IBM：感知物聯網如何連接物理世界和數字世界？

【FBIF2016演講文稿（整理）】

演講嘉賓:張佳妮，全球總部物聯網戰略經理，IBM

圖為：張佳妮

演講視頻

今天在這里我主要給大家分享IBM怎么看物聯網或者IoT，我們戰略是通過分析它的可能性以及它的數據來幫助企業用物聯網來轉型。

IBM從2008年開始做物聯網，那個時候我們還沒有稱之為IoT，當時我們推出一個計劃叫做更智能的星球。主要是三點，智能、互聯性，就是說把你的系統拿出來用傳感器、芯片放上去，把它連接起來，我們就可以從中獲得智能。但是，那個時候我們不知道它叫物聯網，沒有一個官方的名字，我們希望能夠創立一個更智能的星球，所以我們當時做的這三項工作都跟政府和很多城市共同合作，做了很多的轉型。但是2008年轉型非常困難，花我們很多錢成本很高，這5個階段在2008年都不存在，或者存在但是很難實施。而現在我們看到5個驅動技術已經成熟，能夠讓我們實施物聯網。而現在驅動技術已經成熟，嵌入式的傳感器到處可見，而且成本比較低。中國很多工廠還處于工業2.0，如何改進呢？如果沒有逐步進行基礎設施，也可以馬上通過傳感器的使用實現飛躍式的發展，互聯性也非常重要，每天我們可以用手機，我們隨處都可以連上英特網，一定可以給我們帶來幫助。

現在云計算到處都有，很多公司用各種形式來做云，有公共云、私有云、混合云，所有的這些都已經很透明了，現在非常安全也非常容易加以維護和開始，應用起來也非常方便。我覺得一個產品生命周期管理是非常有意思的。一個產品的生命周期管理包括設計階段、制造階段、運營階段、服務階段，他們都是分配到各個不同的地方。IoT可以做的是把所有的點連起來，它們可能有不同的信息連在一起，設計和生產是無縫加以連接，它們也能夠在設計的時候最早就能夠反饋所有的信息。我們現在最感到激動，還要再往前走一步，從IBM角度來看單單分析不夠，這些分析器需要有認知能力，什么叫做認知能力？就是思考能力。這是一個思考過程，人在做的思考過程，這和分析器有什么不一樣？分析器是算法，開始看到一些趨勢模式加以應用，就從這里獲得一些核心的信息，把這些分析器，把里面所有的趨勢、模式拿出來，和其他的一些數據加以結合，和其他的一些事件聯合在一起，那這時候就開始思考了，這種分析器的應用和機器學習，和其他的重復學習還有其他的連接在一起，可以讓你的IoT更好地發展，因為IoT將成為一個非常大的數據整合。其他要很智能的加以分析，而不僅僅只是原有的數據分析方式。

圖1

我們跟客戶進行交流的時候有三個主要的價值驅動因素（圖1）：一個是提高運營，降低成本。這吸收起來很容易，因為每個人都想省錢，因為可以讓一切行動自動化，這種價值往往有最快的回報，我們公司跟一些企業在進行交流，我們會想如何能夠運用現有的數據提高流程。但是大多數人都對第二點感到非常激動，那就是產生新的產品，新的收入和新的業務模式。我們經常想到的是我們碰到第一點，但我們一旦用IoT減少了成本省下錢，把錢用來開發新的業務模式的改變。

當然最后一個很重要的，那就是推動互聯，給很多企業客戶帶來的優勢是讓他們更好接觸終端消費者，我們有一個好的合作伙伴叫惠而浦。他們不知道他們的產品在消費者那邊是怎么用的，他們做生產和分銷，但是這些終端消費者并不跟惠而浦進行交流，也不告訴他們如何把洗衣機加以使用的，所以他們只有非常有限的機會，就是跟他們要一個比如保質期、保質卡等等方面的問題。現在用IoT很好地檢測出來按鍵用多大的力氣或者如何進行洗衣模式設置，這些惠而浦都可以查到，就有助于下一步產品的開發和生產。

麥肯錫告訴我們，超過有70%的IoT價值驅動是B2B的，或者B2B2C的IoT應用，主要的價值是帶給企業，大概只有30%是帶給消費者的價值，所以在應用IoT的時候要考慮到這一點。

為什么大家一直在談IoT？因為loT的應用尤其在這個工作流里面，主要是說生產。所有國家都開始強調制造業，因為這是最容易達到的一個目標，也最有可能從中間減少運營成本獲得最高的利潤價值。IoT可以很簡單的在各個行業加以運用，但是怎么用它以及如何獲得這些數據，如何收集這些數據并分析他們，應用在制造領域里面，那才可以讓你進入到一個新時代的制造業的自動化階段。

圖2

這是IoT可以提供的三大主要基本功能，從低到高看（圖2）。首先，loT可以讓你實現互聯并且收集所有傳感器和設備提供大量的數據，并且加以開發和利用，那不僅僅是收集數據而且要進行第二步，分析和配置。一個完整loT的戰略要安全的互聯，將這些數據進行擴大和收集，并且對收集出來的海量數據進行配置、分析，把它給設計部門還是應用部門等等。這仍然是基礎階段，分析還只是對loT數據做的第一步。第三點也是最重要的一點，預測和執行。這使你可以獲得價值，可以從這些數據當中以他們為基礎快速智能做出更準確的決定。

為了能夠更好利用loT的應用，可以把它放在這樣的loT背景上面，底層有一個設備互聯并且數據收集，把它帶到云平臺，最理想化的是云平臺，但是還有不同的階段，loT可以讓你通過最基礎的方式收集并且互聯以后獲得一些數據，然后開始配置和分析。這時候可以看到一些價值，我們主要在三塊領域里面看到價值。一是上市時間，一個是優化運營，第三個是高效的資產配置，這是最主要的三塊loT能夠給制造帶來的價值。看成本分析的話，這三塊是三個主要的進行成本消減周期中間三個重要的節點。第二塊優化的運營能讓你看全面運營的各個階段，可以看貨物是如何流動的，跟貨物有關的信息是如何流動的，還有一些資源的高效性等等。我們說到工作資源、資產資源還有庫存也是資源，如何將他最優化的配置，從而確保在庫存里面不要有太多的配件，不要多余庫存，然后服務管理和能源空間的優化應用等等，如果開始以一個非常高效的方式用loT幫你們進行管理和運營，那將是非常有意思的。第三個也非常激動人心，那就是高效的資產運用，尤其在制造業里面，人們在資產里面投很多錢，比如供應鏈、機器人、傳送帶都是大量的資產投資。這些資產其實可以你用loT給你帶來更多的價值，你可以生產更高的效率，因為你可以預先的做維護，主動設計維護運營的時間表，從而讓運營的效率進一步提高，用loT甚至可以進行遠程的檢測和評估。

去年開始有一個IBM Watson 的loT平臺（圖3），成為戰略的一步。我們覺得loT已經不夠需要有一個認知性的理解，并且讓機器人學習和loT數據合在一起，所以我們創造了IBM的Watson loT平臺，我將談4個loT平臺的關鍵能力。在這個平臺之上我們也看一些其他的方式讓我們提高公司的價值鏈，用一些高新的能力，可以看到工業里面的解決方案，制造是我們關注的一個領域。當然還有很多其他的產業給我們帶來很多價值，比如汽車制造企業，還有飛機制造企業，他們都能夠利用Watson技術生產很多產品。對我們客戶來講，獨特的loT的環境下的一套信息和數據是非常重要的，這也是我們現在正在做的工作，接下來我想深入講一下這個平臺。

圖3

Watson loT Platform是我們專門設計的，我們覺得可以使很多部件正確利用起來。如果大家看上面平臺分4個連接、信息的管理、分析、風險管理，連接很容易理解的，是能夠安全的連接，能夠實現安全的連接。信息的管理有點復雜，是我前面說loT不僅是連接自己的設備，看數據進來或者出去，而是如何把你的數據跟其他的數據源結合起來產生更多的價值。我們去年戰略性收購一家公司，讓我們有更多機會用loT做事情。廠址是非常重要的影響工廠運營的要素，比如在西伯利亞的工廠跟厄瓜多爾的工廠完全不一樣，他們的溫度或者其他的條件有巨大的差異，對你的資產設計都會造成非常大的影響，因此這一點變得非常重要了。我前面還說第三部分是分析，我們也已經開始進入實時和感知的分析，我們覺得這種感知的分析將成為未來的關鍵，因為接下來loT進出的信息將非常大，以后的處理方式和以前完全不一樣，另外風險也非常大，私密性還有保密性、安全性等等。風險要從全局來看，我們所有的設備都會有風險，這是我們要考慮的。

那么要對這4項能力投資的話，我們也把額外的能力加入其中，比如風險管理和連接方面我們也做了很多的區塊鏈做的工作，這也是一種新的協議，也是金融行業所貢獻的，這個區塊鏈對我們信息安全交換非常重要。這個區塊鏈IBM跟客戶合作，我們也很快能夠通過區塊鏈轉移信息。另外我前來說過了，我們并購一家天氣的公司，希望把他加入我們跟其他的信息主事。他們這家公司也有自己loT的平臺，我們現在要把他們的平臺跟我們的平臺相整合，讓它更容易結合，而且能夠成為平臺中的平臺。如果現在存在loT的平臺大概有250個，這個數字將會在未來急劇減少，當我們標準越來越趨同，我們會看到這些平臺的整合，最終數量也會急劇減少，所以有一個開放容易接入的平臺是非常重要的，這也是未來的發展方向。

我們加入4個能力也就是自然語言的處理包括中文還有參考信息的分析，還有圖形、視頻的分析處理在我們平臺上都有，這些是非常有趣的認知方面的能力，而且我們在認知方面的技術還在不斷的提高當中。現在我們要再往上層走，前面我說到這個平臺的四大組成要素。我們希望把認知放在產品研發的流程當中，使我們能夠分析新產品的要求，他們如何做成原型，未來如何生產，然后成為你的下一代產品，而且讓你在產品的生產上面效率能夠提高。再往下走，說到核心資產，在整個運作流程上面，我們要來看一下所有資產，從工作、服務、合同、房地產等等，這些都需要在運營當中有全局觀，看在哪里可以把程序自動化提高效率，我們也在幫助一個非常大的客戶改善他們的零部件的庫存，他們這項資產是過度維護了，庫存的90%是不必要的，再經過我們分析之后，分析出最好的服務時間是什么時候，如何最優化的利用零部件，最后把零部件的庫存減少了90%，大大節約了他們的成本。

而且我們會進行預測的維護，資產變得越來越重要尤其在制造業，因為它的資本支出非常大，我們如果能夠進行預測性的管理資產，而且我們的算法和其他的信息源結合起來，再加上工程師自己的專有知識。比如初級工程師維護設備和機器的話，就跟那些比較有經驗的高級的工程師所花的時間不一樣的，所以這就需要不同的信息源相互整合進行合作。我前面已經講過了，我們對于全球行業的特殊具體解決方案非常感興趣，而且我們與合作伙伴和客戶進行共同開發，因為這不是一個人的游戲，IBM并不是想在各個行業成為唯一的專家，我們也沒有這樣的意圖，我們在產品的開發、自動化還有工業產品方面跟博世有合作，我們希望通過共同的努力能夠對于loT的發展以及在其他行業的運用做出我們的貢獻。

另外，我們在loT方面一直是一個領先者，我們加入了很多開放的標準和行業的計劃，因為大家對此都非常感興趣，我們戰略方向是我們不認為要放之四海皆準的標準，我們希望幫助這個行業能夠聯合起來朝正確的方向走。

loT是關于一個生態系統，生態系統是你需要合作，我們有很多的合作伙伴，他們都做出了貢獻，包括設備的連接以及相關的安全協議，讓我們共同創造價值，把loT整合起來把它發展最新的階段。

最后我特別提一下loT剛開始做沒有那么難，也沒有那么遙不可及，現在很多工業2.0的工廠、企業升級到工業4.0是比較容易的，如果大家去IBM loT的網頁可以看到各種各樣的傳感器，比如英特爾的傳感器，可以把手機上的數據馬上上傳到云，有一些非常簡單的分析方法馬上可以看到信息的價值。很多人都覺得loT無從下手，無從投資，但是實際上loT的使用非常方便，而且開始也非常方便和簡單，因為云的能力，因為不需要大規模的投資，它可以進行微型的傳輸，所以讓loT非常的強有力。

問答環節

提問1：您跟我們的分享以及loT的介紹，我們知道loT物聯網是未來的一個方向工業4.0也是，我想問一下對于中國的制造業往這個方向發展，最大的障礙在哪里？

張佳妮：不同的行業對這個問題的看法是不一樣的，像西方的國家主要是降低成本，我想重要也是如此，但是我覺得loT最大的價值是提高生產質量。我們知道在檢查方面手工工作造成效率低下浪費非常高，如果要減少的話，我們就要分析數據，看什么樣的做法是最優化的，這才是真正的價值，但是每個公司的情況不一樣，每個制造型的公司，他們側重是不一樣的。很多的消費者都用云，但是從行業的角度來講，云現在在中國要運用并不是非常的容易，很少有人能夠把它放在平臺上面所需要的那種層次，所以我覺得云的應用是很大的障礙。另外，很多的中國企業跟我交流的時候，他還在告訴我們看不到有什么價值，不確定，不知道是不是要對此進行投資，因為loT要花很多錢，也不知道可以帶來什么遍及的收益。大家知道loT不是一個大魔鬼，其實是完全可以接觸到的，也是可以進行測試的，所以我們如果要把他們帶到下一個階段，我們需要有一個loT戰略，也是要有眼光。

提問2：你覺得它的回報率有多少呢？

張佳妮：取決于你應用什么的loT，在中國的客戶我們已經開始實施幾個航空的項目，這是一個非常重要的安全性，他們要求質量很高所以一起用了loT。現在還在早期，從我們和發達國家的那些惠而普、西門子等等用的很高，比如能源效率省了30%，想象一下回報率有多少，這是跟不同客戶所帶來的結果不一樣的。

提問3：你說了很多loT的好處，比如它能夠即時獲得客戶如何使用產品的方式，縮短產品的生產周期，但是這樣的銷售模式會不會更進入一種電子商務的模式，傳統的銷售模式。比如制造商到分銷商到供應商的這一套做法是不是未來將更進一步的萎縮，你可以很快的調整一些產品，會不會造成生產的過程更多進入電子商務的領域？會特別關注商務而不再只是關注傳統的銷售渠道？

張佳妮：這個回答比較復雜一些，很多公司都開始轉型進入電子商務，他們也需要跟越來越多的客戶進行密切接觸，但是loT會做一些非常復雜的產品，從一個消費者的角度來看他們會這么做，但是從企業的角度他們也會非常關注服務。因為這對一個產品的交織特別重要，一個產品會非常的復雜，而且能夠更好的幫助客戶去理解價值在什么地方。我們從消費者轉向客戶，然后從客戶最后轉向合作伙伴，這不僅僅只是賣一個產品給你。你用這個產品，用產品之后數據信息都會出來，然后我們如何能夠和你一起更好的理解這些信息，這個就是一個信息經濟了，也不再僅僅是一個直接的銷售關系，而是更多的合作關系，個人關系這種銷售模式當中的情感聯系也很重要。

提問4：我來自供應鏈的公司，在智能學習這一塊，認知學習這一塊是很有意義的，比如分析器等等，我們聽到機器學習比如工業化、物流很多工作有沒有可能被機器學習所取代，如果是那樣的話，那這些供應鏈的人才他們怎么辦？未來會成為中小企業的模式呢還是金字塔模式？

張佳妮：其實未來loT在物流里面用的很多，你說的機器學習會開始的，他們會分析研究最優化的路徑，并且他們認為怎么樣用最好的方式進行設計路線。我們在南美洲的一個港口專門和他們一起做了合作項目分析進港的路線，如何最優化的配置。我們研究用未來段時間里面，有很多公司加以應用，從資源的角度來看，未來將會更加專業化，不是說你不需要專業技能，關鍵這些專業技能如何加以應用。這些不可能把所有事情辦了，即使是機器學習也需要認知精力才能夠給他們帶來這些學習，所以你要給他一些精力學習，才能夠讓他做出更好的預測的結果。

關注食品創新