分类：行业新闻

两周前,造车的特斯拉突然成为了机器人圈内的热点,马斯克在特斯拉AI Day的结尾以一个彩蛋的形式宣布特斯拉正在开发的人形机器人,立时引起人们的热议。马斯克提到,这款人型机器人最早会在2022年投放市场,而就机器人行业发展现状来看,这无疑又是一个激进的目标。

上周,特斯拉公开招聘与机器人相关的职位,包括机械工程师-执行器集成、机械工程师-制动器齿轮设计、高级人形机电机器人架构师、高级仿人建模机器人架构师。而在9月1日,特斯拉又发布了8个与其人形机器人Tesla Bot的相关的招聘岗位。特斯拉连续几次发布招聘,确实有了实干的气氛。

无论马斯克的人形机器人制造计划能否如期完成,马斯克作为科技创新界的顶流,都再一次把智能机器人推到了大众面前,引起更大范围的讨论。机器人的发展现状究竟如何?走向未来的机器人又还需要克服怎样的关卡?

从想像到现实

机器人,作为人工智能的技术代表,也是当前所有先进技术中最特殊的技术。

事实上,“机器人”一词,从诞生开始就超越了科学技术的范畴,进入社会心理的视野,成为百年来大众文化消费中的主要题材之一。在数千年前的神话故事、文学想象中的机器人形象身上,人们可以寻找到人类对机器人的情感变化历程。这也是人机关系形成的线索之一。

在古希腊罗马时期,原始机器人以活雕像和各种“神奇”的机器的形态存在:只要往石雕的狮身鹰头张开的大嘴里扔进八枚硬币,“圣水”便会自动从石兽的眼睛里流出来。祭司在庙宇前点燃圣火,庙宇的大门便会按照现代工程师的说法“自动”开启。亚历山大城的赫龙和希腊时代的其他机械师们制作的雕塑,常常成为迷信祭祀的偶像。

关于机器人的“可靠”的记载,最初出现在著名的荷马史诗《伊利亚特》里。其中,荷马描绘了一个黄金做成的女人帮助炼铁神赫淮斯托斯的故事。显然,对于现代工业机器人祖先们的故事,常常带有浓厚的神话传奇色彩。这与其说是在记载事实,不如说是人类的一种美妙幻想。

在技术不断追逐人类想象的历史进程下,1939 年纽约世博会上首次展出了由西屋电气公司制造的家用机器人Elektro,但它只是掌握了简单的语言,能行走、抽烟,并不能代替人类做家务。

20世纪40-50年代,美国许多国家实验室进行了机器人方面的初步探索。1954年,美国的 George Charles Devol设计并制作了世界上第一台机器人实验装置,发表了《适用于重复作业的通用性工业机器人》一文,并获得了专利。机器人终于从想像过渡到现实,并开始了发展。

进入80年代后,随着计算机、传感器技术的发展,机器人技术已经具备了初步的感知、反馈能力,在工业生产中开始逐步应用。工业机器人首先在汽车制造业的流水线生产中开始大规模应用。随后,诸如日本、德国、美国这样的制造业发达国家开始在其他工业生产中也大量采用机器人作业。

近年来,机器人产业取得了前所未有的“大跃进”,朝着越来越智能的方向发展,多种传感器得到的信息在机器人中进行融合,使得机器人越来越能够有效的适应变化的环境,具有很强的自适应能力、学习能力和自治功能。

随着劳动力成本的不断提高、技术的不断进步,各国陆续进行制造业的转型与升级,出现了机器人替人的热潮。同时,机器人技术发展日新月异,服务机器人也开始走进普通家庭的生活。世界上许多机器人科技公司都在大力发展机器人技术,机器人的特质与有机生命已经越来越接近。

工业机器人正领航发展

机器人是综合了机械、电子、计算机、传感器、控制技术、仿生学等多种学科的复杂智能机械。根据不同的应用领域,又可大致分为工业机器人、服务机器人和特种机器人三类。其中,工业机器人占比最大,是智能制造行业发展的重要推动力。

考察过近代工业制造的发展历程,就足以理解机器对加工制造业的意义之重。1784年,蒸汽机的诞生成为第一次工业革命的里程碑,蒸汽机被可靠地使用,产生了新一代的蒸汽动力引擎,带动了第一次工业革命。

结合了工、技、贸,的“科技化+工业化”,奠定了工业时代成功的基础。同样的,在今天,科技化与工业化的结合也会促进新一时期工业时代的发展。在以信息化、数字化为特征的新兴技术里,工业机器人的力量也不可小觑。

工业机器人已经成为智能制造的关键一环。究其原因,对于工业机器人来说,能够协助解决制造过程中的问题是首先要考虑的。或者说,正如过去的任何一次工业革命中,机器对生产率的提高一样,工业机器人最大的贡献是在于对制造业生产力的改善而不是机器人自身的获利。

工业机器人的智能部分可以以“代理”的方式来看——任务分配至控制系统的底层进行处理,加上传感器、视觉影像、逻辑控制与通信共同协作而达成底层级(或称为核心层)的精简有效的控制系统。系统里众多的“代理”相互沟通进而产生了一个群体智能。

这个群体智能可以应用在各种各样的生产活动中,可以是在不同的单品生产线中,也可以在不同的生产规模中,包括使用在一些柔性生产线上。将工业机器人应用到工业生产线上,不仅可以提高生产效率,还可以改善工作环境,保证工人的生命安全,同时减少原材料的损耗,从源头降低了工业成本。

对于中国来说,当前,工业机器人发展似乎风头正劲。工业和信息化部发布的《2020年1-12月机器人行业运行情况》显示,2020年累计生产工业机器人23．7万套,同比增长19．1%,创下中国工业机器人单年产量最高纪录。

根据国家统计局发布的消息,2021年1-2月份,全国规模以上的工业机器人产量4．54万套,同比增长117．6%,创下历年同期新高。中国制造向“中国智造”升级中,机器人正在扮演着越来越重要的角色。

工业机器人得以发展,根本上是由于技术进步规模效应带动工业机器人价格下降。工业机器人发展的初期阶段,高昂的价格一度是阻碍众多中小企业购置设备、建设智能化生产线的主要因素。随着国产工业机器人带来的市场冲击,制造技术的进步和制造成本的快速下降,工业机器人近几年价格呈现明显的下降趋势。

此外,制造业方面,人力成本正在不断提高,对劳动密集型产业造成明显冲击,企业为压缩成本转向更经济的生产模式,机器换人成为大势所趋。同时,适龄劳动人口下降,人口红利消失倒逼产业发展。这意味着,未来中国适龄劳动人口占比仍将处于较低水平,对产业自动化发展产生迫切需求。

在多方面影响下,工业机器人自然也就呈现高速发展的态势。

在机器人赋能百业之前

机器人替代人工生产是制造业重要的发展趋势,是实现智能制造的基础,也是未来实现工业自动化、数字化、智能化的保障。尽管当前中国工业机器人在制造和工业设施领域的应用变革势头迅猛,但无论是从制造业方面还是应用方面来看,中国工业机器人与发达国家之间依然存在较大差距。

从制造方面来看,工业机器人是沿着把自动化作为底层技术,再走向数字化、网络化、智能化发展的脉络,越往上走,越需要芯片、软件和算法的助力。而即便自2010年起中国的制造业产值就已超过美国,规模发展水平较高,但质量效益并不高,仍然有很大的提升空间。

时下,发达国家的工业机器人制造已经进入到了智能阶段,而中国还处于入门阶段。据《第一财经》报道,国产工业机器人凭借性价比、渠道等优势,已经占据了国内很多细分领域的大部分市场,但在关键技术、材料、零部件等方面还是与国际的先进水平有一定差距。

新安装的机器人中,有71%的零部件皆来源于国外,国产化率不足30%。其中,在上游最重要的三大零部件——减速器、伺服电机和控制器中,国产化率分别约为30%、22%、35%,相对较低,在产品精度、稳定性等方面依旧存在很大成长空间。

同时,中国工业机器人同质化十分严重。现阶段,很多工业机器人品牌的产品在性能、外观、技术甚至是营销手段上都呈现出相互模仿的现象,就连各个厂商研发产品的核心技术和生产目的都是一样的。因此,纵观现在的工业机器人市场,几乎没有什么表现突出、具有一定竞争力的机器人产品。

在应用方面,发达国家的工业机器人已经有一套完整的设备应用在工业生产线上,并且在运用工业机器人方面已经十分熟练,甚至于不需要配备专门的工业机器人操作人员,就可以使工业机器人完成其运行,而中国的工业机器人应用还需要配备专门的工业机器人技术操作人员,来辅助完成操作。

日本在十九世纪二十年代工业机器人就已经普及,但目前为止,中国工业机器人的发展仍处于初级阶段,正面临着向高端转变,承接国际先进制造以及国际分工等重大挑战。

工业机器人的不断发展创新对从业人员提出了更高的要求,而该领域的人才供需失衡的矛盾正日益凸显。在制造方面,伺服电机、控制器、减速器成为制约中国工业机器人产业的主要瓶颈,而中国这方面的技术人才极为匮乏。在应用方面,相应操作维护、系统安装调试、系统集成等工业机器人应用人才缺口很大。

种种迹象表明,机器人大规模走进生产和生活已经不再是科幻片中的假象场景,正在和必然成为现实。以工业机器人为首,在克服诸多障碍和关卡的未来,机器人还将赋能百业,面目全新。

环顾四周，你可能就会意识到人工智能已经变得很重要。无论是面部识别摄像头还是语音助手，人工智能已经实现了这一切。这为人们对AI芯片究竟是什么以及它与其他芯片的不同之处的充满了好奇。此外，人工智能芯片市场被高度重视的事实更成为人们为什么应该了解人工智能芯片的一个重要因素。

首先，人工智能芯片是专门的硅芯片，它结合了人工智能技术，用于机器学习。企业组织严重依赖人工智能芯片的主要原因之一是，越来越需要更高效的系统来解决数学和计算问题。此外，庞大的数据量也需要一种有效的方法来计算问题。因此，专注于开发AI芯片和应用程序的主要关键参与者也就不足为奇了。

除此之外，量子计算的出现以及人工智能芯片在机器人领域的应用增加，带动了全球人工智能芯片市场的密集增长。

AI芯片是专门为基于人工神经网络(ANN)的应用设计的加速器。人工神经网络是人工智能领域，包括人工神经元层，这些人工神经元是受人类神经元工作方式启发的数学函数。谈到AI芯片的硬件基础设施，它包括计算、存储和网络三个部分。说到AI芯片相对于其他通用硬件的优势，就不能不提AI芯片的计算速度。除此之外，专用 AI 硬件具有高带宽内存这一事实也不容忽视。

人工智能芯片市场背后影响最大的一些因素是——智慧城市的发展、智能家居需求的增加、量子计算的出现、对人工智能相关初创企业的投资大幅增加以及缺乏熟练的劳动力。这些因素共同推动了人工智能芯片市场的发展。

现在，让我们谈谈感兴趣的主要话题——是什么让AI芯片在今天如此重要？很明显，深度神经网络驱动的解决方案构成了大多数商业AI应用。不仅如此——这些应用的重要性和数量多年来都呈指数级增长，未来也可能会继续保持同样的趋势。所有这些最终都为未来几天整个市场收入的大幅增长铺平了道路。

下一个要解决的问题是——评估AI硬件时应遵循的标准是什么？为此，始终可以选择依赖云提供商，但这并不总是有利的，因为所有这些过程都与巨额成本相关。就初步测试而言，绝对可以依靠云。

归根到底，一切都归结为——人工智能正在迅速发展，并迅速成为我们生活中的重要组成部分，无论是在家庭还是在工作中。在这一切之中，人工智能芯片领域的发展将迅速适应我们对技术的巨大依赖。

物联网一直是数字时代十分受关注的趋势之一。今年，随着疫情大流行的出现改变了我们的生活和工作方式，从而使得物联网具有了新的突出地位。

当我们迎来2021年并准备告别动荡的一年时，让我们展望未来以及将推动未来业务和技术变革的IoT趋势。

在2021年，企业将开始意识到IoT不仅是一种炒作或另一个流行语，而且是一种具有真正改变行业潜力的技术。利用来自多个行业媒体的洞察力和我们自己的内部业务专业知识，我们确定了以下预计在2021年看到的与IoT相关的主要趋势。

首先，仍然是关于“边缘”

如果你涉足物联网世界，你可能会想，“过去几年中这不是趋势吗？”嗯，是的，并且有充分的理由。

使用边缘计算，无需在网络上将数据发送到集中式数据中心，而是在网络边缘进行处理和分析，从而减少了传输时间和延迟。这样就可以近乎实时地访问和分析数据，这是许多需要快速响应的组织的诱人驱动力。边缘计算还减少了带宽成本，因为在源头执行了信息处理，从而减少了到集中式数据中心的数据流量。

尽管不是什么新事物，但由于5G的兴起，全球连接设备的增加以及生成数据的增长，边缘数据处理的重要性可能会继续增长。

第二、远程操作用例的增加

为了应对COVID-19大流行，许多制造商、分销商、公用事业和制药公司不得不调整其策略并快速跟踪其数字化转型工作，以适应需要远程工作的新法规。

以前未连接的资产已连接起来，以实现远程操作和继续服务客户。预计到2021年，我们将继续看到IoT等技术用于与设备和资产远程监控相关的用例的采用率的增长。

第三、预测性（非反应式）维护

根据Vanson Bourne研究报告，过去三年中有82%的公司经历了计划外的停机时间，停机时间造成的损失可能很高，估计相当于每小时损失25万美元。

从历史上看，维护是针对故障做出的反应性维护，尽管最初是十分便宜的解决方案，但这可能是最不利于财务的方法。此后，许多组织采用了预防性维护程序，该程序依赖于设备的定期计划维护。

预测性维护是利用从控制系统和连接的传感器收集的数据的新方法。有了正确的数据，企业可以跟踪设备和机械磨损的关键指标，以预测和预防计划外的停机时间以及昂贵的维护费用。

在2021年，我们将看到战略向预测性维护的更大转变，以改善运营并优化成本。

第四、物联网助力数字孪生

数字孪生理论于2002年首次被概念化。数字孪生是过程、对象或系统的虚拟表示，其功能与现实生活中的对象相同。我们期望随着互联资产的增长，数字孪生也将获得牵引力，以数字孪生格式可视化来自互联传感器的所有数据点，从而可以更全面地了解物理对象的性能并提供对潜在问题的见解。

第五、更高级的数据分析

物联网的真正好处不会仅来自数据，而在于可以产生有用见解并帮助企业做出明智决策的明智分析。

随着生成的数据量的增加，分析将变得更加重要，由人工智能和机器学习驱动的高级解决方案将改善对大量和各种数据结构的处理。

随着数字化转型的深入发展，工业制造业转型升级需求日渐升级。新一代信息技术创新发展正加速向实体经济渗透融合，工业互联网作为驱动数字化转型、支撑制造业高质量发展的重要抓手。

2021年初，工信部印发《工业互联网创新发展行动计划（2021-2023年）》，进一步确定未来三年工业互联网发展目标。自2012年，美国通用电气公司（GE）发布《工业互联网：突破智慧与机器的界限》白皮书中，首次提出工业互联网这一概念以来，逐渐在全球掀起探索应用之风。

数字化浪潮下，国内外工业互联网发展现状如何？工业互联网安全问题如何破解？

全球工业互联网发展现状

在国际经济开放融合的背景下，随着5G网络、人工智能、大数据等新兴技术的发展，全球工业互联网平台保持高速增长态势。据咨询机构IoT Analytics的统计,2019年全球工业互联网平台（包括物联网平台）公司数量达到620个，各类企业围绕工业互联网平台的参与热情和布局力度持续高涨。

制造巨头凭借已有工业积淀拓展平台市场

制造巨头凭借主机厂优势,打开工业互联网平台市场。西门子MindSphere平台和通用电器Predix平台从关键通用设备入手，借助在底层工业装置的数据采集、工业知识的封装和复用、信息资产建模等方面的优势，基于自有系统，实现工业现场设备、工业数据、企业运营数据、人员及其他资产的相互连接；

库卡KUKA Connect平台、安川电机MMcloud平台、霍尼韦尔Sentience平台等通过机器人、机床等设备优势，开展工业设备数据的深层次采集，为各家企业提供状态监控、设备维护提醒、实时故障发现等产品增值性服务。

工业互联网平台对不同工业场景形成适配

IT优势企业以数据算法、通信连接等为切入点,探索工业应用场景。在数据算法方面，以微软、亚马逊为代表的互联网巨头为平台提供各类大数据、人工智能通用算法框架和工具，与工业企业客户联合进行研发，形成可视化管理、质量分析优化、预测性维护等工业解决方案；

在底层连接方面，思科等通信巨头也开始将平台连接和服务能力向工厂内渗透，从各种工业以太网和现场总线中获取实时生产数据,支撑形成工业智能应用。制造企业以行业领域深耕为基础，打造行业领域竞争力；

在电气领域，ABB、菲尼克斯电气、施耐德电气以电力电气、自动化行业为主，提供端到端的工业数字化解决方案；

在工程机械领域，卡特比勒、小松、日立等平台面向工程机械领域资源调配、设备运维、供应链协同方面的需求，提供设备预测性维护、备品备件管理、智慧施工、互联网金融等能力。

数据驱动的工业互联网平台应用更加活跃

数据连接方面，Sieraa Wiless、Telit、Device Insight等M2M通信领域公司充分发挥在数据连接方面的技术优势，结合工业互联网平台，帮助工业企业实现资产的远程连接和在线管理；

数据分析方面，Uptake、 C3IoT、Mnubo、Particle等国际工业互联网、物联网公司将工业大数据、人工智能技术与工业互联网平台进行深度结合,满足工业领域日益深入的数据分析需求；

数据应用方面，日立Lumada、东芝SPINEX、富士机械NEXIM平台基于数据改善生产制造过程，优化自身价值链和降低运营成本。

此外，制造企业与软件企业的战略合作促进了数据的深度应用，PTC与罗克韦尔合作推出ThingWorx，提供面向生产过程可视化的数据汇聚和高级生产分析功能，帮助管理者直观地了解工厂运行状态。

国内工业互联网发展现状

2020年，我国工业互联网平台初步展现多元化发展态势，覆盖原材料、装备、机械、消费品、电子、交通等多种行业及场景。工业互联网平台应用与创新走深走实，在行业和区域中赋能工业数字化转型效果逐渐凸显，充满活力的产业生态体系加速形成。

工业互联网平台应用由政策驱动转向市场主导

随着工业互联网平台、网络、安全等配套政策趋于完善，工业互联网平台的发展与应用已经成为工业企业构建网络化协同、规模化定制、服务型制造等新模式、新业态、新动能。

海尔COSMOPlat平台打造了包括大数据、供应链、协同制造、智能维保等170多个专业解决方案，覆盖房车、建陶、纺织、模具、机床、农业等15个行业生态。

阿里云通过SupET “1+N”工业互联网平台，为100余家中小信息化服务商、大数据创新企业和信息工程服务企业提供服务，实现云端工业APP 一站式开发、托管、集成、运维和交易。

航天云网INDICS平台以云制造为核心，立足航空航天领域，面向电子信息、工程机械、汽车制造等行业提供应用服务。

树根互联“根云”平台提供快速物联、设备预测性维护、配件预测管理、大数据AI等能力，与行业巨头联合打造“机床云”、“纺织云”、“3D打印共享云”、“空压机云”、“电机云”、“注塑云”、“筑工云”等数十个垂直行业云平台。

新一代信息技术为工业互联网应用落地提供新场景

大数据、人工智能、5G、区块链等新一代信息技术日趋成熟，涌现出更多“平台+新技术”的创新解决方案。

东方国信Cloudiip平台、富士康“工业富联”平台、紫光云引擎“芯云”平台等通过“平台+5G”融合应用，实现高可靠、低时延、高通量的数据集成，催生数字化工业灵活组网、智能终端远 程控制、全场景运营优化等模式；

中国电信工业互联网开放平台、杭州汽轮工业互联网服务平台等开展“平台+4K/8K高清视频”融合探索，实现高精度、异构图像视频数据分析，催生智能产品检测、设备远程运维等模式；

华为FusionPlant平台、中兴ThingxCloud兴云平台等通过“平台+VR/AR”融合应用，实现三维动态视景快速生成与分析，催生人机协同工 作、产品自动化分拣、产品设计可视化等模式。

面向特定行业领域的系统解决方案成为应用聚焦点

工业互联网平台在各行业领域中应用的深度和广度不断拓展，平台产业链图谱更加完善。行业龙头围绕行业痛点挖掘深度应用；

在石化行业，石化盈科面向生产过程复杂、生产工序间耦合度高的流程行业，开发基于ProMACE工业互联网平台的生产计划、调度、操作全过程管控方案；

在工程机械行业，徐工集团、三一重工、中联重科等国内企业和Uptake等国外企业以远程运维为切入点，日本小松以智慧施工为切入点，加速推动工程机械行业向设备维护智能化、综合解决方案“交钥匙化”方向加速转型；

在汽车行业，北汽新能源打造了“北汽云”京津冀地区产业协同工业互联网平台,形成汽车个性化定制、质量大数据分析、车联网等解决方案。部分企业发挥协同优势整合产业链上下游资源。

在国内外工业互联网企业中，有传统的制造业类型企业、有互联网企业、IT软件类企业等，对于互联网平台这一新兴事物，各类“派系”的企业都在争相驶入这一热门赛道，并企图从中攫利，入局者各有各的优势，也各有各的短板，未来，工业互联网平台的发展依然是多元化态势，在各类企业创新应用与探索中不断推进工业互联网加速落地融合。

工业互联网安全仍是重中之重

工业互联网由网络、平台、安全三大功能体系构成，其在赋能和服务制造业转型升级的同时，又是业务交互的桥梁和数据汇聚分析的中心，联结全生产链各个环节实现协同制造，平台高复杂性、开放性和异构性的特点加剧了其所面临的安全风险，加强其网络平台的安全保障迫在眉睫。

CNCERT发布的《2019年我国互联网网络安全态势综述》指出，我国根云、航天云网、OneNET、COSMOPlat、奥普云、机智云等大型工业互联网平台，持续遭受来自境外的网络攻击,平均攻击次数达90次/日，较上一年（2018年）提升了43%, 攻击类型涉及远程代码执行、拒绝服务、Web漏洞利用等。

《工业互联网平台 安全白皮书（2021）》（以下简称“白皮书）通过对我国典型工业互联网平台现有安全能力（工业数据、工业应用层、工业云平台服务层、工业云基础设施层、边缘计算层五个层面）进行调研，结果如图：典型工业互联网平台安全能力侧重点与薄弱点

对此，白皮书针对边缘计算层、工业云基础设施层、工业云平台服务层、工业应用层和平台数据五大防护对象，提出工业互联网平台的安全防护思路。

工业互联网平台安全防护对象

● 通信安全：采用密码技术保证通信过程中敏感数据的完整性和保密性；对登录工业互联网平台的用户进行身份鉴别，实现用户身份的真实性、合法性和唯一性校验；对接入工业互联网平台的设备进行认证，形成可信接入机制；在工业互联网平台内部不同网络区域之间，及平台与外部网络之间部署防火墙、软件定义边界（SDP）等边界防护产品等。

● 系统安全：对工业互联网平台不同虚拟域、服务和应用都采用严格的隔离措施安全隔离；应用可信计算技术，基于安全芯片，对工业互联网平台设备及软件进行可信加固；要定期检测漏洞，发现漏洞及补丁未及时更新的情况，并采取补救措施；在工业云平台部署DDoS防御系统，保证平台服务的可用性和可靠性；对工业互联网平台设备固件及操作系统施加防护，提高其抗攻击能力等。

● 应用安全：工业应用在投入正式使用前，应进行安全性测试，尽早找到安全问题并予以修复；提供API全生命周期管理，包括创建、维护、发布、运行、下线等，对平台微服务组件接口进行安全测试和安全加固；确保工业云平台服务层应用开发框架、工具和第三方组件的安全；对工业软件、服务的行为进行安全监控，通过行为规则匹配或者机器学习的方法，识别异常，进行告警或阻止高危行为等。

● 数据安全：对工业互联网平台敏感数据、用户及设备的鉴别凭证数据（例如密钥等）、资源及应用访问控制策略等的存储和传输利用密码技术实施保护；对工业互联网平台关键数据、资源及应用制 定访问控制策略；备份恢复等技术手段。

当然，健全工业互联网平台的安全体系建设，不光是企业层面需要多做努力，还需要政府方的规范引导与统筹协调。

● 一是完善工业互联网平台安全政策要求，指引发展。充分汇集产学研各界工业互联网平台的安全诉求，制定发布工业互联网平台安全防 护相关政策文件，进一步明确平台安全主体责任、安全管理、安全防护、安全评估与安全测试等要求，指导、敦促企业做 好平台安全保障工作。

● 二是制定工业互联网平台安全技术框架、评价指标体系等基础共性标准。组织推进平台边缘计算安全、设备接入安全、工业微服务与接口安全、平台数据管控、应用和数据迁移等关键技术标准制定。健全工业互联网平台安全标准体系，规范发展。

● 三是加快培养工业互联网平台安全复合型人才 。加大力度培养边缘计算、云计算、工业微服务组件、工业应用、大数据等方向的安全专项人才，加大对技术研发和成果转化的支持力度，鼓励高校、科研院所、安全企业、平台企业和工业企业联合开展工业互联网平台安全复合型人才培育。

经过大量的实践与理论探索，工业互联网已经逐渐从概念走向落地推广阶段。工业互联网仍有无限的潜力与价值等待释放，需要产业界、政府等共同推动，把握数字化转型与第四次工业革命的历史机遇。

资料来源：国家工业信息安全发展研究中心、工业信息安全产业发展联盟工业互联网安全系列研究报告——《工业互联网平台 安全白皮书（2020）》

5年过去,曾经击败了人类的AI,在走入商业世界的过程中却并不那么顺利。

当人工智能走出实验室,走进生产车间等实际场景的过程中,依然面临着巨大挑战。

AI泡沫本质上是价值支撑不足

与巨头创始人或投资人对AI的种种畅想形成鲜明对比的是,智能场景往往只存在企业的PPT里。

之所以要一边烧别人的钱,一边拿别人的钱去烧,本质是AI公司的实际业务撑不起估值。

落地慢、场景窄、商业化需要时间,拿了大额融资的AI公司要撑起估值,回应资本的期待,只能靠投资别的企业来完成。

从当前资本市场的情况来看,人工智能的大风依然强劲,但相比此前在舆论场的一呼百应,AI概念的严肃性已经在很大程度上被消解,AI泡沫的论调频频出现。

AI泡沫论的出现,很大程度和厂商的浮夸营销有关。当各种产品的宣传物料上写的全是[AI],却没几个让人真正感受到技术的作用,很难不让人觉得这是个伪风口。

国内企业AI落地现状

根据埃森哲《中国企业人工智能应用之道》面对全球企业高管的调研显示:高达79%的中国企业高管认为,他们必须借助人工智能来实现业务增长目标。

但其中,有52%的中国企业高管人员坦言,人工智能试点容易,但当设法将人工智能推广至全企业时,难度较大。

高质量数据缺乏、行业壁垒高、应用场景不清晰是当前人工智能与行业深度融合的主要瓶颈,应用场景难融合也意味着AI企业落地难。

①我国人力资源充裕,很多传统行业的数字化意愿并不强烈。到了AI时代,企业的数据基础不扎实,也就难以承载起上层的智能化转型。

②如今算力需求呈现指数级增长,而无论是算力设备的购置费用还是技术人员对算法优化的时间、人员和金钱的巨大投入。

④数据是制约AI成功落地的一大因素。如果缺少统一、标准化、高质量的数据,AI应用可能就是无米之炊、无源之水。

AI让企业开始习惯于大量依赖机器帮忙做决策。在这个过程中会带来隐私保护、AI可信度、伦理和社会的问题等,这些都是AI在落地过程中需要解决的。

大多数企业的AI创新都是点状的、实验性质的、局部的创新,缺少规模化、商业化、运行态的布局。

因此,人工智能在互联网领域的攻城掠地有多顺利,在实体经济中的落地就有多困难。

AI落地的行业场景化应用

各行业当下面临的痛点有所不同,如金融行业面临成本压力、产品服务单一、交易欺诈等;医疗与教育行业资源分配不均的问题突出;

也就是说,人工智能需求广阔,其商业模式是渗透到各行各业,提高行业效率。这一进程需要时间和持续投入,但也是生产力迭代趋势。

未来还是要结合场景和用户体验去重新设计,用 AI 本身的方式思考,才会产生真正的 AI 应用。

未来,可以肯定的是人工智能将能够在特定领域实现快速突破,而企业需要从自身所处的商业、工业和生存环境中选择恰当的角度,去定义特定场景,从而让人工智能可以针对性突破并解决问题。

目前AI技术正处于普及爆发的前夜

2018年,AI领域投资事件共410起,投资总额1078亿元。人工智能逐渐挤满了几乎中国所有的主流投资机构和产业资本。

资本华丽登台的另一面是,AI落地的过程不太优美。数据显示,2017年,90%以上AI企业处于亏损阶段,商业化落地成为众多人工智能企业发展的痛点。

AI将成为未来企业发展的一个必选项和企业的关键竞争力,这是毋庸置疑的。

对于各个公司、行业和国家来说,人工智能将是未来几十年里最大的商业机会。

预计从现在到2030年,人工智能的发展将使全球GDP增长14%,相当于对世界经济额外贡献了15．7万亿美元,其中AI将带动中国GDP增加7万亿美元。

商业落地呼唤标准配套

只有把应用做起来,底层AI芯片、软件技术才能够在应用过程中更扎实。

人工智能端到端完成一个项目落地至少需要3—6个月的时间,整个过程存在一定的复杂性,需要有一系列选型方案的指南。

以前产业界更侧重于算法,近几年算法开始和工程开源齐头并进,业内越来越重视软硬件协同发展,人工智能与大数据、云计算等新型信息技术融合越来越深入。

今年7月发布的《人工智能标准化白皮书(2021版)》中指出,深度学习框架依赖的生态建设、测试体系不够全面是我国人工智能产业发展目前遇到的两大问题。

我国深度学习框架起步较晚,在算法、芯片、终端和场景应用方面尚未摆脱对国外深度学习框架的依赖。

然而,国内人工智能测试体系尚未形成,现有测试基准的测试内容和模型高度重复,还未形成成熟的功能、性能测试基准,这将制约人工智能产品打开市场、获得市场信任度。

国内AI标准化进程加速

规范标准也是国内人工智能现阶段发展的关键词之一。赛迪顾问统计数据显示,2019年,中国人工智能产业规模达到1291．4亿元,同比增速为30．8%。

预计到2022年,中国人工智能产业规模达到2621．5亿元。

国内人工智能产业高速发展,场景应用逐渐丰富化,随着产业复杂度的提高,相关标准也亟待解决配套问题。

在2020年7月印发了《国家新一代人工智能标准体系建设指南》;同年12月,智用研究院、百度、浪潮联合发布面向产业应用的人工智能开源评测基准AI-Rank。

人工智能技术落地的关键环节

①技术的突破:一家成功的人工智能公司必须有一定的技术积累和壁垒。

②场景的探索:找到一个商业上可行、可拓展性良好,并且技术上可实现的场景是非常困难的,很多优秀的技术公司都在这个环节投入了大量的精力。

③团队的建设和成长:起步阶段顶尖的技术和商业团队的搭建需要大量工作,快速成长的过程中人员不断扩充也会带来各种问题,如何增效降本、保持创新风气很关键。

④标准制定:对具体行业具体场景下的人工智能技术应用进行规范化、标准化,保证整个行业的生态健康发展。

从保护基于软件的网络到对边缘和物联网的影响，解决方案提供商应在2021年密切关注五种5G趋势。

5G兴起

近年来，第五代移动网络技术(5G)一直是电信行业的头等大事，随着企业寻求通过新的连接选项来管理变更的方法，炒作声几乎席卷了其他所有市场。

与当今的4G和LTE速度相比，5G保证的数据速率快10到100倍。这意味着蜂窝技术不仅将有助于改善当今用例的性能，而且还将为全新的和新兴的应用提供支持。

全世界的5G网络正在建设中，尽管早期的讨论主要集中在该技术如何帮助消费者的问题上，但企业开始看到如何利用5G来促进和增强其应用。但首先，必须更加广泛地使用5G，这是各国许多大型电信公司誓言要在2021年实现的承诺。事实上，据美国媒体报道，来自电信巨头爱立信的数据，到2025年，预计5G用户将达到3.2亿。

随着新的蜂窝技术成为可行的连接选项，解决方案提供商今年应注意一些最重要的5G趋势。

下一代网络的建设仍在继续

下一代蜂窝技术可以提供比当前4G网络快10到100倍的数据速率，尽管全球疫情大流行影响了许多企业，但全球大的无线运营商还是在2020年增加了5G覆盖范围并建立了各自的网络。

在美国，位于达拉斯的AT&T网络目前覆盖了美国巴斯金里奇约16%的总部位于新泽西州的Verizon的5G超宽带网络目前已在31个州启用。总部位于华盛顿州贝尔维尤的T-Mobile于去年完成收购后接管了Sprint的5G足迹。该公司表示，截至2020年底，它在所有50个州的部分地区都已启用5G。消费者和企业用户很可能不得不更换设备，但是，由于许多现有设备并非针对新协议而设计的，因此需要购买新的移动设备。

5G对物联网的影响

5G可以提供更高的延迟和带宽，因此将进一步帮助物联网。物联网机会尤其将从移动和蜂窝连接中受益，包括运输、制造业、农业和智慧城市用例。5G甚至可能首次使新出现的用例和应用成为现实，例如联网汽车，它们需要闪电般的快速，低延迟的技术。

除了前沿的用例之外，许多行业现在还需要高度可靠的低延迟无线链路，这些链路可以为现有的物联网用例尽快为应用供电。

互联社区

近年来，随着全球都会区在室内和室外区域配备传感器来收集数据并获取见解以更好地管理其资产、资源和服务、智慧城市已成为主要的物联网趋势。

5G是智慧城市和互联社区用例一直在寻找的技术。现有的4G网络在支持同时连接、高功耗和高每位价格方面受到限制。另一方面，5G有望通过解决这些问题来推动智慧城市应用，并反过来利用新捕获的数据来改善城市运营。

5G与安全

随着5G实施数量的增加，对良好安全性的需求将变得更加关键。诸如AT&T、Verizon和T-Mobile之类的运营商一直在通过在网络边缘增加加密和附加防御来增强其下一代网络。

但是5G与以前的蜂窝技术迭代不同，它将由一个主要基于软件的网络组成，因此保护5G是另一种努力。物联网和智慧城市应用等将在5G网络之上运行的应用也将需要额外的安全层，以锁定将要加入网络的新设备和连接。

5G在边缘

5G与边缘计算之间的联系全都与延迟有关。5G有望通过支持全新的用例来推动边缘创新，实现比以往任何时候都更多的数据收集和更快的处理，同时为企业和组织提供另一种连接选项。

通过将5G与边缘计算相结合，组织将能够配备智能相机和传感器等设备来收集更多数据，这将在边缘推动更多计算用例。渠道合作伙伴告诉CRN，这将为解决方案提供商扩大在边缘收集数据的机会。

根据研究公司IDC的数据，到2024年，全球边缘计算市场预计将达到约2500亿美元，未来四年的复合年增长率为12.5%。预计5G技术将成为该市场增长的催化剂。

在商品市场动荡、矿石品位下降、能源成本上升和极端运营条件等挑战加剧的推动下，利用可靠灵活的通信系统的能力变得越来越重要。

 

在商品市场动荡、矿石品位下降、能源成本上升和极端运营条件等挑战加剧的推动下，利用可靠灵活的通信系统的能力变得越来越重要。领先的矿山运营商已经开始进行数字化转型，因为他们希望创建“互联矿山”。基于矿山日常工作所需的必要通信，以及利用大规模物联网传感器网络的应用程序和系统层，采矿业的未来肯定会更安全、更智能、更高效。事实上，世界经济论坛预测，通过数字化，未来五年该行业将增加 4250 亿美元的价值。

以下是采矿业物联网可以提高安全性、确保有效负载、减少运营延迟并为智能决策提供实时数据的 5 种方式。

1、 资产跟踪、远程诊断和预测性维护

作为资产密集型行业，采矿需要各种各样的设备，从钻机、挖掘机和输送机到泵、电机和风扇，这些设备广泛分布在地面和地下。监测和跟踪关键资产参数（如压力、振动、流量和温度）以及发动机性能的无线物联网传感器，可在整个矿区实现实时远程诊断、故障排除和资产跟踪。结合分析模型，可以有效地计划纠正性维护和备件采购，以防止设备停机，并帮助公司避免代价高昂的生产损失。

2、 排放和地下水位监测

地下挖掘设备和钻孔机排放的柴油废气含有有毒气体和微粒，对健康构成严重威胁。通过采用固定式和移动式气体探测器以及粒子传感器，可以有效控制排放水平和阈值限值，以维持符合安全标准的安全工作环境。

采矿作业产生的化学残留物有可能污染地下水，并引发严重的环境问题。利用来自液位传感器的数据，采矿经营者可以跟踪矿井地下水位的实时变化，尤其是在降雨期间。 可以及时有效地抽水，防止过度流入，从而避免污染和地下洪水。

3、 爆破后监测

在矿井内进行爆破后，该地区经常充满有毒烟雾和碎片。等待数小时以确保烟雾完全消散可能会导致代价高昂的停机时间。有了无线环境监测系统，操作员和矿工可以随时了解某个区域是否足够安全以恢复工作。这可以减少不必要的等待时间，从而在爆破后更快地开展工作并提高生产效率。

4、 基于可穿戴设备的事件报告和岩石螺栓监测

众所周知，矿山是最危险的工作环境之一，爆炸、设备事故和有毒物质暴露的风险很高，确保矿工的健康和安全一直是一个巨大的挑战。借助物联网可穿戴设备，现在可以实时跟踪矿工的健康状况和工作环境（即温度、湿度、辐射、噪音和气体水平）。管理人员会立即收到通知，告知其工人发生疲劳、疲惫和“超负荷”事件，而矿工会在发生潜在危险时收到及时警告。类似地，监测地下矿山地震活动的传感器可以安装在岩石锚杆上，以有效地评估其完整性并减少坍塌的致命风险。

5、 按需通风

通风可占地下矿山能源消耗的 30-40%。通过支持按需通风系统，物联网传感器可用于持续监测矿井不同区域的空气质量和气流，以远程调节风扇速度。传输来自占用传感器的数据或来自 NFC 标签的矿工登记数据还可以确保矿工所在工作区的通风被激活。这将显著节约能源，从而显著降低运营成本和环境足迹。

互联矿山的无线连接

虽然连接性是互联矿山收集数据的关键，但偏远位置、极深、密闭空间和非对称矿山拓扑结构为数据通信带来了最不利的条件。有线网络的覆盖范围有限、价格昂贵且极易受到采矿设备井下作业造成的物理影响。此外，Wi-Fi 等蜂窝和短距离解决方案无法在地下和难以到达的庞大矿井中提供足够的覆盖范围和可靠信号。

第三代低功耗广域网(LPWAN)面向低带宽、低计算端节点，在复杂的远程工业环境中提供高能效且经济实惠的物联网连接。在电池寿命、设备和连接成本以及易于实施方面，目前还没有任何无线类别能够胜过LPWAN。顾名思义，LPWAN 节点旨在依靠独立电池运行数年，而不是像其他无线解决方案那样仅运行几天。它们还可以传输数公里，同时提供深度穿透能力，以连接难以到达的室内和地下位置的设备，使其成为支持采矿业物联网的理想技术。

分析人士预测，到2030年，全球物联网设备的数量将增加两倍，达到241亿。虽然该领域的一些专家可能会争辩说这种预测过于乐观，但市场增长的迹象已经很明显。

这种说法适用于亚太地区，该地区的快速市场发展在医疗保健行业尤为明显，这也许并不令人意外。 然而，新连接设备的不断出现并不完全与COVID-19的预防和控制有关。大量亚太地区制造商也开始拥抱工业4.0，其中流程和运营的数字化将有助于使智能制造公司对外部因素更具弹性，从而确保业务连续性。

与此同时，在非洲和拉丁美洲等新兴市场，人们对物联网的兴趣日益浓厚，例如，物流行业的公司希望将车队和资产跟踪设备纳入其业务模式。

灵活性和面向未来

移动虚拟网络运营商(MVNOs)曾经是基本连接的经销商，近年来已经发展到与移动网络运营商(MNOs)更加集成，现在，一种新的连接服务提供商(CSP)正在发展，让企业拥有自己的物联网网络:企业网络运营商(ENO)。

除了增强的物联网安全性和基于订阅的计费和自定义发票之外，企业现在比以往任何时候都可以更好地控制其物联网SIM库，这要归功于增值管理平台，这些平台有助于远程SIM激活、数据限制配置和SIM诊断。然而，让企业而非网络运营商处于主导地位的不仅仅是实时连接管理。

如今，企业、制造商和系统集成商掌握的先进技术使他们比以往任何时候都能够更好地控制物联网连接。eSIM和eUICC技术尤其如此，它使设备用户能够灵活地立即响应网络覆盖范围和价格变化。通过无线(OTA)配置，只需按一下按钮，即可远程换入和换出网络服务提供商，并且可以通过将 eUICC与多IMSI配置文件相结合来实现额外的网络弹性。

eUICC只是提供长期网络可靠性和灵活性的新连接技术的一个例子。该行业的创新正在见证一些服务提供商开发越来越面向未来的物联网解决方案，这些解决方案将越来越多的控制权置于企业手中。

企业所有权和控制权

向4G蜂窝技术的迁移和越来越多的基于IP的网络使企业能够将越来越多的网络架构置于其控制之下。

虽然5G最终将促进需要高带宽和低延迟的新物联网应用，但要让这种新的蜂窝标准完全满足企业的需求，还有一段路要走。与此同时，共享和许可频段的可用性催生了高度灵活、安全和可扩展的无线连接解决方??案：集中管理的私有LTE网络解决方案，可在私有和公共网络之间无缝漫游。使用私有LTE，控制权掌握在企业手中，企业可以“切片”网络并动态部署具有不同带宽和服务质量 (QoS) 要求的额外数据包网关，以针对特定物联网应用优化网络。

让企业更好地控制其物联网连接，从SIM卡到完全私有的网络，企业将在未来几年从物联网应用的全部价值中受益。eSIM和专用蜂窝网络的推出都证明，对网络运营商的依赖已经比以前减少了，创新的连接服务提供商现在通过提供网络即服务等托管服务，使企业能够拥有和管理他们的物联网网络(NaaS)通过集中平台访问。

无论大小，企业都有越来越多的机会获得对其物联网连接的更多控制权。这种力量平衡的转变注定会永远扰乱物联网市场。

随着云计算和边缘计算的持续发展，数据中心正在迅速发展。云基础设施较大地影响了现代数据中心的需求，基础设施即服务(IaaS)业务模型和提供商允许企业方便地访问远程服务器。

边缘计算使计算过程和数据更接近终端用户，而终端用户通常位于网络的边缘。物联网(IoT)等技术的影响和对实时交互的依赖正迫使数据中心向终端用户靠拢。

企业正从本地数据中心向云数据中心转移，以部署关键的业务应用程序，利用本地数据中心和云数据中心的优势，形成混合云系统。然而，传统的数据中心如今面临着许多挑战。

数据中心的局限性

数据中心容量。COVID-19大流行扰乱了传统的工作方式。挑战在于数据中心需要扩大其容量以满足不可预测性和不断增长的需求。

不断发展的市场。世界各国现在都认识到数据的价值。因此，政府、行业和消费者都希望在他们的国家拥有安全的数据中心。这使得希望扩展到国外市场并获得市场份额的有名数据中心参与者更加困难。

对气候变化的影响。根据2018年进行的一项研究，数据中心使用了当年总用电量的1%。数据中心的碳足迹不断增长。消费者不仅注意，而且还大量参与环境问题。能源管理成为竞争对手之间竞争的一个附加维度。因此，数据中心必须采用高能耗的替代方案。

 

微数据中心的时代到了吗？

边缘计算正在许多行业中站稳脚跟。随着越来越多的企业拥抱云，数据中心变得越来越不集中。这种去中心化带来了让云服务更靠近网络边缘的机会。还需要克服超大规模数据中心的缺点。微型数据中心旨在成为数据中心演进的下一步。

微型数据中心是小型模块化数据中心，为企业提供服务或提供大型模块化数据中心难以提供的资源。微型数据中心还可以解决传统数据中心无法解决的问题。

数据中心与微型数据中心

一个基于容器的数据中心可能代表一个40英尺的集装箱中的数十台服务器。后者可能在一个大约20英寸的盒子中拥有少于10个服务器。典型数据中心的外形尺寸显着缩小。此外，微型数据中心的网络基础设施集中在边缘，因为计算是在本地处理的。这与围绕集中式远程数据中心开发网络基础设施不同，旨在从最终用户接收工作负载。

微型数据中心的一个很好的用例是支持未来的IT基础设施。微型数据中心将推动需要在源附近聚合的机器生成数据的持续增加。它们还将在实现端到端5G连接方面发挥关键作用，因为5G的短波长要求基站与数据中心之间的距离非常近，以实时支持关键应用。

微型数据中心的好处

降低成本。使用微型数据中心，企业不必将前期资本支出集中在传统服务器硬件上。与企业数据中心相比，微型数据中心的运营支出要低得多。此外，客户端和服务器计算机之间的距离降低了与将计算传输到集中式数据中心相关的更高的电力成本。

本地计算。微型数据中心减少了客户端和服务器计算机之间的地理距离。减少的接近度大大减少了延迟。

占地面积小。与大型数据中心相比，微型数据中心的碳排放量要低得多。

更大的弹性。如果优先线路损坏，传统数据中心往往面临服务中断的风险。即使网络冗余措施到位，传统数据中心仍难以与微型数据中心在发生故障时的选择竞争。微型数据中心可能有数十种故障转移策略。

灵活的基础设施方法。根据需求，企业可以选择向上或向下扩展其数据需求。微型数据中心的可扩展性使其易于与企业目标保持一致。

这对企业IT意味着什么？

IT经理知道运营成本降低了，整体效率提高了，就可以少些忧虑了。微型数据中心也与企业的碳减排目标保持一致。

与传统数据中心相比，微型数据中心可能不需要员工的监督。知道人为停机的可能性要小得多，IT 经理可能会安心。

它促进了企业之间的创新，因为它们可以基于无法在大型或远程数据中心运行的应用程序提供和改进服务。

微型数据中心还允许企业选择在异地处理哪些工作负载以及不处理哪些工作负载。最好在本地处理的关键工作负载可以在本地完成。例如，需要本地计算的远程位置的企业可以轻松地由微型数据中心提供服务。企业也可以在云数据中心和微型数据中心之间进行涉足，灵活适应自己的需求。

近年来，世界制造强国纷纷推进制造业向智能化、自动化转型。2016年，工业和信息化部发布了《智能制造工程实施指南（2016-2020）》，希望企业通过实施智能制造带来“两提升、三降低”，即：生产效率大幅度提升，资源综合利用率大幅度提升、研制周期大幅度缩短、运营成本大幅度下降、产品不良品率大幅度下降。

“十三五”时期，大力发展智能制造已成为我国企业界的广泛共识，大量企业初步解决了传统制造生产效率低下的问题，实现从劳动力为主的重复生产制造逐步向自动化设备普遍参与的数字化生产制造转变。一是有效缓解了制造业劳动力不足的问题；二是解决了企业在生产经营过程中的“盲点”；三是打通了企业研发、生产、物流之间的信息孤岛；四是为产业数字化和数字产业化奠定了坚实基础。尤其是疫情期间，智能制造赋予了广大企业强大的生命力，率先实现复工复产，部分企业通过业务转型拓展，及时调整生产线加工口罩、防护服等医疗用品，解决了现实迫切需求。

在智能制造的实施过程中也存在一些问题，企业实施智能制造容易“虚化”，过于超前网络化建设和部署，对于制造过程的数字化重视不够；广大中小微企业的数字化转型步伐仍然较慢，资金不足、技术缺失影响了中小微企业的积极性；智能制造人才供给水平无法满足下一步全国大规模数字化转型的需求。

“十四五”规划纲要明确提出，推进产业基础高级化、产业链现代化，提高经济质量效益和核心竞争力。“十四五”期间，实现制造业质量效益提升、保持制造业比重基本稳定、提高产业链现代化水平，仍然离不开智能制造这一关键手段。

一是要统一认识，强化智能制造作为制造强国主攻方向。

智能制造是我国制造业转型升级、实施高质量发展的重要途径，一方面通过数字化、网络化转型实现了企业数据采集、数据互联互通，提高了企业生产制造效率，并拓展了远程运维、定制化生产等新业态新模式，提升了企业核心竞争力，同时企业积累了大量数据，对于数字经济发展具有重要意义；另一方面随着人工智能技术的不断融合与深入推进，智能制造能够解决由于经验缺失导致的产品加工精度不高等传统问题，通过数据的积累，实现了产品加工精度的提升，同时，一批智能产品得以生产、面世，促进产品更加满足居民日益增长的生活需求。在“十四五”期间要更加重视智能制造的作用，要注意工业互联网、人工智能等新一代信息技术与制造技术相融合，将工业互联网、人工智能作为提升制造业企业效率、实现价值链跃升的技术手段，持续推动智能制造发展。

二是要坚持制造业企业为主体实施智能制造。

制造业是立国之本、兴国之器，制造业企业税率13%，是金融业的2倍，是名副其实的利税大户，只有切实提高制造业的营业收入和利润水平，才能推动社会经济的健康发展。同时，智能制造的核心在于新一代信息技术在制造业的深入应用，激发新的价值、新的增长点。在“十四五”期间，实施智能制造要避免“虚化”，避免互联网代表一切，避免脱离制造的“新一代信息技术”，要通过制造业为新一代信息技术提供广阔的应用场景，要推广解决制造业实际问题的新一代信息技术。

三是要关注广大中小微企业的智能制造。

中小微企业贡献50%以上的税收、60%以上的GDP、70%左右的专利发明权、80%以上的城镇劳动就业，但是中小微企业在固定资产投资、技术改造往往处于不利地位，缺少资金支持、缺少技术支持，往往使中小微企业在智能制造面前望而却步。在“十四五”期间，实施智能制造要重点解决中小微企业数字化网络化转型难题，开发低成本简易化的智能装备、工业软件，只有广大中小微企业走向了数字化，才代表我国迈向智能社会。

四是要提升产业链供应链整体智能制造水平。

从智能制造的历程来看，“十三五”期间大多数企业开展了单机数字化、生产线数字化、工厂数字化和企业数字化，智能制造在企业中逐步得以推广。在“十四五”期间，实施智能制造要围绕产业链现代化，重点推动若干条重点产业链供应链实现整体智能化，提升产业链协同制造效率，要鼓励产业链中的龙头企业加大产业链供应链体系的技术渗透、网络渗透、数据渗透，龙头企业应协助产业链上中下游企业按照统一标准实施智能制造，并推动智能制造人才在产业链中有序流动。

五是高等院校要发挥更大的作用。

当前，机器人和数控机床的应用基本解决了技能人才供给不足的问题，广大企业可以通过“无人工厂”摆脱对劳动用工的依赖。但是“无人工厂”不等于“零人工厂”，企业需要的熟练机器人和数控机床操作、维修人员，以及掌握信息技术的人员大幅度增加，也就是需要更多的技术人员，这些技术人员既要懂得制造技术，也要懂得信息技术，培养这些人才必须要依赖高等院校培养的本科生研究生。“十四五”期间，实施智能制造要抓紧智能制造专业技术人才培养，鼓励高校开设智能制造相关专业，鼓励企业和高校联合制定培养方案、联合设置课程，解决未来技术人才紧缺的问题。