设备制造商与用户渴望利用IoT/传感器数据洞察，实现从“事后修”向“事前防”的主动运营转型。 PTC数字化转型方案负责人Chris MacDonald对谈RTInsights，揭示转型动因、收益、技术栈与落地挑战： 为何现在？ 服务/售后利润率是新品销售2.5倍，40-50%总利润源自售后，却长期外包失控； 主动运营=夺回可见性+标准化运营，支撑激进SLA、锁定高利润长周期合同； 疫情放大远程自助服务价值，非接触式运维成刚需。 主动运营的收益模型 遥测数据=“听觉”，分析=“听清关键音符”。在尖叫（故障）发生前捕捉走音（异常模式），实现： 故障前置诊断，避免非计划停机与客户惩罚； 服

嵌入式设备爆发、5G/连接性拓展、AI/分析赋能、安全生命周期要求，推动DevOps成为嵌入式软件交付的最优范式。 Wind River产品总监Graham Morphew深度对谈RTInsights，剖析嵌入式DevOps独特挑战与破局路径： 嵌入式vs传统DevOps：四大本质差异 执行环境异构： 开发端x86云/PC，目标端ARM/RISC-V/DSP等多架构，交叉编译/调试成常态； 资源受限岛： 无云端无限算力，内存/存储/功耗硬约束，安全还需防物理篡改； 反馈回路长： 设备离线/间歇在线，遥测数据回收难，持续反馈机制设计复杂； 部署目标无限： 云知目标环境（AWS/Azure/G

NASA分享AI/AIOps落地心法：算法仅是冰山一角，数据就绪度与文化转型同等关键。 ATARC峰会上，NASA数据科学组长Nikunj Oza指出AIOps三大支柱：技术、数据就绪、企业文化变革。Shenandoah Speers（应用副CIO）坦言数字化转型仍在成熟期，数据洪流下的业务/任务决策是核心挑战。 关键洞见： 数据天然不具备AI就绪性，项目易因上下游系统未就绪而夭折； 内部恐惧“AI抢饭碗”，需重塑人机协作心智； JAIC强调标签/数据质量、基建就绪、DevSecOps文化变革是可信AI系统的前提； 联合后勤领域率先突破：问题边界清晰，但数据就绪度仍是通病。 先行者经验为

AIOps可观测性帮助IT减少停机、改善应用性能、让客户满意。 2016年Gartner创造AIOps（人工智能IT运营）首字母缩写，但多年前IT专业人士已听闻并体验自主计算要素。此类自动化技术使主机和服务器能基于嵌入运营各处传感器关于性能的信息做自动自适应决策和调整。 引入AIOps可观测性 无论是AIOps还是自主计算，目标始终是协助IT监控调优性能，从计算资产获取最大价值并向业务交付优化技术。IT对AIOps看好，预测AIOps解决方案复合年增长率21.05%（至2026年）。 是什么让AIOps如此引人注目的价值主张？ 对超负荷系统程序员、网络管理员和软件开发者，AIOps能从每日警

2021年利用技术打击欺诈：策略与洞察 经历一年加速数字化转型和云迁移后，没有借口不采用云技术用于欺诈检测策略。 过去一年出现的无数社会经济障碍暴露了各行业改进机会。对于负责欺诈预防和风险降低的金融服务从业者，面临在经济衰退和不确定时期往往上升的欺诈挑战。 过去一年也见证了数字化转型和技术采用加速——金融机构和寻求欺诈不法分子双方皆然。2021年，金融机构重新思考技术以保持安全和竞争力从未如此重要。欺诈团伙持续在形态和规模上增长，你的欺诈检测应用需适应这种高度动态和新兴环境。 延伸阅读： AI带来实时欺诈检测与预防 欺诈检测现状 金融世界目前正处于多重格局变化十字路口的有趣境地。最直接的是，

物联网基础设施是构建边缘计算环境的一种可能方式。 物联网（IoT）和边缘计算是当今最热门流行词。虽然它们不一定齐头并进，但将物联网与边缘计算配对是从两类技术中获取最大价值的常见策略。 物联网是以某种方式连接到互联网的非传统设备网络。“非传统设备”在此语境下指传感器、医疗设备、智能家居系统等，相对于PC和服务器等传统设备。 物联网历史可追溯数十年。但仅在过去几年——或过去十年——物联网最终成熟并证明已就绪用于大规模现实使用。 边缘计算是一种计算架构，数据和处理尽可能靠近最终用户发生。它是传统云计算架构（数据和处理集中在云数据中心）的对立面。 边缘计算背后大想法是：当工作负载托管在更靠近用户处，

早期进入者正在领先收获边缘计算红利，并提供将惠及全板块的路线图和经验教训。 抢占边缘计算的淘金热已开始，但某些行业和公司类型比其他更可能更早见到结果。边缘实施领导者将是由云和技术制造商服务的交通运输和制造业组织。 这是Akash Bhatia和BCG贡献者团队早前观点，他们研究边缘计算如何重塑主要行业集团公司，指出边缘计算有望像云计算等先前技术转变一样产生赢家和输家。然而，云让企业访问和实施简单得多，边缘计算需要更复杂技能和能力组合，所以今天赢家未必是明天赢家。 延伸阅读： 边缘计算与云计算：入门 当然，边缘计算需要提供商生态系统支持上述行业实施。BCG分析师确定七类将在新兴边缘经济中领跑的

可观测性策略为企业IT和DevOps团队利用AIOps提供丰富效益。 为何要将可观测性纳入IT战略？效益包括保持员工高产和业务运转。 一切看似简单，但“如何”背后需回溯十年云承诺刚冒头时。将基础设施卸载到云将改善正常运行时间，同时降低资本和运营成本。同时，切换到云应用承诺访问最佳应用，同时最小化开发费用和打补丁需求。 企业普遍已实现那些云效益，但也遇到新挑战：复杂性。 迁移云常需多云策略，多基础设施供应商和一篮子SaaS提供商。单个用户处理单个任务可能调用云基础设施，也可能调用两个或更多SaaS应用。再考虑IT团队仍维护的遗留系统。将场景扩展到数万员工，你就有现代巴别塔，每个技术元素依赖其他

当离散设备模型组合成运营系统级视图时，数字孪生技术威力被放大。 工业物联网（IIoT）大规模采用激发对数字孪生技术的兴趣。IIoT以允许组织监控、收集、交换、分析和交付关于其系统和流程有价值新洞察的方式汇聚连接智能设备和分析。这些洞察可帮助驱动更明智、更快业务决策。 当物理系统与数字表示配对时，衍生洞察可为制造商在不同运营方面带来额外效益，涵盖智能制造、供应链优化、产品或服务创新等。 数字孪生技术兴趣在许多行业激增。市场2020年估值31亿美元，预计2026年达482亿美元，2020-2026年复合年增长率（CAGR）58%。MarketsandMarkets称此增长因预期数字孪生用于设计、

DataOps可帮助医疗组织使用现代数据分析实践，推动有效降低成本、增加收入的合理业务实践。 医疗组织正面临数据相关问题。无法处理大量数据并衍生实时洞察阻碍其在最高效率层面运营。数据驻留在内部和外部系统，提取、集成和标准化数据是持续挑战。预算限制和人员配置问题增加复杂性，因需资源监控和管理集成。医疗组织承受此类管理不善系统之苦。一个用例：源系统版本变更未实时集成导致关键账单数据丢失。这可能因延迟申报导致报销缺失造成医院重大收入流失，至少延迟现金流。所有这些问题均可通过采用DataOps解决。 DataOps是数据管理创新突破。组织为医疗组织管理和运营数据，而非仅工程和监控数据。这允许它们利用

AI和增强分析进步意味着企业团队能更有效地将数据置于语境中。 有一个挑战，自大数据成为流行词前就让业务领导者和数据专业人士沮丧。那是分析中缺乏语境。 看看这个用例是否耳熟。业务领导最初要求分析区域销售下滑原因，数据分析师花几个月努力构建模型、拉取数据、为业务方开发报告。 问题 结果返回时令人失望地单一维度，从未确认销售放缓背后真正的“为什么”。报告可能识别出特定产品线滑坡，或特定销售团队。但不会两者兼顾。 缺失的是语境。无法检测滑坡真正潜在原因。是人员、薪酬或流失问题？实际上是供应链问题？可能是新竞争对手？或涨价？是所有这些？那些问题本应是任何销售分析的自然后续。 但缺乏对多种潜在原因的深度

虽然连接的工业革命仍在进行中，但物联网技术持续推动各处进步和变革。 物联网（IoT）正在跨垂直市场推动数字时代重大且有影响力的变革。虽然物联网设备遍布家庭——听音乐、开灯甚至烹饪——但跨工业环境部署的物联网设备数量也在同步增长。物联网已成为创造效率和改善全球生活的看似必需品，随之而来的是组织必须转型适应技术进步以保持相关性、竞争力和有效性的需求。 延伸阅读： 物联网开始向企业证明自身价值 每个应用独特，可能需要不同形式的物联网连接——无论是5G、BLE、LoRa还是Wi-Fi——组织在部署前理解和权衡各技术优劣至关重要，以确保获得适当连接。例如，LoRa适合低电池消耗、长距离、无缝云集成部署

利用知识图谱的推理能力，组织可外推新数据连接并解释其创建的任何新连接。 数字化转型风靡一时，在大多数情况下，目标是将数据视为资产。某些情况下意味着数据变现，其他情况下目标是更高效利用数据衍生洞察以做更好决策。然而现实中两者都难达成。数字化转型要求从日益混合、多变、变化的数据中快速获取洞察，但传统数据集成平台未为今时今日环境设计。结果，组织无法再跟上数据日益增长的复杂性，也无法识别数据间隐藏关系和连接以发掘新机遇。越来越需要的是一种推理能力，允许公司汇聚不同数据集并分析以衍生洞察。 在永无止境的数据捕获复杂世界中，驱动增长和创新只有当IT团队能摆脱僵化数据结构和过时集成风格时才可能。 敏捷性是

前瞻性智能工厂组织拥抱新技术，高度重视劳动力发展。 智能工厂的承诺远非现实。“超过70%公司仍陷入试点炼狱，仅少数领先制造商能大规模部署先进制造，在工厂内或跨价值链创造新价值和客户体验。” 这是世界经济论坛报告的收获之一，该报告伴随其最近启动的“全球灯塔网络”发布，旨在通过数字化转型和人工智能等举措推广工业4.0。该努力目标是鼓励促进技能发展和可持续性的最佳实践，以实现智能工厂地位。现有69家工厂和站点加入网络。 延伸阅读： 智能工厂能否更聪明？ 报告称，前瞻性工业企业在生产网络和业务职能上积极拥抱下一代技术如数字平台和AI。“大多数组织尚未达到此境，报告陷入‘试点炼狱’的公司比例2020年

在数字化转型时代，企业IT系统的可观测性至关重要。 随着组织拥抱数字化转型，业务流程自动化加剧了IT团队更主动、更灵活的压力。焦点异常集中在DevOps从业者和站点可靠性工程师（SRE）身上，因为他们创建关键应用并维持其运行。快速、明智的响应至关重要，因为数字化转型的业务生死取决于其运营系统性能。 现代系统的内在复杂性和海量运营数据产生了新挑战。当出问题、性能受损时，发现可能根因和修复的传统手动流程太慢。因此，运营团队的新必备工具是可观测性。 可观测性的必要性 可观测性是团队利用运营数据作为罗塞塔石碑的现代方式，清晰展示所有系统元素的内部状态及其相互的上下文关系。可观测性是你24×7的朋友，

以人为中心的互联网创造了不可估量的创新和社会变革。期待互联网下一章以机器为中心的篇章带来不亚于此的变革。 今日互联网为人类而建——明日将为机器而造。终端用户的这一变化将改变网络构建的一切，并刺激投资和创新向“边缘”即边缘计算发生大规模转移。 由移动性热潮加剧，边缘计算填补了对更快、更灵活、更去中心化数据处理和计算范式的日益增长需求。正如摩尔定律在各技术领域反复证明的那样，即将到来的边缘计算指数级增益将使我们2021年智能手机和亚马逊充斥的生活显得微不足道。 延伸阅读： Kubernetes与边缘计算有何关系？ 为透视此事，先考虑物联网将多么普及及其数据需求的巨大规模。单个智能工厂——“高度数

采用制造流程数字化战略将使中小制造商保持竞争力。 企业级工业制造可能引领数字化转型，但中小制造商仍可利用新技术构建可持续成功运营。无处不在的物联网和低代码开发方法帮助任何规模制造商收获现代化和转型红利。 然而，制造数字化可能呈现一些与技术本身无关的根本挑战。美国国家标准与技术研究院（NIST）等指出一些常见数字化转型障碍和潜在解决方案。 初始投资资本 中小企业可能没有大企业那样的预算投资新解决方案和适配现有方案。当运营“目前运行良好”时这可能是障碍，但制造商必须学会看到更大愿景。前期会有投资成本，但不采用技术跟上时代的成本是什么？有了正确投资计划，制造商知道预留多少和何时预留。 重点不是向问

美国国家标准与技术研究院（NIST）发布其智能电网框架更新版，聚焦互操作性和安全标准。 说到绝佳时机。上周，正当寒潮瘫痪德克萨斯电网，NIST发布了智能电网框架更新版。 具体而言，新版是智能电网互操作性标准的框架和路线图。NIST发布报告指出：“近年电网现代化显著发生，但技术和相关标准激增仅适度改善互操作性。” 延伸阅读： AI成为国家电网基础设施投资核心 当前市场，互操作性仍是电力系统关键但欠发达能力。若无行动，互操作性局面可能恶化。NIST指出：“分布式能源资源和其他技术扩张，加上客户期望变化，使互操作性挑战复杂化。”因此需要改进互操作性。 展望近未来，NIST观察到：“随着社会现代化生

实现工业物联网成功需要一种方法，帮助公司整合现代工业应用中通常使用的众多技术。 工业物联网，或更广泛的工业4.0，承诺创建“智能工厂”——利用机器和硬件上的传感器在工厂或仓库中创建全知感知。希望和信念是这种仪器技术能创建海量数据集，供AI利用驱动工厂超优化。 酷。听起来很棒。报名。我要那个。我们都想要。 虽然物联网在Waze、Yelp、Uber等消费应用中具有变革性，但其效益尚未在广泛工业应用中实现。至少不在可扩展、可重复、可负担的应用中。 为何工业界尚未见同样变革？简短回答：集成缺陷。 延伸阅读： 新冠危机极大加速向工业4.0过渡 创建智能工厂需要多个系统协同运行，同时利用网络、大数据和A

展望未来，智能边缘的零延迟算力将帮助公司兑现数字化转型承诺及更多。 我第一次计算是在Sinclair电脑上。大学毕业后第一份工作用的是DEC PDP II。这暴露了我的年龄。九个月后DEC推出DEC Rainbow桌面机，随后我见证EDI如何改变全球资金流转方式——PayPal现在能从手机近乎即时完成。那是1980年代。变化、计算方式的快速演进是我们世界的常态。自1980年代以来，借助摩尔定律和梅特卡夫定律，发展极快。有时这些定律同步起作用（互联网），有时独立发挥（英特尔）。现在轮到智能边缘登场。 智能边缘是计算领域前所未有的根本性转变，有五个简单理由。它不仅是计算的下一步，更是改变我们思考