IBM：感知物联网如何连接物理世界和数字世界？

【FBIF2016演讲文稿（整理）】

演讲嘉宾:张佳妮，全球总部物联网战略经理，IBM

图为：张佳妮

演讲视频

今天在这里我主要给大家分享IBM怎么看物联网或者IoT，我们战略是通过分析它的可能性以及它的数据来帮助企业用物联网来转型。

IBM从2008年开始做物联网，那个时候我们还没有称之为IoT，当时我们推出一个计划叫做更智能的星球。主要是三点，智能、互联性，就是说把你的系统拿出来用传感器、芯片放上去，把它连接起来，我们就可以从中获得智能。但是，那个时候我们不知道它叫物联网，没有一个官方的名字，我们希望能够创立一个更智能的星球，所以我们当时做的这三项工作都跟政府和很多城市共同合作，做了很多的转型。但是2008年转型非常困难，花我们很多钱成本很高，这5个阶段在2008年都不存在，或者存在但是很难实施。而现在我们看到5个驱动技术已经成熟，能够让我们实施物联网。而现在驱动技术已经成熟，嵌入式的传感器到处可见，而且成本比较低。中国很多工厂还处于工业2.0，如何改进呢？如果没有逐步进行基础设施，也可以马上通过传感器的使用实现飞跃式的发展，互联性也非常重要，每天我们可以用手机，我们随处都可以连上英特网，一定可以给我们带来帮助。

现在云计算到处都有，很多公司用各种形式来做云，有公共云、私有云、混合云，所有的这些都已经很透明了，现在非常安全也非常容易加以维护和开始，应用起来也非常方便。我觉得一个产品生命周期管理是非常有意思的。一个产品的生命周期管理包括设计阶段、制造阶段、运营阶段、服务阶段，他们都是分配到各个不同的地方。IoT可以做的是把所有的点连起来，它们可能有不同的信息连在一起，设计和生产是无缝加以连接，它们也能够在设计的时候最早就能够反馈所有的信息。我们现在最感到激动，还要再往前走一步，从IBM角度来看单单分析不够，这些分析器需要有认知能力，什么叫做认知能力？就是思考能力。这是一个思考过程，人在做的思考过程，这和分析器有什么不一样？分析器是算法，开始看到一些趋势模式加以应用，就从这里获得一些核心的信息，把这些分析器，把里面所有的趋势、模式拿出来，和其他的一些数据加以结合，和其他的一些事件联合在一起，那这时候就开始思考了，这种分析器的应用和机器学习，和其他的重复学习还有其他的连接在一起，可以让你的IoT更好地发展，因为IoT将成为一个非常大的数据整合。其他要很智能的加以分析，而不仅仅只是原有的数据分析方式。

图1

我们跟客户进行交流的时候有三个主要的价值驱动因素（图1）：一个是提高运营，降低成本。这吸收起来很容易，因为每个人都想省钱，因为可以让一切行动自动化，这种价值往往有最快的回报，我们公司跟一些企业在进行交流，我们会想如何能够运用现有的数据提高流程。但是大多数人都对第二点感到非常激动，那就是产生新的产品，新的收入和新的业务模式。我们经常想到的是我们碰到第一点，但我们一旦用IoT减少了成本省下钱，把钱用来开发新的业务模式的改变。

当然最后一个很重要的，那就是推动互联，给很多企业客户带来的优势是让他们更好接触终端消费者，我们有一个好的合作伙伴叫惠而浦。他们不知道他们的产品在消费者那边是怎么用的，他们做生产和分销，但是这些终端消费者并不跟惠而浦进行交流，也不告诉他们如何把洗衣机加以使用的，所以他们只有非常有限的机会，就是跟他们要一个比如保质期、保质卡等等方面的问题。现在用IoT很好地检测出来按键用多大的力气或者如何进行洗衣模式设置，这些惠而浦都可以查到，就有助于下一步产品的开发和生产。

麦肯锡告诉我们，超过有70%的IoT价值驱动是B2B的，或者B2B2C的IoT应用，主要的价值是带给企业，大概只有30%是带给消费者的价值，所以在应用IoT的时候要考虑到这一点。

为什么大家一直在谈IoT？因为loT的应用尤其在这个工作流里面，主要是说生产。所有国家都开始强调制造业，因为这是最容易达到的一个目标，也最有可能从中间减少运营成本获得最高的利润价值。IoT可以很简单的在各个行业加以运用，但是怎么用它以及如何获得这些数据，如何收集这些数据并分析他们，应用在制造领域里面，那才可以让你进入到一个新时代的制造业的自动化阶段。

图2

这是IoT可以提供的三大主要基本功能，从低到高看（图2）。首先，loT可以让你实现互联并且收集所有传感器和设备提供大量的数据，并且加以开发和利用，那不仅仅是收集数据而且要进行第二步，分析和配置。一个完整loT的战略要安全的互联，将这些数据进行扩大和收集，并且对收集出来的海量数据进行配置、分析，把它给设计部门还是应用部门等等。这仍然是基础阶段，分析还只是对loT数据做的第一步。第三点也是最重要的一点，预测和执行。这使你可以获得价值，可以从这些数据当中以他们为基础快速智能做出更准确的决定。

为了能够更好利用loT的应用，可以把它放在这样的loT背景上面，底层有一个设备互联并且数据收集，把它带到云平台，最理想化的是云平台，但是还有不同的阶段，loT可以让你通过最基础的方式收集并且互联以后获得一些数据，然后开始配置和分析。这时候可以看到一些价值，我们主要在三块领域里面看到价值。一是上市时间，一个是优化运营，第三个是高效的资产配置，这是最主要的三块loT能够给制造带来的价值。看成本分析的话，这三块是三个主要的进行成本消减周期中间三个重要的节点。第二块优化的运营能让你看全面运营的各个阶段，可以看货物是如何流动的，跟货物有关的信息是如何流动的，还有一些资源的高效性等等。我们说到工作资源、资产资源还有库存也是资源，如何将他最优化的配置，从而确保在库存里面不要有太多的配件，不要多余库存，然后服务管理和能源空间的优化应用等等，如果开始以一个非常高效的方式用loT帮你们进行管理和运营，那将是非常有意思的。第三个也非常激动人心，那就是高效的资产运用，尤其在制造业里面，人们在资产里面投很多钱，比如供应链、机器人、传送带都是大量的资产投资。这些资产其实可以你用loT给你带来更多的价值，你可以生产更高的效率，因为你可以预先的做维护，主动设计维护运营的时间表，从而让运营的效率进一步提高，用loT甚至可以进行远程的检测和评估。

去年开始有一个IBM Watson 的loT平台（图3），成为战略的一步。我们觉得loT已经不够需要有一个认知性的理解，并且让机器人学习和loT数据合在一起，所以我们创造了IBM的Watson loT平台，我将谈4个loT平台的关键能力。在这个平台之上我们也看一些其他的方式让我们提高公司的价值链，用一些高新的能力，可以看到工业里面的解决方案，制造是我们关注的一个领域。当然还有很多其他的产业给我们带来很多价值，比如汽车制造企业，还有飞机制造企业，他们都能够利用Watson技术生产很多产品。对我们客户来讲，独特的loT的环境下的一套信息和数据是非常重要的，这也是我们现在正在做的工作，接下来我想深入讲一下这个平台。

图3

Watson loT Platform是我们专门设计的，我们觉得可以使很多部件正确利用起来。如果大家看上面平台分4个连接、信息的管理、分析、风险管理，连接很容易理解的，是能够安全的连接，能够实现安全的连接。信息的管理有点复杂，是我前面说loT不仅是连接自己的设备，看数据进来或者出去，而是如何把你的数据跟其他的数据源结合起来产生更多的价值。我们去年战略性收购一家公司，让我们有更多机会用loT做事情。厂址是非常重要的影响工厂运营的要素，比如在西伯利亚的工厂跟厄瓜多尔的工厂完全不一样，他们的温度或者其他的条件有巨大的差异，对你的资产设计都会造成非常大的影响，因此这一点变得非常重要了。我前面还说第三部分是分析，我们也已经开始进入实时和感知的分析，我们觉得这种感知的分析将成为未来的关键，因为接下来loT进出的信息将非常大，以后的处理方式和以前完全不一样，另外风险也非常大，私密性还有保密性、安全性等等。风险要从全局来看，我们所有的设备都会有风险，这是我们要考虑的。

那么要对这4项能力投资的话，我们也把额外的能力加入其中，比如风险管理和连接方面我们也做了很多的区块链做的工作，这也是一种新的协议，也是金融行业所贡献的，这个区块链对我们信息安全交换非常重要。这个区块链IBM跟客户合作，我们也很快能够通过区块链转移信息。另外我前来说过了，我们并购一家天气的公司，希望把他加入我们跟其他的信息主事。他们这家公司也有自己loT的平台，我们现在要把他们的平台跟我们的平台相整合，让它更容易结合，而且能够成为平台中的平台。如果现在存在loT的平台大概有250个，这个数字将会在未来急剧减少，当我们标准越来越趋同，我们会看到这些平台的整合，最终数量也会急剧减少，所以有一个开放容易接入的平台是非常重要的，这也是未来的发展方向。

我们加入4个能力也就是自然语言的处理包括中文还有参考信息的分析，还有图形、视频的分析处理在我们平台上都有，这些是非常有趣的认知方面的能力，而且我们在认知方面的技术还在不断的提高当中。现在我们要再往上层走，前面我说到这个平台的四大组成要素。我们希望把认知放在产品研发的流程当中，使我们能够分析新产品的要求，他们如何做成原型，未来如何生产，然后成为你的下一代产品，而且让你在产品的生产上面效率能够提高。再往下走，说到核心资产，在整个运作流程上面，我们要来看一下所有资产，从工作、服务、合同、房地产等等，这些都需要在运营当中有全局观，看在哪里可以把程序自动化提高效率，我们也在帮助一个非常大的客户改善他们的零部件的库存，他们这项资产是过度维护了，库存的90%是不必要的，再经过我们分析之后，分析出最好的服务时间是什么时候，如何最优化的利用零部件，最后把零部件的库存减少了90%，大大节约了他们的成本。

而且我们会进行预测的维护，资产变得越来越重要尤其在制造业，因为它的资本支出非常大，我们如果能够进行预测性的管理资产，而且我们的算法和其他的信息源结合起来，再加上工程师自己的专有知识。比如初级工程师维护设备和机器的话，就跟那些比较有经验的高级的工程师所花的时间不一样的，所以这就需要不同的信息源相互整合进行合作。我前面已经讲过了，我们对于全球行业的特殊具体解决方案非常感兴趣，而且我们与合作伙伴和客户进行共同开发，因为这不是一个人的游戏，IBM并不是想在各个行业成为唯一的专家，我们也没有这样的意图，我们在产品的开发、自动化还有工业产品方面跟博世有合作，我们希望通过共同的努力能够对于loT的发展以及在其他行业的运用做出我们的贡献。

另外，我们在loT方面一直是一个领先者，我们加入了很多开放的标准和行业的计划，因为大家对此都非常感兴趣，我们战略方向是我们不认为要放之四海皆准的标准，我们希望帮助这个行业能够联合起来朝正确的方向走。

loT是关于一个生态系统，生态系统是你需要合作，我们有很多的合作伙伴，他们都做出了贡献，包括设备的连接以及相关的安全协议，让我们共同创造价值，把loT整合起来把它发展最新的阶段。

最后我特别提一下loT刚开始做没有那么难，也没有那么遥不可及，现在很多工业2.0的工厂、企业升级到工业4.0是比较容易的，如果大家去IBM loT的网页可以看到各种各样的传感器，比如英特尔的传感器，可以把手机上的数据马上上传到云，有一些非常简单的分析方法马上可以看到信息的价值。很多人都觉得loT无从下手，无从投资，但是实际上loT的使用非常方便，而且开始也非常方便和简单，因为云的能力，因为不需要大规模的投资，它可以进行微型的传输，所以让loT非常的强有力。

问答环节

提问1：您跟我们的分享以及loT的介绍，我们知道loT物联网是未来的一个方向工业4.0也是，我想问一下对于中国的制造业往这个方向发展，最大的障碍在哪里？

张佳妮：不同的行业对这个问题的看法是不一样的，像西方的国家主要是降低成本，我想重要也是如此，但是我觉得loT最大的价值是提高生产质量。我们知道在检查方面手工工作造成效率低下浪费非常高，如果要减少的话，我们就要分析数据，看什么样的做法是最优化的，这才是真正的价值，但是每个公司的情况不一样，每个制造型的公司，他们侧重是不一样的。很多的消费者都用云，但是从行业的角度来讲，云现在在中国要运用并不是非常的容易，很少有人能够把它放在平台上面所需要的那种层次，所以我觉得云的应用是很大的障碍。另外，很多的中国企业跟我交流的时候，他还在告诉我们看不到有什么价值，不确定，不知道是不是要对此进行投资，因为loT要花很多钱，也不知道可以带来什么遍及的收益。大家知道loT不是一个大魔鬼，其实是完全可以接触到的，也是可以进行测试的，所以我们如果要把他们带到下一个阶段，我们需要有一个loT战略，也是要有眼光。

提问2：你觉得它的回报率有多少呢？

张佳妮：取决于你应用什么的loT，在中国的客户我们已经开始实施几个航空的项目，这是一个非常重要的安全性，他们要求质量很高所以一起用了loT。现在还在早期，从我们和发达国家的那些惠而普、西门子等等用的很高，比如能源效率省了30%，想象一下回报率有多少，这是跟不同客户所带来的结果不一样的。

提问3：你说了很多loT的好处，比如它能够即时获得客户如何使用产品的方式，缩短产品的生产周期，但是这样的销售模式会不会更进入一种电子商务的模式，传统的销售模式。比如制造商到分销商到供应商的这一套做法是不是未来将更进一步的萎缩，你可以很快的调整一些产品，会不会造成生产的过程更多进入电子商务的领域？会特别关注商务而不再只是关注传统的销售渠道？

张佳妮：这个回答比较复杂一些，很多公司都开始转型进入电子商务，他们也需要跟越来越多的客户进行密切接触，但是loT会做一些非常复杂的产品，从一个消费者的角度来看他们会这么做，但是从企业的角度他们也会非常关注服务。因为这对一个产品的交织特别重要，一个产品会非常的复杂，而且能够更好的帮助客户去理解价值在什么地方。我们从消费者转向客户，然后从客户最后转向合作伙伴，这不仅仅只是卖一个产品给你。你用这个产品，用产品之后数据信息都会出来，然后我们如何能够和你一起更好的理解这些信息，这个就是一个信息经济了，也不再仅仅是一个直接的销售关系，而是更多的合作关系，个人关系这种销售模式当中的情感联系也很重要。

提问4：我来自供应链的公司，在智能学习这一块，认知学习这一块是很有意义的，比如分析器等等，我们听到机器学习比如工业化、物流很多工作有没有可能被机器学习所取代，如果是那样的话，那这些供应链的人才他们怎么办？未来会成为中小企业的模式呢还是金字塔模式？

张佳妮：其实未来loT在物流里面用的很多，你说的机器学习会开始的，他们会分析研究最优化的路径，并且他们认为怎么样用最好的方式进行设计路线。我们在南美洲的一个港口专门和他们一起做了合作项目分析进港的路线，如何最优化的配置。我们研究用未来段时间里面，有很多公司加以应用，从资源的角度来看，未来将会更加专业化，不是说你不需要专业技能，关键这些专业技能如何加以应用。这些不可能把所有事情办了，即使是机器学习也需要认知精力才能够给他们带来这些学习，所以你要给他一些精力学习，才能够让他做出更好的预测的结果。

关注食品创新