这周我参加了西门子MindSphere的主题日活动，还客串了嘉宾对话环节的主持人，有图有真相，不过机智如我，在你翻到之前，正面大头照已被我雪藏。

这篇文章并不想谈MindSphere，而是想谈谈这一轮工业物联网IIoT平台的崛起，以及制造企业、系统集成商、应用开发商等各方应该如何顺势而为。

为了顺应各行各业均以高考的名义大肆“装嫩”的社会潮流，因此我在这儿先重温过往重点。在文章《GE、西门子、KUKA、罗克韦尔，已打响2017工业物联网生态战的第一枪》中，我已经对各个知名工业自动化企业正在做的IIoT云平台进行了全面介绍，也对GE、IBM、PTC、Intel、SAP、微软、Oracle、亚马逊、艾拉物联、博世、Carriots、Connecthings、Cumulocity、Jasper、Kaa、thethings.iO等IIoT云平台进行了对比分析。

在此不再赘述，跟不上进度的同学请自行脑补。

伙伴关系才是工业物联网成功的关键

正在发生的新一轮工业革命，核心就是工业物联网IIoT。而IIoT的核心，就是用好数据这个“利器”，驱动实体物理世界与虚体数字世界发生融合变革。至于如何用好数据这个利器，就得靠志同道合的合作伙伴，围绕在IIoT生态圈周围，共同发力。

无虚体，不智能。由物理实体与数字虚体构成的“二次元世界”，被称为“数字化双胞胎”（DigitalTwins），包括“产品数字化双胞胎”、“生产工艺流程数字化双胞胎”和“设备数字化双胞胎”3个层面。

在Gartner发布的“2017年10大战略技术趋势”中，“数字化双胞胎”被列入其中，Gartner认为“它对各行各业具有巨大的颠覆潜力”。

未来的制造业将由数字虚体接手“掌管”，因为只有它才可以做好两件事情：一是可以监测制造业现场的生产能力、运营效率和设备的运行状态，实时有效的管理工厂操作；二是能从研发、制造、售后等产品全生命周期各个环节中，全方位透析工厂生产出来的产品性能。

然而，令业界沮丧的是，思科最新的一项研究表明，尽管企业级的物联网项目越来越普及，数字化双胞胎接踵降生，但是失败的概率接近75%，这其中不乏已经实际交付的项目。

如此萎靡的“良品率”，如此高昂的代价，你怕了吗？

失败的原因五花八门，有些是技术因素，比如设备不能有效的采集与分析数据；有些是专业因素，比如解决方案提供商对垂直行业缺乏专业认识；还有些是管理因素，比如IT与OT部门之间缺乏沟通。

不过这些都不是导致物联网项目失败的本质。

如果反过来观察那些成功的物联网项目，他们有一个明显的共同点：善用伙伴，共建生态。成功实施工业物联网项目的核心是善于利用各种合作伙伴的能力，建设好IIoT生态圈，这些战略合作伙伴之间形成优势互补，完成技术整合，还能兼顾企业文化和商业模式等软性因素。

IIoT生态系统包含小生态和大生态不同层面，围绕某一制造企业，汇聚上下游和相关合作伙伴，涵盖从生产规划、自动化设备供应、工艺设备制造、项目实施、生产服务、工厂维护等各个环节与资源的整合，从而形成的生态系统是最基础的单元。以此起步，可以扩展到深耕整个垂直行业，乃至跨越不同行业的大型IIoT生态系统。

在《曾子》这本书中，曾经提出一个用人原则：“用师者王，用友者霸，用徒者亡。”这个道理用在工业物联网生态系统的建立过程中也颇为合适，不能仅靠一己之力，从合作伙伴中借力借势才是工业物联网成功的关键。制造企业、系统集成商、应用开发商等都是生态系统中的不可或缺的重要角色。

毕竟IIoT生态系统是我们之前从来没有接触过的东西，也有潜力创造出难以置信的新价值。但是大部分机会，都需要与各类供应商协作，与上下游合作伙伴共享。你吸引来的合作伙伴，究竟是“老师”、“朋友”还是“徒弟”，究竟是行业专家、资深同行，还是创客极客，对于IIoT项目的成败或将不同。不过有一点，单打独斗等于找死。

想用人，先做人。IIoT生态系统的吸引力首先取决于建设者愿意在多大层面上共享你的数据、洞察和与之相伴的利益，并且由此建立起一条牵动各方合作伙伴的牢固纽带。

在建设IIoT生态系统这个问题上，不得不感叹西门子、IBM、微软等公司的高明手段，一上来就从最难的跨行业生态系统开始入手，“欲上民，必以言下之”，他们在汇聚合作伙伴的过程中，不仅态度端正、开放共享，而且舍得投入，放开手脚，大展身手。

反观国内企业，生态系统的营造恰恰是“木桶”的短板，要么不能提供足够的安全性说服设备拥有者上传数据，要么没法平衡公有云、私有云之间的知识产权保护，要么没有站在合作伙伴的角度想好利益的分配机制，要么盲目追求表象而忽视本质，注重数量而忽视质量，吸引大批不懂行业的创客开发者，最终陷入自己挖这个“劣币驱逐良币”的坑里。

工业物联网不是“随性”选修课，而是“核心”必修课

理清合作伙伴关系对于IIoT生态的重要性之后，接着分析参与的各方应该如何顺势而为。

既然新一轮的工业革命，由工业物联网将引发数字虚体的迅速“上位”，制造企业、系统集成商、应用开发商不仅要从定位上，别把自己太当回事，而且要客观的把自己视作IIoT生态系统中的一环，还要从思维上，着手提升“内功修为”，做出相应的快速转变：

制造商：越来越多的制造企业已经意识到了，工业物联网的重要性已经超越了传统自动化系统，关于工业物联网这个事情怎么重视都不为过。

对制造企业而言，工业物联网不是采购部闲来无事购买的一项新技术，也不仅仅是IT部门为了提升生产效率而上线的一套新系统，而是从内到外改善业务流程的一种“全系换血”。

在这一点上，广州明珞汽车装备有限公司总经理姚维兵作为贴近制造企业的OEM，也有自己的观察。他认为很多企业并没有对智能制造形成一个清晰的认识，大数据、智能分析、物联网，不仅是技术的进步，还有管理流程的重塑。大部分企业都在采用非标准化的生产服务，整个过程对“人”的依赖程度很高，而将整个设计、规划、工程、制造等流程与“人”解耦，依托“数据”进行操盘，是大部分企业面临的痛点难点。

集成商：从工业物联网的视角出发，系统集成需要跨越工程、生产、数据、信息，撮合多方协作，尤其是在分工进一步细化之后，如何准确辨识、合理安置那些靠谱的新冒出来的IIoT生态圈角色，这是系统集成商首当其冲面临的挑战。

在制造过程中，数字虚体的信息粒度和实时性要求比日常消费品中的IoT场景严苛很多，有些设备数据能够通过边缘计算就地管理，有些设备数据则要通过云端的智能分析产生洞察和决策，系统集成商需要对这些区别与架构了然于心，让现场工程师、维护工程师、产品设计师、市场营销人员、公司决策层从数字虚体中各取所需。

从商业模式上，系统集成商不再只做一锤子买卖，而是围绕IIoT创造实时分析、资产管理、预测性维护等新的收益来源，获得细水长流的经常性收入。

应用商：随着IIoT生态带来的分工细化，各种分工之间的界限也正在变得模糊。上海大制科技有限公司和源讯信息技术（中国）有限公司是新一代应用软件开发商的代表。大制公司首席执行官郭云提到他们不仅操心基于场景的SaaS应用开发，还得操心IIoT项目方案咨询、数据采集、数据分类、商业智能分析等方方面面。

源讯公司解决方案事业部中国区总经理关利星平时不仅得调配资源，匹配用户需求，还得及时梳理制造业的痛点，并将解决方案提升到更高层次的工厂价值管理与可持续发展的维度。源讯的大部分客户都不是从零开始起步，而是大型的制造业企业，客户希望不打断原有业务，直接无缝的切换到IoT业务模式，这就需要在规划层面上深厚的管理咨询功力。

关利星还谈到了一个有趣场景，工业物联网不仅让小规模灵活性极高的定制化生产成为可能，还能追踪到原本不可能被记录的数据。举个栗子，比如超市收银台扫描商品，以前只能记录扫描成功的商品数据，而现在通过云计算我们还可以记录扫描不成功的商品数据，有了这些完备的数据做基础，你不仅可以分析为什么成功，还可以知道为什么不成功，从正向思维和逆向思维两个维度提升服务。

没有连接和智能，工业物联网中的设备就只是“废”物

做好人，修成心，营造工业物联网生态的旅程也未必能走得一马平川。

一般我们把IIoT的旅程划分为4步：数据采集和存储、生产管理和分析、商业智能和决策，以及商业模式变革。不要小看各个步骤之间的演进，每项都是一次打怪升级的过程，扎实走好每一步旅程不容易，这其中有3个需要把握好的关键点：

1. 设备的可靠和安全

不用我说，100个人里面101个都知道可靠和安全是基础。不过，做到绝对的可靠和安全，不是一项技术，而是一门艺术。

可靠的IIoT基础设施，确保关键的运算、网络和存储资源正常运行，避免意外停机。安全则包含两个层面，首先是保护数据不损坏、不丢失，其次是保护数据不被盗用或篡改。

我在之前的文章中曾经专门讨论过物联网的安全问题，这里就不再复述了。攻陷美国东海岸设备、全球摄像头和各种路由器的Mirai、Hajime、BrickerBot等，这些专供物联网的病毒只是多米诺骨牌效应的开始，过去3年中，攻击者在物联网设备上扫描漏洞的比例增加了3,198%。安全问题不是“黑天鹅”，而是可以被划分为大概率且影响巨大的“灰犀牛”事件，你我这辈子都注定会遭此劫难，但不一定有幸全身而退。

如果看到这里，你的感觉是“物联网安全问题让人觉得好怕怕啊，我那个玻璃心的工厂可承受不了任何安全的打击。”我劝你还是别听我的建议，别进入IIoT生态圈比较好。

2. 消除孤岛的连接

物联网的首要作用是允许任意设备在任意位置加入，并消除所有信息孤岛，将各个设备连接在一起。同样，IIoT工厂内部的互联设备不是孤立进行工作，而是需要跟整个生态系统相结合。一些大公司已经配备了满足自身需求的设备分析系统，而一些中小公司设备分析能力还比较薄弱，设备互联的问题有待重视。

互联设备不仅仅局限在工厂内部，也并不局限在跨越地域的同一企业内部，互联的深度和广度决定了IIoT生态的格局。

具体来说，工业物联网的连接包括4种模式：

从设备到设备：通过工业以太网、蓝牙和Zigbee等通讯协议，将同一网络内的IoT设备互相连接。

从设备到云平台：IoT设备直接连到云平台，比如IoT工程车辆监控设备，收集车载数据，如距离和速度等，然后将这些数据传输到云平台进行追踪与分析。

从设备到网关：通过网关，将传感器采集的数据传输到云平台，网关负责收集和传送数据。

从云平台到云平台：云平台之间的互联属于后端数据共享的范畴，使第三方能够访问IIoT设备上传的数据，利于跨系统乃至跨行业设备之间的互相协作和智能决策。

3. 有进化能力的智能

机器学习算法能够识别生产模式和提取反馈，可用于优化生产操作。预测性分析可确定整个工厂系统故障以便及时修复或更换设备避免耽误生产期。

在工业领域，运用机器学习和认知算法提升产品性能和用户体验的创新型企业越来越多，善于利用机器学习工具，有助于让数字虚体更好的创造价值。

科技巨头，例如，亚马逊、IBM、谷歌、微软等，正在加紧布局人工智能、机器学习、深度学习在全行业的应用，下面是7个在IIoT领域可供使用的机器学习工具：

• Amazon Machine Learning：使用先进的算法和公式创建机器学习模型，助力查找现有数据中的模式。然后，这些模型用于处理新数据并帮助生成预测。

• Tensor Flow：一个开源软件库，主要用于使用数据流图的数值计算。该系统可以适用于各种其他领域。

• Azure Machine LearningStudio(AMLS)：一个服务框架。它能够使企业能够适应Azure云中的机器学习解决方案。

• H2O：也称为H2O.ai，正在为全球最具影响力的一些公司开发关键任务数据产品。H2O提供基于Web的用户界面，同时可访问机器学习软件库，并开启机器学习的过程。

• Caffe：这个广泛的平台鼓励使用它的企业对应用进行创新。Caffe支持广泛的代码使用。Caffe帮助学术研究项目，启动原型，以及视觉，语音和多媒体等大型工业应用。

• MLlib：ApacheSpark的机器学习库，它包含常见的学习算法和实用程序，包括分类、回归、聚类、协同过滤、维数降低等。MLlib易于部署和运行在现有的数据集群上。

• Torch：一种广泛使用的开源机器学习开发框架。它允许基于神经网络的算法在GPU硬件上运行，而不需要在硬件级别进行编码。

工业物联网生态就像一个生命体，单个细胞无法工作，必须形成一个相互依存的有机整体才能高效运行。使用工业物联网打造的未来工厂，是一个随时可以被灵活修改和塑造的“精灵”，它比以前任何时候都更加透明，连接的设备和环节也是前所未有的数目众多，从产品研发、原材料供应、到生产制造、物流运输、再到分销渠道、客服中心等，环环相扣。如果想要最大化的发挥这个“精灵”的潜力，眼光不能只盯住企业内部，而是应该依据自身这一环，向上向下、由内而外拓展视角，当你环扣了众多产业资源和合作伙伴，精灵会自己成长。

背好“先做人、后修心、再打怪”三字经，只有各方认识到伙伴关系的重要性，摆正定位和心态、各练内功，抓住工业物联网旅程中的关键要素，才能通过协作创造共赢的最大价值。