工业互联网平台是一个“能为设备提供精准服务的平台”,其可以实时、精准监测设备的运营及运行情况,从而为设备提供全生命周期服务、预测性维护服务和创新商业模式等三大核心价值。
海尔COSMO工业互联网平台是海尔在打造互联工厂的实践中,逐步构建的一个开放共享的生态体系。其让用户全流程参与产品设计研发、生产制造、物流配送、迭代升级等环节,真正实现了人人定制。
虽然有这么多的工业互联网平台,但都殊途同归,利用数据在各个层面进行创新。
当然中国制造企业在信息化、自动化水平上存在参差不齐的问题,能否快速接入是一个需要探讨的问题。当然还有像设备采集复杂度过高,缺乏标准,以及没有一个平台可以聚集所有的生态系统等问题。
中国工程院院士倪光南也提出,建设广泛兼容、安全可靠的工业互联网平台,对中国工业界的国际竞争力培育具有战略意义。无论从国家发展战略层还是从单纯的市场发展趋势出发,中国都必须建立完全自主、安全的工业互联网平台。
其实工业物联网大多都是闭源,通过API进行连接,这也为很多制造企业带来顾虑,尤其是数据层面安全。制造业不同于互联网行业的特性,其试错风险太高,未来标准化的部署则可能突破这一瓶颈。
好文章,需要你的鼓励
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
IDEA研究院等机构联合开发了ToG-3智能推理系统,通过多智能体协作和双重进化机制,让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异,能用较小模型达到卓越性能,为AI技术的普及应用开辟了新路径,在教育、医疗、商业决策等领域具有广阔应用前景。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
上海人工智能实验室提出SPARK框架,创新性地让AI模型在学习推理的同时学会自我评判,通过回收训练数据建立策略与奖励的协同进化机制。实验显示,该方法在数学推理、奖励评判和通用能力上分别提升9.7%、12.1%和1.5%,且训练成本仅为传统方法的一半,展现出强大的泛化能力和自我反思能力。