目前，我國(guó)工業(yè)互聯(lián)網(wǎng)技術(shù)在政府、企業(yè)、研究機(jī)構(gòu)等多方共同努力下，已經(jīng)在標(biāo)識(shí)解析、網(wǎng)絡(luò)平臺(tái)、數(shù)據(jù)應(yīng)用等方面取得了積極進(jìn)展，面向特定行業(yè)領(lǐng)域的工業(yè)互聯(lián)網(wǎng)基本搭建完成。從這個(gè)意義上講，工業(yè)互聯(lián)網(wǎng)技術(shù)1.0初步形成，實(shí)現(xiàn)了工業(yè)設(shè)備的互聯(lián)與工業(yè)數(shù)據(jù)的全生命周期服務(wù)。但是，整體智能化水平偏低，特別是邊緣工業(yè)設(shè)備和信息系統(tǒng)不具備分布式的智能處理能力，也沒(méi)有充分利用新興人工智能技術(shù)提升工業(yè)數(shù)據(jù)的使用效率。從這個(gè)維度上講，工業(yè)互聯(lián)網(wǎng)技術(shù)2.0進(jìn)階發(fā)展面臨關(guān)鍵技術(shù)挑戰(zhàn)。
工業(yè)互聯(lián)網(wǎng)技術(shù)面臨哪些挑戰(zhàn)？
以深度學(xué)習(xí)為代表的人工智能技術(shù)對(duì)提升工業(yè)互聯(lián)網(wǎng)技術(shù)智能化水平至關(guān)重要。當(dāng)前的深度學(xué)習(xí)是由大數(shù)據(jù)驅(qū)動(dòng)的，大多分為訓(xùn)練和推理兩個(gè)階段。傳統(tǒng)基于云計(jì)算平臺(tái)的中心化訓(xùn)練與推理技術(shù)在工業(yè)互聯(lián)網(wǎng)1.0版本中已經(jīng)部分應(yīng)用，但面臨著以下三個(gè)關(guān)鍵技術(shù)挑戰(zhàn)：
一是帶寬占用高、能源消耗大，網(wǎng)絡(luò)平臺(tái)層難以實(shí)現(xiàn)高效“訓(xùn)練”。在工業(yè)互聯(lián)網(wǎng)技術(shù)體系1.0中，數(shù)據(jù)平臺(tái)通常部署于離工業(yè)現(xiàn)場(chǎng)距離較遠(yuǎn)的云平臺(tái)，導(dǎo)致TB級(jí)甚至PB級(jí)工業(yè)數(shù)據(jù)需要通過(guò)網(wǎng)絡(luò)傳送至云端數(shù)據(jù)中心，造成了極大的網(wǎng)絡(luò)帶寬開(kāi)銷(xiāo)以及電力能源消耗，使得大數(shù)據(jù)驅(qū)動(dòng)下的人工智能模型訓(xùn)練難以高效完成。邊緣智能技術(shù)的運(yùn)用，能夠?qū)⒂?jì)算資源部署在工業(yè)園區(qū)內(nèi)部或者附近，通過(guò)分布式處理降低訓(xùn)練數(shù)據(jù)、模型參數(shù)傳輸?shù)皆破脚_(tái)的網(wǎng)絡(luò)帶寬占用及能耗。
二是處理延遲高、決策速度慢，數(shù)據(jù)應(yīng)用層難以完成實(shí)時(shí)“推理”。由于網(wǎng)絡(luò)傳輸資源有限，將數(shù)據(jù)發(fā)送至云平臺(tái)進(jìn)行處理，并將結(jié)果傳回工廠園區(qū)這一過(guò)程，產(chǎn)生了高延遲，使工業(yè)機(jī)器人控制等延遲敏感型應(yīng)用無(wú)法實(shí)時(shí)決策，基于智能推理的數(shù)據(jù)應(yīng)用難以真正落地實(shí)踐。邊緣智能技術(shù)的運(yùn)用，使得模型能夠直接或經(jīng)過(guò)處理后運(yùn)行在網(wǎng)絡(luò)邊緣，接收工業(yè)聯(lián)網(wǎng)設(shè)備持續(xù)產(chǎn)生的海量異構(gòu)數(shù)據(jù)，進(jìn)行實(shí)時(shí)處理、推斷、決策，消除了廣域網(wǎng)中不可控的延遲開(kāi)銷(xiāo)，能夠以不高于毫秒級(jí)延遲的響應(yīng)速度服務(wù)于工業(yè)應(yīng)用中的關(guān)鍵任務(wù)。
三是隱私保護(hù)難、數(shù)據(jù)易泄露，難以保障“訓(xùn)練/推理”數(shù)據(jù)安全。工業(yè)數(shù)據(jù)通常包含著大量終端設(shè)備的精細(xì)數(shù)據(jù)、監(jiān)控?cái)?shù)據(jù)、商業(yè)數(shù)據(jù)等，具有高度敏感性，涉及潛在商業(yè)利益。使用云平臺(tái)方案時(shí)，不論是網(wǎng)絡(luò)通信、數(shù)據(jù)計(jì)算還是信息共享、智能模型構(gòu)建，都難以在數(shù)據(jù)擁有者的完全控制下進(jìn)行，這使得企業(yè)的管理者難以信任當(dāng)下技術(shù)方案的安全性。邊緣智能技術(shù)的運(yùn)用，一方面，針對(duì)特定工業(yè)園區(qū)的邊緣智能平臺(tái)能夠由工廠管理者直接控制，工業(yè)數(shù)據(jù)可以在邊緣平臺(tái)覆蓋區(qū)域內(nèi)部形成完整、封閉的數(shù)據(jù)流；另一方面，邊緣智能中的隱私保護(hù)技術(shù)能夠在無(wú)須暴露原始數(shù)據(jù)隱私的前提下實(shí)現(xiàn)信息的共享與模型的構(gòu)建，極大地增強(qiáng)了涉及商業(yè)利益的敏感數(shù)據(jù)的安全性。
什么是邊緣智能技術(shù)？
邊緣智能技術(shù)是將人工智能技術(shù)放在邊緣設(shè)備上運(yùn)行，是邊緣計(jì)算與人工智能的結(jié)合，可以劃分為邊緣訓(xùn)練和邊緣推理兩個(gè)方向：
首先是邊緣訓(xùn)練技術(shù)。利用邊緣終端設(shè)備收集的工業(yè)環(huán)境中各維度的數(shù)據(jù)，如音頻、圖片、視頻、傳感器數(shù)值等內(nèi)容，在邊緣終端、邊緣服務(wù)器、云服務(wù)器相結(jié)合的邊緣平臺(tái)中對(duì)智能模型進(jìn)行訓(xùn)練。
面對(duì)網(wǎng)絡(luò)平臺(tái)層中帶寬占用高、能源消耗大的問(wèn)題，邊緣智能中的聚合控制優(yōu)化技術(shù)能夠減少通信頻率；梯度壓縮技術(shù)能夠通過(guò)量化和稀疏化等方法減少參與通信的數(shù)據(jù)量；遷移學(xué)習(xí)技術(shù)可使用預(yù)訓(xùn)練過(guò)的基礎(chǔ)模型減輕訓(xùn)練壓力。
其次是邊緣推理技術(shù)。將智能模型部署到邊緣端，將預(yù)處理后的工業(yè)數(shù)據(jù)輸入模型進(jìn)行計(jì)算，為工業(yè)流程中關(guān)鍵任務(wù)提供智能推理，生成決策方案，應(yīng)用范圍小到機(jī)器人控制、異常預(yù)警，大到流水線優(yōu)化、生產(chǎn)模式調(diào)整等。
面對(duì)數(shù)據(jù)應(yīng)用層中處理延遲高、決策速度慢的問(wèn)題，邊緣智能中的模型優(yōu)化技術(shù)有輸入過(guò)濾、模型壓縮、模型分割、提前退出等；系統(tǒng)優(yōu)化技術(shù)有邊緣緩存、多模型并行、多模型流水線等；此外還有模型選擇等技術(shù)為不同的邊緣設(shè)備和推理任務(wù)個(gè)性化地選擇最優(yōu)模型。
面對(duì)影響范圍廣泛的隱私保護(hù)難、數(shù)據(jù)易泄露的問(wèn)題，邊緣智能中的深度網(wǎng)絡(luò)分割技術(shù)能夠僅傳輸經(jīng)過(guò)深度網(wǎng)絡(luò)淺層或者其他輕量級(jí)DNN模型處理過(guò)的脫敏數(shù)據(jù)；聯(lián)邦學(xué)習(xí)技術(shù)直接在邊緣端進(jìn)行完整的深度網(wǎng)絡(luò)模型訓(xùn)練，僅對(duì)梯度更新進(jìn)行傳輸；Gossip訓(xùn)練技術(shù)采用異步和完全分散的方式訓(xùn)練深度網(wǎng)絡(luò)模型。
邊緣智能驅(qū)動(dòng)下工業(yè)互聯(lián)網(wǎng)有哪些典型應(yīng)用？
邊緣智能技術(shù)將智能從遠(yuǎn)距離的數(shù)據(jù)中心帶到了工業(yè)生產(chǎn)制造源頭的附近，使得工業(yè)互聯(lián)網(wǎng)中具備隱私保護(hù)特性、低成本、高效、低時(shí)延的智能化場(chǎng)景得以實(shí)現(xiàn)。
智能視頻監(jiān)控。為了實(shí)現(xiàn)針對(duì)機(jī)械設(shè)備、生產(chǎn)人員、產(chǎn)品運(yùn)輸過(guò)程等方面的智能監(jiān)控，例如物體檢測(cè)、物體追蹤、人臉識(shí)別，從工業(yè)現(xiàn)場(chǎng)采集到的體積龐大的高清視頻流能夠通過(guò)5G網(wǎng)絡(luò)近距離地傳輸至靠近工業(yè)園區(qū)的邊緣智能平臺(tái)進(jìn)行處理，使得視覺(jué)DNN模型的訓(xùn)練過(guò)程能夠節(jié)省大量由視頻、圖像數(shù)據(jù)傳輸導(dǎo)致的網(wǎng)絡(luò)開(kāi)銷(xiāo)。
工業(yè)機(jī)器人控制。由于控制機(jī)器人行為的延遲敏感性，距離較遠(yuǎn)的傳統(tǒng)云平臺(tái)無(wú)法實(shí)現(xiàn)這一復(fù)雜的實(shí)時(shí)決策過(guò)程。通過(guò)模型壓縮等技術(shù)將深度網(wǎng)絡(luò)的體積減小后，部署至邊緣智能平臺(tái)，能夠大大提升機(jī)器人狀態(tài)傳輸、上下文感知、行為控制決策這一過(guò)程的處理速度，保障工業(yè)機(jī)器人運(yùn)行的穩(wěn)定與安全。
產(chǎn)品銷(xiāo)量模型構(gòu)建。不論是能源開(kāi)采中的原料產(chǎn)量，還是制造業(yè)中的產(chǎn)品銷(xiāo)量，這些數(shù)據(jù)通常包含不同程度的商業(yè)利益，難以直接用于分析及預(yù)測(cè)模型的構(gòu)建和推理。因此，一方面，邊緣平臺(tái)使得原料及產(chǎn)品數(shù)據(jù)無(wú)須在無(wú)法完全控制的條件下傳輸至遠(yuǎn)距離的數(shù)據(jù)中心進(jìn)行處理；另一方面，邊緣智能中的深度網(wǎng)絡(luò)分割、聯(lián)邦學(xué)習(xí)等技術(shù)使得企業(yè)能夠在無(wú)須暴露原始數(shù)據(jù)的情況下安全、隱私地實(shí)現(xiàn)信息共享、智能模型構(gòu)建。
面向未來(lái)，邊緣智能將賦能工業(yè)互聯(lián)網(wǎng)進(jìn)階發(fā)展，使其應(yīng)用規(guī)模不斷擴(kuò)大，智能化程度不斷提高，產(chǎn)業(yè)價(jià)值不斷增長(zhǎng)，迎來(lái)更加廣泛、更高水平的工業(yè)創(chuàng)新、轉(zhuǎn)型與升級(jí)。
