AIGC+IIoT，智能制造新未来？

集微网报道 （文/陈炳欣）人工智能是当前科技领域的热点之一，在很多行业都得到广泛应用。在工业制造领域，工业物联网（IIoT）和人工智能技术的结合，有望为制造业带来巨大变革，特别是AI大模型正在从技术迸发期进入产业导入期，越来越多的人们开始关注与推动生成式人工智能（AIGC）的发展，其智能化前景将诞生出更多令人眼前一亮的现实应用。

工业物联网：以智能、安全、互联为主题

作为物联网的重要细分领域之一，工业物联网主要利用物联网技术和传感器技术等，将各种设备、机器和系统连接起来，形成一个智能化的生产系统，可以实现设备的远程监控和管理、数据的实时采集和处理、生产过程的自动化控制和优化等，从而提高生产效率和质量。根据Grand View Research的分析，2022年全球工业物联网市场规模已达2161.3亿美元。

智能、安全、互联设备是设计工程人员构筑工业物联网系统的主要组成。根据恩智浦安全连接边缘事业部副总裁、工业边缘处理总经理Jeff Steinheider的介绍，为了跟上工业4.0快速发展的步伐，工业物联网系统开发人员需要依托各种智能、安全、互联器件，实现工厂设备以及楼宇的自动化、智能化。网关是连接设备与云端的关键组件之一。通过边缘计算技术，工业物联网网关可以在本地对设备数据进行处理和分析，从而减少数据需要传输到云端的需求，降低延迟、提高数据安全性并减少网络带宽的使用。嵌入式处理器也在工业物联网得到越来越广泛的应用，通过对工业设备的实时监控和智能控制，实现设备的远程监控和故障预警，提高设备的运行效率和安全性等。特别随着人工智能技术在各行业的渗透发展，其与工业物联网的结合也越来越紧密，并带来诸多优势，包括实现生产过程的可视化和可追溯，提高生产的透明度和管理效率；实现设备的远程管理和监控，降低运维成本和维护难度；实现物流和仓储的自动化和智能化管理，提高了物流和仓储效率和准确性等。为应对人工智能的工业物联等边缘侧的应用需求，人们在MCU、MPU等边缘处理芯片中集成NPU神经处理单元，帮助用户在专用人工智能和机器学习方面加强运算能力。融合人工智能的工业物联网正在成为迎合时代发展的主流。

AIGC加速工业物联网智能化步伐

2023年以来，ChatGPT再掀生成式AI热潮，越来越多大模型产品被推出，并开始与工业制造等细分行业相结合。对此，有专家指出，当前工业数字化已成为工业领域的必然选择。企业的数字化（包括智能化）远未到达“止境”，AIGC的应用融合正是发展方向之一，且正在催生许多新的工业应用。

根据Jeff介绍，预测性维护是最值得期待的应用之一。机器设备在使用过程中会出现磨损、腐蚀和故障。如果这些问题不及时处理，后果将非常严重。预测性维护可以通过安装在机器上的传感器和数据收集设备来实现，比如针对模拟信号的检测就是典型的应用之一，工业生产中对部署的温度或者是电压、电流这种模拟信息的收集，通过对其中某些数据中的微小异常，机器学习就可以提前警告其损坏或故障可能造成后果，从而预测何时需要维护或者需要停止使用。

安全生产也是智能制造希望实现的重要目标。越来越多工业企业使用工业机器人进行生产，对机械臂的不正确操作会对工人产生伤害，但通过机器视觉或者是通过机器学习的能力提前检测出来，会对工人有很好的人身安全的保护。

此外，生成式AI加工业物联网也有望改变或优化能源管理的方式。人工智能可以帮助优化能耗，例如在能源需求高峰时对工厂进行实时地预测性维护。物联网还可以使企业能够实时监控其基础设施中的电能消耗。如果某些电力系统中的一台设备出现故障，那么其他设备就会被关闭，从而减少不必要的电力浪费。

随着工业企业加速向智能化迈进，大数据、人工智能和物联网将形成更紧密的联系。根据麦肯锡的预测，到2027年，全球制造业将实现两位数的收入增长。利用生成式人工智能技术进行的预测分析可以为企业提供更强的洞察力。

以差异化芯片解决方案应对算力需求

在AIGC与工业物联网结合的过程中，半导体技术发挥着关键的作用。算力是大模型应用的基础之一。AIGC在工业物联网的应用发展离不开半导体技术的支撑。随着大模型功能的加入，本地承载的功能更多了，必然会对芯片性能提出更高要求。

Jeff Steinheider指出，越来越多的企业正在把机器学习带入边缘，在MCU中嵌入NPU神经处理单元，在工厂中部署各种新的机器学习应用。我们将在MCX 系列中集成eIQ Neutron神经处理单元。该神经处理单元可为机器学习提供高效的处理，并提供加速功能，在执行机器学习时比通用处理器的效率高出5倍到30倍。大模型的稀疏化也是人们在应对大模型实现边缘部署的方式之一。也就是说在云端设计出一些比较大的模型，然后通过稀疏化的过程，使模型在边缘侧做到相对有效的部署。从芯片架构来看，异构计算将是未来发展的必然选择。边缘侧设备集成的芯片从同构CPU架构发展到异构，以及加速器架构，能够更好地支持大模型稀疏化后形成的小模型，使它们能在边缘侧和端侧实现部署。

在谈到算力时，Jeff Steinheider认为工业设备端对算力的要求，差异性比较大。手机移动端基本上是云端的方案，因为手机的实时传输的能力是没问题的。这和大模型在工业上的应用不同，芯片解决方案的最大的不同就是手机大多数依靠云端数据中心来完成，云服务来完成。从工业的需求上来讲，不同的应用场景对算力的要求是不同的。举例来说，基于机器视觉的典型应用，大部分对算力的要求在1～4 TOPS之间。我们也看到一些客户正在推动10到40 TOPS这个区间，使之具有更高性能，但也有一些轻量级的应用甚至会小于一个“T”的需求，所以我们在谈工业的需求还是要结合应用一起来看。