工业物联网通过自主感知数据采集、学习、分析和决策闭环，支撑工业资源泛在连接、弹性供给和高效配置，其中数据采集和泛在连接是基础。这既包括工厂内设备、人员、环境等各要素的数据采集、工厂外智能装备及智能产品的数据采集，也包括各种应用系统通过接口集成数据。
推进工业物联网实施面临的道门槛就是多源异构的数据采集，如何将工厂内外各种ot和it数据采集进来，其中存量设施涉及物联网数字化改造，增量建设则涉及标准制定。标准亦非常重要，否则一直疲于项目制交付，无法形成产品，更无法沉淀于平台。
对于移动场景，5g技术、低功耗广域网技术、4gcat-1以及短距离无线通信技术等，正在加速泛在连接的发展，支持海量物联。从长距离到中等距离，再到短距离，通过无线通信有效解决连接问题，不同技术各有优劣势及适用场景，有些速率高，有些速度低但功耗极低，有些信号穿透性强，能够在复杂环境下稳定通信。
不可否认，大数据和云计算的普及，加快了人们追逐数据驱动、数据应用的步伐。数据存储能力和算力的大幅提升，使得很多限制都已经消除了。例如传统的抽样分析转变为全量分析，通过全量数据分析大幅提升结论的准确性；某些领域从不可预测变为可预测，预测是基于历史规律对未来进行推断，大量的数据基础让分析从面向已经发生的过去转为面向即将发生的未来。
对于工业物联网，可以将因果关系和相关关系相结合，如图2-2所示，例如数据模型对机理模型进行校正、数据模型对机理模型结果进行后处理、将机理模型的部分结果作为数据模型特征等。
▲图2-2机理模型与数据模型
举个例子，对生产制造或运营管理的某个环节，当利用传统分析方法从杂乱无序的海量数据中无法找出问题时，可以试着利用ai无监督学习算法，对大量样本进行分析，得出基于某特征值的判断阈值，筛选出异常分支，再利用机理模型研究异常分支数据，依据理论和经验弄清楚它背后的原因，ai帮助找出异常的数据集，找到初步分析方向。
除此之外，ai在一些传统领域也在尝试渐进式的改进和优化，例如视觉质检、图像识别、预测分析与诊断、巡检、公共安全等领域逐步应用ai。ai并非颠覆式的，在没有ai之前，这些事情每天都在发生，但不可否认的是，在某些场景中，ai让事情变得更有效率、准确率更高。我们既不应该夸大ai的效果，大量ai项目在工业场景无法规模化落地时便已经指出了这个问题，也无须一味排斥ai，而是应该保持开放的心态，仔细对ai在业务场景落地的可行性加以甄别和研究。03沉淀用例，能力复用
工业物联网平台赛道的企业，在历经平台的建设期、迭代期和推广期之后，逐渐意识到用例的重要性， 终都需要通过应用服务于业务场景，得到闭环，平台大部分时候不直接面向业务问题，价值变现需要依赖于具体的应用落地。如何将企业可复用的数字化能力沉淀下来，如何对相似业务逻辑的场景及对象进行抽象，形成一套可迁移、可扩展的用例，如何沉淀足够多的行业know-how知识并开发为工业app模板，已成为区分工业物联网平台能力的核心。
除了上面列举的几点，还有一些趋势如边缘智能、云原生工业物联网平台等，不逐一列举。出于数据处理实时性、网络可靠性、安全性方面的考虑，人们越来越重视在数据源头现场对数据进行即时处理。云端训练的模型运行在边缘节点上，实现边缘智能，云端能力下沉，云端训练边缘推理将变得越来越普遍。
近几年，云原生工业物联网平台概念逐步普及。云原生（cloudnative）是一个组合词，云（cloud）+原生（native）。云表示应用程序位于云上，而非传统的数据中心；原生表示应用程序从设计之初即考虑到云的环境，原生为云而设计，充分利用和发挥云计算的弹性和分布式优势。
不同的人和组织对于云原生有不同的理解，总体而言，符合云原生架构的应用程序应该是采用开源栈（kubernetes+docker）进行容器化，基于微服务架构提高灵活性和可维护性，devops支持持续迭代和运维自动化，利用云计算设施实现弹性伸缩、动态调度，优化资源利用。工业物联网平台同样朝着云原生的方向进行架构迭代，以更好地支持功能标准化，易于生态合作，并且利于应用在公有云、私有云或混合云等不同基础设施上部署。
本文摘编自《工业物联网：平台架构、关键技术与应用实践》。