阿里云ET工业大脑总经理王峰在苏州峰会上谈到，如今传统工业红利尽出。阿里云ET工业大脑将结合大数据和人工智能，应用数据舱、应用舱、指挥舱等三个方面帮助企业在工业互联网领域做深维和整合，降低企业成本，形成企业独有的数据大脑。
以下为精彩视频内容整理：
现在工业面临着一个非常尴尬的现实：红利尽出。曾经企业拿到融资、政府的支持、买地、招人的模式已不再适合，4%已经迁移到越南，委内瑞拉等地。正是这样的背景下，才有了工业大脑来帮助企业转型和升级。
一、新时代新背景
首先来看一个案例，如果我从苏州要去日本旅游，可能要先去苏州高铁站，坐高铁去上海，然后到上海坐飞机，通过运力赋能到日本。而现在，在工业4.0时代，我应该怎么走？这条路径在哪？德国弗劳恩霍夫研究院做的第一件事就是咨询，咨询当前该怎么走，因为我们需要知道什么才是对的以及用什么样的手段才能找到这个路径，然后去发现和挖掘那座属于企业自己的数据金山。在工业4.0时代，需要利用到大数据和人工智能等工具带来的能力，而且经过10年的探索和锤炼，消费互联网领域方面的能力，已经达到了对产业可支持、可复用的层级。
在互联网消费的领域有个典型的场景，叫推荐。例如尿布和啤酒的组合，这就是智能在场景下的一个典型应用。我们把这个能力脱虚入实，与实体经济相融合，这个时候有个应用场景也出来了，叫工业参数推荐。例如机器A能生产出的良品更多，那找出相似的机器B，找到相应的工业参数的推荐和设定，从而达到整体良品率的提升。在这方面，复制的是数据智能使用的一个模式，而现在正是有政府的支持、企业的协同、云计算和大数据等在背后支持，阿里云推出了工业大脑、城市大脑、还有医疗大脑等等。这些场景是呼应整个大环境、虚实相结合、共同推进的一个政策。
二、 大数据大智慧
巧妇难为无米之炊，现在在工业互联网领域，需要的第一个基础生产资料就是企业呈现的数据。企业从他们的质检、产线、环境包括设备等等，已经积累了大量的数据。但是，现实是很残酷的，因为数据是割裂的，烟囱式的各个数据系统使得在数据关联层面没办法达到一个统一的认知。我们需要一个全局的、整合型的数据，去创造出一个全局和多态的智能。如果没有这些数据的融合，这是难以做到的。从场景下拿出需要的概念，而这些概念有助于构建其中的一些规律和特征，这些特征背后是发现机器设备真正的奥秘和找到工艺参数推荐的要点。将这些能力进行整合的就是工业大脑。
以前企业是沿着设备、产线到系统的这条路径发展，现在我们可以帮助企业更好的了解自己，发挥企业的潜能。阿里云工业大脑分为两端，一端在Edge端，一端在云端。智能在端，智慧在云，每个端都有自己的智能，这个智能一方面使得本地化的计算和数据传输做到极致。另一方面，群体的智能在云端汇集，以上帝的视角观察每一个片区，从而达到一个全局的认知。工业大脑分别应用数据舱、应用舱、指挥舱等三个方面：
1.数据舱。提供了三类数据接入的能力给企业，分别是日志的数据、系统的数据和设备的数据，这些数据有助于企业快速的把数据汇集和整合。
3.指挥舱。把真实的物理机器构建的三维模型与算法模型相融合，而相融合的能力一方面让企业更好地洞察设备上的情况，另一方面让人的经验更好地与机器相融合。我们需要一个人机结合的系统---平行计算，它不仅是机器的计算，也是人和云的计算，三者在一个平行的维度来共同赋能企业的拓展。
三、积跬步至千里
当拿到一个最佳的案例之后，利用云计算和大数据进行一些智能改造，进行快速的复制。举个例子，一个风场30多台发电机组，每台发电机组都有各自的摆头，各自的功率，每台发电机组都需要达到最佳的作战状态，从而达到一个整体的最优。我们现在结合环境的数据，北斗定位的数据，能够让风场更好地观测到在什么样的风况下，摆头在什么样的位置，来形成一个全体的智能，达到一个最佳的状态，并且对可能出现的故障做预测，这可以降低20%左右的风场运维成本。
现在我们的技术，不是像以前一样拿钱买设备、买数据，需要的不是改造，而是做深维和整合。从数据和智能的维度来帮助设备和软件提升它们的能力。要形成企业独有的数据大脑，需要具有以下四点能力：
1.验证工业智能跨行业复用的模式。
2.发现多变量复杂制造环境中的“真相”，这些“真相”往往是对现实世界工具的一些缺失，而这些缺失，恰巧是工业大脑集成和赋予的。
3.无需改动产线，结合行业Know-how，将产业专家、工艺专家和数据专家融合，还有现有的设备物理系统和在线的工业大脑融合，才能更好地将企业的知识经验沉淀到企业，而不是留在某一个老专家的知识库当中。
4.可以不断沉淀最佳工业知识与实践。员工的每一次操作行为都留在机器日志当中，这些能力将成为机器学习的训练集和样本。
见微知著，取之于机器，依赖于计算，不积跬步无以至千里。我们希望在苏州，用工业大脑更好的帮助政府和苏州的企业成为中国乃至全球最顶尖的先进制造示范区。
本文由云栖社区志愿者小组黄小凡整理，毛鹤审校。编辑：郭雪梅。
