你可能因将物联网连接和分析标记为主要为数据采集设计的工具而被原谅。这些技术确实从机器、传感器、系统收集海量信息，但仅通过采集视角看待它们限制了真正潜力。当公司陷入无明确策略将数据转化为可执行洞察地堆砌数据陷阱，会创造相当大错失机会。 延伸阅读： 工业连接与物联网如何赋能制造业数字化转型 无协调方法下，数据变成噪音。淹没团队、让关键洞察埋没杂乱中。这是从单纯采集数据转向编排数据发挥作用之处。在数据编排模型中，物联网连接和分析协同同步运营。结果：数据不只是被采集，而是动态分析并实时付诸行动。 通过转型到数据编排方法，组织超越被动数据收集，开始看到数据真实面目——一个以动态、整体方式运营并获实时指引

近年，得益于物联网（IoT）普及应用，工业领域经历重大变革。物联网设备已成工业环境组成部分，跨各流程从设备、传感器、机械采集数据。虽然单纯采用物联网设备带来实质改进，但真正驱动运营卓越的是物联网分析力量。 通过处理分析从物联网设备收集数据，工业管理者可做明智决策，带来运营效率提升、生产力增加、停机减少等。 现代物联网分析运用高级数据分析工具、AI和技术处理物联网设备生成海量数据。工业环境中，此数据可含设备性能指标、环境条件、生产指标等。物联网分析价值在于将原始数据转化为可执行洞察能力。 过程一般涉及数据采集、存储、处理、分析。随着云计算和边缘计算进步，工业领域现在可近实时分析数据，允许更快响应

跨行业物联网用例数量上升，许多提供比几年前更高ROI。这是IoT用例采用报告2024来自IoT Analytics两大主要发现。具体，物联网用例数量2021至2024年增长53%。92%组织报告其物联网用例正ROI。 这较几年前认知理念大变。例如，Cisco 2017调查发现60%物联网举措停滞概念验证（PoC）阶段，仅26%公司有视为完全成功的物联网举措。虽随时间改善，三年前仍有问题。2021年，IoT Analytics发现许多受访者指出需概念验证和测试，因物联网项目及技术设置复杂。然而2024年，使用复杂性和物联网用例项目上手/设置挑战分别降至第5和第6位。 推动物联网用例大规模拥抱和成

供应链向来易受事件和故障影响，即使管理最善公司也束手无策。实时人工智能最终能给这复杂事务带来秩序？还只是最新被吹捧为万能药的灵丹妙药？ 本质上，供应链依赖许多许多移动部分按需交付。这些部分多离散，从原材料供应商到工厂、卡车、船舶、仓库、零售商。决策者和管理者能否获得全貌视图？大概率不能。但人工智能等技术有望填补知识空白，提供洞察预测克服出现问题。这朝正确方向迈进一步。 KPMG新报告称，得益于生成式AI、数据分析、自动化、数字孪生、机器学习、物联网、区块链等星座技术，智能供应链现已到来且成现实。目前，咨询公司发现，50%供应链组织表示投资支持此类技术应用。报告作者概述新一代技术如何为当今供应链

随着制造业持续数字化演进，将更依赖部署在公司全运营中的工业物联网（IIoT）设备数据。展望2025，此类设备将日益高度连接、产出更丰富、更细粒度数据，供明智决策依据。 这种增强能力将使IIoT设备适用于更广泛应用范围，其数据将驱动现有努力进一步改善生产力、降低成本等。底线是：2025年有望带来IIoT新发展，重新定义运营、效率、竞争优势。 2025：制造商使用IIoT的过渡之年 明年值得关注的顶级IIoT趋势： 1. 与人工智能（AI）和机器学习（ML）集成度提升 AI和ML与制造业IIoT应用日益交织，转化数据为可执行洞察。2025年，这种集成预期更无缝，AI驱动分析预测机器故障、优化生

数据驱动组织成败取决于基于最新、最及时信息决策的能力。无论优化供应链、检测金融交易欺诈、还是实时个性化客户体验，数据新鲜度至关重要。 然而，对许多组织而言，这个数据即时性圣杯依然难触。它们继续依赖传统数据仓库或其他遗留数据存储——虽为批处理和历史分析构建的强大工具——却不适合处理实时分析需求。结果？关键业务决策基于不再新鲜的数据，导致错失机会、次优结果、无法跟上竞争步伐。 若你数据新鲜度对用例关键任务，仍用数据仓库作主分析存储，你可能未获实时洞察全部红利。事实上，你可能承担显著数据延迟和运营成本，使实时数据举措长期不可持续。 数据仓库从未为实时设计 理解为何数据仓库在实时分析中失效，需看这些

零售业未能幸免于物联网设备和传感器在门店、客服渠道、仓储和供应链中的扩散。如今，零售商正叠加人工智能以更好利用这些数据。 因此，人工智能物联网（AIoT）正成为零售商关键转折点。为何？将AI与物联网设备数据结合，帮助零售商重塑店内体验、增强服务交付、在每个运营层级保持产品可见性。 全球数据《零售与服装物联网》主题报告指出，AI向零售物联网产品和服务集成不可避免且正在发生：物联网价值链关键层是物理、连接、数据、应用、服务。这些层逻辑上离散，但大规模物联网解决方案正模糊这些逻辑边界。例如，虽栈顶仍有清晰可识别数据层，但越来越多数据处理发生在网络内部和边缘。生成式AI加速发展，特别是ChatGPT，

工业制造组织常面临固有挑战：遗留设备、机器和系统。这些老旧OT系统为不同运营时代设计，通常依赖专有通信协议，从未设计为与其他系统共享数据或让数据为组织可访问。 虽在过去可能足够，但从未意图与现代应用无缝集成或跨系统共享数据。这种缺乏集成和数据访问困难，为致力拥抱数字化转型的制造商制造重大路障。无法将这些遗留系统连接至现代基础设施，组织无法获得创新和运营效率所需的数据驱动洞察。 为何遗留资产需集成 数字化转型核心在于规模化采集和分析数据能力。制造商需要实时数据访问以做明智决策、优化运营、在快速演变市场保持竞争力。然而，遗留系统常在孤岛运行，阻碍数据跨企业自由流动。 打通这些系统至关重要，以打破

全面质量管理奠基人Armand V. Feigenbaum博士，也提出隐形工厂概念——制造系统中因错误、返工、设备闲置等低效而损失的未开发潜力。 今天，这个隐形或隐蔽工厂理念已演变为制造商可实际应对的事物，物联网（IoT）实时将这些低效显性化。通过利用传感器、分析和算力，制造商可发掘并优化隐形流程，将理论浪费转化为可执行洞察。随着复杂性和竞争加剧，企业必须开始应对这些低效。庆幸的是，物联网只会越来越好。 当Feigenbaum博士描述隐形工厂时，强调了制造业普世真理：低效和浪费常被忽视，无声侵蚀生产力和盈利能力。其概念聚焦工厂内未实现产能——因缺陷、返工、停机损失的生产部分，可通过更好质量控

信息技术（IT）与运营技术（OT）的融合正重塑工业制造版图，提供提升效率、创新和竞争力的机遇。 传统上，IT和OT各自为政——IT专注数据中心企业运营，OT管理车间物理流程。这两个领域的融合促进无缝数据交换、实时分析和集成控制系统，带来运营效率提升和明智决策。这种融合不仅是技术升级，更是制造商在数字时代保持竞争优势的战略必要。 驱动IT/OT融合的关键主题 IoT Analytics（全球市场洞察和战略商业智能提供商）近期发布的IT/OT融合洞察报告2024强调了一些共同主题，共同定义工业融合未来。理解和利用这些主题对旨在引领变革时代的高管至关重要。 报告发现这些主题适合工业运营中常见的三大

数据湖仓已成为灵活、多用途的存储库。在Smart Talk本期节目中，Stratola CEO Dinesh Chandrasekhar与Starburst CEO兼董事长Justin Borgman探讨如何扩展数据湖仓能力，纳入实时数据和高性能查询，提供近实时洞察——这正成为越来越常见的用例。需要两大关键技术——Kafka流和强大查询引擎。 特别有趣的是他们对开源软件和开放格式重要性的见解，这已获Snowflake和Databricks宣布支持Apache Iceberg验证。Justin分享基准测试建议——使用企业数据、运行实际查询、模拟规模、最后计算成本。 涵盖主题包括： Kafka流

建筑业是全球发展的支柱，塑造我们生活、工作、连接的环境。占世界GDP近13%，雇佣数百万跨领域人才。尽管在经济增长和基建中扮演关键角色，该行业却深受低效、成本超支、返工困扰，每年造成近万亿美元浪费。随着对可持续、更快、更具成本效益建筑方案需求上升，采用创新技术、特别是AI，已成现代化工作流、解决系统性挑战的迫切需求。 建筑业面临关键挑战：管理和利用海量碎片化、非结构化数据。合同、图纸、变更单、进度表常孤立存在，难以高效访问、分析、行动。知识图谱——一种构建和互联数据的方式——正改变这一局面，成为建筑业AI应用的骨干。 本文探讨知识图谱如何增强数据管理、赋能特定AI应用（含AI副驾驶、AI驱动工

十多年前，工业4.0愿景承诺制造业突破性变革。通过利用互联系统、实时数据和高级分析，企业有望解锁前所未有的效率、生产力和敏捷性。然而今天，许多工业制造商面对清醒现实：工业4.0成果往往未达预期。 工业4.0的愿景与现实 工业4.0核心旨在将物理生产系统与数字技术集成，创建智能互联工厂。这包括利用： 物联网（IoT）： 传感器和设备提供实时数据 大数据与分析： 从海量信息中获取洞察 AI与机器学习： 高级决策和预测能力 云计算： 可扩展灵活的数据存储和处理 承诺明确：减少停机、优化供应链、预测性维护、改善质量。然而现实常不及预期。 工业4.0最大失望 从构想起，工业4.0充满希望。但实现

多年来，车企依赖数据驱动技术改进制造运营、降本增效。大多利用物联网和高级分析实时监控运营。近期，这些技术被数字孪生、虚拟开发协作等补充。如今，人工智能（AI）作为新工具加入武器库。 AI通过增加智能、自动化和预测能力，补充增强数字孪生、虚拟开发、物联网赋能系统等智能制造技术。 越来越多地，AI和机器学习（ML）被用于辅助更明智决策，赋予制造商应对市场和产线变化条件的能力。在这两方面（更明智决策和应对变化），AI都帮助制造商利用工厂内物联网设备和智能传感器产生的海量数据。 以下是制造业使用AI的主要效益： AI与数字孪生 动态洞察与预测分析 AI驱动的数字孪生创建物理系统（如生产线或整车）的实

2025年，物联网设备将融入新技术和能力，比以往更强大。工业企业将利用这些发展，从物联网获取前所未有的价值。 2025年预期有重大发展的领域之一是物联网连接。随着制造商现代化并日益自动化运营，来自设备和产线的运营数据分析变得至关重要。使用这些数据洞察的应用，只有在无线基础设施就绪时才能工作。 组织正越来越多地用新服务补充传统无线连接选项（如Wi-Fi、LoRaWAN、蓝牙等）。例如，过去几年，许多使用公共无线服务的物联网设备已从支持2G/3G升级至4G/5G网络以增强连接。 此外，过去一年左右，对专门支持物联网连接的卫星服务兴趣日增。在美国，因FCC简化卫星申请流程，更多参与者入场。NewSp

汽车制造商转向智能制造技术，以更快推出车主需求的功能，同时应对更严格法规和供应链问题。过去这些技术本质上独立部署使用；现在正向更高层级的智能工厂策略迈进。 特别是，行业应预期对超连接生产环境的兴趣激增，无缝集成AI、物联网和自动化。此类智能工厂不再仅是愿景，而是竞争必要条件。 2025年智能工厂有何新变化？ AI驱动决策、实时物联网监控、自主机器人三者结合，有望重新定义制造效率、成本降低和产品质量。 将产生重大影响的变化包括： AI驱动的预测性制造 AI在预测性维护和需求预测上取得重大进展。2025年，AI驱动分析可精准预测机器故障，防止昂贵停机、最小化生产中断。先进机器学习模型实时分析传

人工智能（AI）正在改变工业运营，帮助组织优化工作流、减少停机、提升生产力。不同行业垂直领域以独特方式利用AI。 核心实践领域 汽车智能制造 引领自主驾驶、电动化、共享出行和连接性的交通革命，提供新一代设计开发工具。 数据管道自动化中心 随着企业转向数据驱动并高度依赖分析运营，在正确时间将高质量、可信数据交付给正确用户至关重要。 自动化集成中心 自动化集成旨在让分别构建的应用和系统轻松共享数据、协同工作，创造新能力和效率，降本、挖掘洞察等。 持续智能：洞察 数字化转型需要持续智能（CI）。当今数字化企业利用这一新软件品类，从单一云原生平台跨多用例获取实时分析和洞察，加速决策、打造世界级

随着物联网和边缘计算的普及，企业——尤其是制造商和技术提供商——开始转型商业模式，通过软件补丁、预测性和预防性维护服务，在原始销售后长期从服务提供中获取收入。 然而，企业也附加条款要求自己成为这些补丁或服务的独家提供方。如今，市场反弹与政府监管正在改变这些限制，有望开放更具竞争力的售后服务市场。 据Jan Recker和Gerald C. Kane在《MIT斯隆管理评论》撰文指出：软件赋能产品的供应商近年来越来越多地利用对产品的数字控制，获取额外的售后价值。 企业常要求订阅以维持设备运行，或在产品故障时远程限制所有者的维修能力。 尽管客户已支付货款，但并不总能享有大多数人认为的完整所有权，Re

在当今数据驱动的世界中，制造商正寻求更快、更智能的方式来提升运营效率、保障安全并实现实时决策。实时视觉智能正是帮助他们达成这些目标的最具潜力的工具之一。但要构建一个能从实时视频流和传感器数据中提取可执行洞察的系统，需要一个复杂且协调良好的架构，由多个集成组件组成。 数据采集层：视觉智能的基石 任何视觉智能系统的首层都是数据采集。这始于观测系统——在设施内战略性部署的摄像头和传感器，实时捕获丰富的现实世界数据。这些设备监控物理空间、机械设备、人员和产品，生成持续的视觉和环境信息流。 先进的IP摄像头如今能捕获高分辨率视频流，且配备内置AI时，甚至能在数据下传前执行运动检测或基础目标识别等初步任

在运动用品行业，创新是品牌胜负的战场。消费者要求更创新、个性化和可持续的产品，推动制造商重新思考产品生命周期每个阶段。 如何实现？答案在于由仿真、IoT和AI驱动分析等创新技术推动的数字化转型。这些力量正增强产品设计和制造。并从根本上重塑品牌与客户连接、在快速演变市场中竞争的方式。在这个新时代，拥抱智能、灵活性和可持续性的品牌将定义体育未来。 这场变革前沿是需要工具和平台的需求，使制造商能将智能、灵活性和可持续性集成到运营中。从智能装备提供的实时性能洞察到优化产品设计的数字孪生，运动用品品牌利用这些技术保持敏捷、创新和竞争力。 运动用品制造的数字化转型 多种力量汇聚重塑运动用品行业。消费