第三，我想谈谈这个平台与应用的关系。

很多很多企业受互联网的影响，他们都提出工业互联网就是“重平台、轻应用”，或者是“重平台、微应用”，目前这样的一个提法在我们的工业互联网领域大量的被提及。这种提及就涉及到还有一些提法也衍生出来，就是什么把工业APP上云，包括主流机构也都是这么提的。但是这恰恰就是没有深入到工业里头去。

这种重平台、轻应用，早期像阿里这些企业，肯定是，因为它的应用是很轻的，都是拿手机轻轻的点几下，就能开发一两个应用，但是在工业领域确实不是这样轻的一个应用。工业领域你要做智能的分析，手机点几下是不能完成这项工作的。所以很重的一条，就是重应用，而不是轻应用。这样相比起来，如果我们在应用里头放上人工智能的技术，把人工智能技术很好的和工业相结合，这个技术就远比我们做一些平台的技术难度要大得多。

另外工业应用也是非常非常多的，因为每一个工业设备都可以做很多的应用，这个市场非常之大，相比来说我们这个平台就没有那么大的作用。

我们发现周边很多的企业过去一直在建工业互联网平台，建完平台以后，没有应用，反而没有实质性的工业互联网的价值。由于这样的一个误导，产生我们在工业互联网里头雷声大、雨点小，因为你没有解决企业里头实际的问题。

第四，我们做平台的时候，我们也发现很多的企业，一上来就选择hadoop等等的大数据平台。最近一张大数据架构图又被登到出来，这个图实际上是好几年以前的，最近朋友圈又继续发这张图，也会产生一些误导。我们一些企业，其实根本用不着hadoop的，他们也采购这样的一个结构。当然了，这一些做法也会影响到我们整个工业互联网的建设。

第五，工业互联网现在提到的，包括很多企业，一起去申请国家项目，都是申请工业互联网平台，以为互联网平台就可以解决很多的问题。但实际上工业互联网应该是一个分布式架构，分布架构，实际上是平台和平台、应用之间，都会架起一个桥梁，就是互联互通，在我们的节点上，每一个节点都有边缘计算和智能的应用，智能应用产生一些数据以后，给更大的系统做更多的应用。这样的一个应用，就是一个星云架构的一个方式。

所以在我们强调工业互联网的时候，对于平台大家应该有一个很重要的认识，它是一个局部的概念。也很可能在一个企业里头有一个平台，或者是有N个平台，然后再互联。企业和企业之间的平台，又产生新的互联。这才是工业互联网。因为你要仅仅做一个企业里头的工业互联网平台，那个东西，它不可能称为整个工业互联网的平台，它是一个企业内网的系统而已。

第三个大问题，工业互联网和工业智能化技术突破点在哪里？未来发展方向是什么？

我们看到的工业互联网，迄今很多的工业级应用主要停留在图像识别和语音识别上，就是把我们2C的很多应用，图像识别的一些东西用到工业里来，如识别输变线铁塔上的鸟窝、螺栓松动、掉落；锅炉的管壁机器人，利用图像识别去识别锅炉管壁的锈蚀，甚至是漏洞；裂纹纺织车间里，利用图像识别发现布匹的瑕疵等等。这个应用确实是用到了人工智能的技术，这些应用有一定作用，但针对整个工业来说，这样的应用实在是贡献太小，而无关痛痒。

如果我们把人工智能都发展在表面的应用上，不去探索、研究深层次的计算和应用，我们对工业的智能化，将失去历史机遇。

从工业数据的角度看，我们不能把将我们眼睛仅仅盯住图像数据、语音数据方面，更不应该仅仅把大家普遍掌握的图像识别、语音识别应用于工业，而应着眼其他工业数据，并努力开拓新的人工智能技术。

实际上我们在许多工业企业中，我们有很多的实时数据，我们工业设备产生的数据，称为实时数据，它是按秒级，或者是毫秒级产生的。

想一想一个发电厂一台机组就有1.5万-2万的实时数据测点，每个测点按秒级输送，这个数据量非常之大。所以我们说工业智能化的方向，不能停留在表面的图像识别这样一些数据上，而应该对工业的真正的大数据，能够有一些突破。这个突破，才会产生更大的经济效益。

早期的工业里头对这些数据有没有应用和探索呢？是有的。

过去我们也曾对实时数据做过一些分析，主要统计学知识进行分析，比如说我们的统计发电量，统计机组可靠性指标等等，按月统计，做一个环比、同比的一些分析，并用BI技术进行展示，给管理层做一些真正的一些比较好的报表、图形等等。

稍深一些层次的应用，也有一些建模的技术，比如我们用同一个变量来计算不同的时间点参数的AR（p）的这种自回归的方式；也有用因变量与自变量之间的设置，也就是我们现在比较多的，特征选择的这样的一种方式。当然也有把两个方式统一起来，建一个ARMA这样一个自回归模式去解决一些工业、经济学、金融领域的问题。这些技术未来依然会用到，但是经过几年的探索和开发，我们发现我们可以将人工智能技术应用到工业生产实时数据中。

这一人工智能技术，我们用的更多的是机器学习。工业生产实时数据量太大了，将这些数据用机器学习进行计算后，形成工业设备的数字模型，或者是它的系统的一个模型。这种模型的产生和建立，就是定量化的，它将给工业带来巨大的变化。

生产实时数据，跟过去的自动控制有什么区别？

自动控制是一个短时间的数据的反馈，这个数据反馈，它是几秒钟、几分钟的数据反馈，但是机器学习，是用至少半年到一年的数据反馈，它是更大领域上的时间跨度的建模和分析。

我们发现建模可以有更大时间跨度的，具了解美国有一个earthcube项目，它是研究整个地球的数据系统。在这个系统建模后，可以进行远期的考古分析，预测地球未来的发展变化，预测地震，了解石油资源等等。他实际上是在更大的时间维度上去建模。

机器学习今天带给我们的，依然也是这样的一个道理。我们在工业领域，也是加大了时间跨度，变成一个比较长周期的数据分析。

利用工业时序数据和机器学习我们解决了一个什么问题？

我们找到了工业设备、以及系统这样一个复杂系统的一个建模的方法，寻找到工业设备各个输出参数之间的定量的数据关系。有了这样一个数据关系，实际上我们打开了工业领域智能化的一个天窗。

因为过去我们工业领域这么多的数据，它们之间的这种逻辑关系，我们很难用一个显函数来表示。工业领域系统参数那么多的维度，之间的关系往往以隐函数的方式显示，我们不知道它的具体数值关系，这种维度太多的时候，我们很难解决问题。

有了机器学习，我们终于找到了工业系统里头多输出量这样的一个隐函数这样一个问题。实际上搞到工业设备，或者是系统，或者是机组它们之间的运行的内在关系，内在逻辑关系就找到了。再来用这样的方法解决我们的实际问题。

比如我们现在正在探索的锅炉优化燃烧的问题，在过去是非常复杂的，现在这个问题我们能够解决。

举几个简单的例子。比如说我们在水电领域，我们来进行状态检修。过去我们在厂里也有监控系统，这种监控系统，实际上把，像我们自控系统似的，把数据进行展示，靠人进行分析。用了机器学习以后，等于我们能够找到这个设备的特征关系，从而预测它什么时候出现问题，主要是通过特征量的劣化这样的一个时间维度来解决，从而完成设备状态检修的技术问题。

去年一年，我们通过这种方式在一些电厂减少了100多天的检修，流域之间的检修间隔也拉长了，节省了大量的检修费用。

风电也依然是这么做的，比如说风电塔基的沉降的一些问题，都是通过大数据机器学习的方法来解。

这几个例子，效益基本上都是可以在半年或者是一年就可以回收的。现在看来工业智能化的拐点已经产生了，大家已经慢慢接受这样的一个方法。