工業一般分為流程工業和離散工業。兩者最大的差異在生產的自動化程度、數據的可得性和工業的復雜度，而最大的共性在于，每一個場景都需求各異，進入任何一個細分領域都需要有足夠深厚的行業knowhow和上下游資源整合能力。

智能，可以理解為數據化以及建立于此之上的AI。以產線自動化為始，多源異構的工業數據被采集、流轉、分析并幫助形成決策和控制，端到端的解決方案就形成了當前行業player的典型畫像。

為什么是工業智能?

1. 藍海

工業尤其是制造業的GDP總量遠高于零售、金融、建筑等行業。而工業領域每天產生的有效數據量其實不亞于BAT等互聯網公司，一個大規模的工廠每天產生的數據量甚至能達到幾十億到上百億條。

2. 壁壘

雖然工業場景每天產生高頻、海量的數據，但是大量的原始數據本身并沒有直接意義，且有可能產生大規模時延和占據大量帶寬。我們不僅需要在某些場景做實時的監控和分析，也需要把更多數據采集到云端做更多維和更長期的經濟效益及價值分析，這是云計算的價值。而云計算+邊緣計算，這是比傳統消費互聯網更細的顆粒度和更復雜的架構，這也意味著更高的壁壘。

3. 拐點

互聯網一條邏輯叫做“Copy to China”，“Copy to 工業”是同樣的道理。大規模的數據應用和平臺架構在金融、電信等行業經歷了充分的驗證和演進，加上中國制造2025在政策一側的催化作用，構成了拐點成立的先決條件。

工業智能的玩家畫像

現階段的用戶需要的不是單個產品，而是端到端的整體解決方案。一個合格的工業智能公司，香港免備案主機 美國服務器，應該具備整體解決方案的構造能力。

首先，用戶需求永遠是第一位，不滿足需求的技術都是偽命題。此外，一套好的解決方案從一個完美的架構開始。對于工業場景而言，從內、外部多源數據的整合開始，到云+端的平臺架構，知識庫的建立，合適模型的選擇，再到反向決策和控制，歐洲服務器租用 云服務器，只有完整打通，才能形成閉環。

整體來說，工業智能呈現一橫(整體架構)+N縱(多個細分行業)的格局。

工業智能的路徑選擇

對于工業領域的大B客戶來講，現階段需要的不是單個產品，而是端到端的整體解決方案。這雖說是現狀，其實也是工業創業者的終極目標。然而路徑選擇很重要。

關于發展路徑，業內主流認為自動化-(數據化)-信息化-智能化是工業用戶進階的合理順序，并且前一階段是后一階段開始的必要條件。因此國內工業智能領域的企業在很長一段時間內只關注自動化領域的機會，甚至將工業智能等同為“機器人”或者“工業自動化”。從用戶現場的大量實踐來看，這幾個階段存在著顯著的先后順序，但同時交叉滲透，迭代進行。

具體來看，離散制造行業大部分客戶自動化程度不夠，所以優先完成產線自動化。一些廠商以工業以太網和板卡實現設備互聯，打通設備級數據，經過MES反饋到平臺層，在不更換原有工控設備的基礎上實現初步物聯，用戶接受度很高，業績每年翻幾番增長，趨勢非常明顯。這一類模式，我們可以稱之為「以M2M設備物聯為核心的系統集成」。

更進一步的需求，來自于離散制造業的超大型頭部客戶和流程制造行業的絕大多數客戶，由于產線自動化程度本身較高，我們觀察到這類客戶對于信息化的接受程度本身也較高。

另外有一類廠商可以直接從頂層設計切入，在平臺層以工業大數據平臺或者場景化的AI模型服務用戶，實時的解決業務問題。反過來在數據采集層，在一些數據不完善的局部加裝傳感器，加裝智能化的檢測設備，甚至于做小段的產線集成等等。這一類模式，用戶接受度往往更高，這意味著項目的溢價往往也更高，我們可以稱之為「以數據應用為核心的系統集成」。

所以，我們可以看到三條發展路徑，面對不同的客戶，不同的場景，不同的發展階段，有不同的路徑選擇：

以產線自動化為核心的系統集成; 以M2M設備物聯為核心的系統集成; 以數據應用為核心的系統集成。

當然，殊途同歸，最終都是給用戶提供整體解決方案，以滿足用戶需求為核心。

工業智能之工業大數據

1. 首先，數據在哪里?