
解读工业与物联网,云计算和大数据的关系
互联网新概念层出不穷,在云计算,物联网,大数据火热之后,工业4.0在2014年受到越来越多的关注,在2015年成为新的热点之前,我们有必要了解这个新概念究竟是什么含义,它和其他互联网概念间到底是什么关系。
2013年4月,德国政府在2013年4月的汉诺威工业博览会上正式推出提出“工业4.0”战略,其目的是为了提高德国工业的竞争力,在新一轮工业革命中占领先机。
德国学术界和产业界认为,“工业4.0”概念即是以智能制造为主导的第四次工业革命,或革命性的生产方法。该战略旨在通过充分利用信息通讯技术和网络空间虚拟系统—信息物理系统(Cyber-Physical System)[5] 相结合的手段,将制造业向智能化转型。
德国的工业4.0没有明确指出它与互联网有什么关系,通俗的说,就是无数个行业被互联网浪潮冲击后,互联网开始改造工业制造业了。
我们在2007年发表的互联网进化论论文中提出“互联网将向着与人类大脑高度相似的方向进化,它将具备自己的视觉、听觉、触觉、运动神经系统,也会拥有自己的记忆神经系统、中枢神经系统、自主神经系统,也就是是说,互联网正在形成一个互联网大脑”,并绘制了下列互联网未来结构图.
2014年我们曾经用这幅图分析了物联网,云计算,大数据与互联网的关系:
1.物联网是互联网大脑的感觉神经系统,因为物联网重点突出了传感器感知的概念,同时它也具备网络线路传输,信息存储和处理,行业应用接口等功能。而且也往往与互联网共用服务器,网络线路和应用接口,使人与人(Human ti Human ,H2H),人与物(Human to thing,H2T)、物与物( Thing to Thing,T2T)之间的交流变成可能,最终将使人类社会、信息空间和物理世界(人机物)融为一体
2.云计算是互联网大脑的中枢神经系统,在互联网虚拟大脑的架构中,,互联网虚拟大脑的中枢神经系统是将互联网的核心硬件层,核心软件层和互联网信息层统一起来为互联网各虚拟神经系统提供支持和服务,从定义上看,云计算与互联网虚拟大脑中枢神经系统的特征非常吻合。在理想状态下,物联网的传感器和互联网的使用者通过网络线路和计算机终端与云计算进行交互,向云计算提供数据,接受云计算提供的服务。
3.大数据是互联网智慧和意识产生的基础,也是互联网梦境时代到来的源泉,随着互联网大脑的日臻成熟,虚拟现实技术开始进入到一个全新的时期,与传统虚拟现实不同,这一全新时期不再是虚拟图像与现实场景的叠加(AR),也不是看到眼前巨幕展现出来的三维立体画面(VR)。它开始与大数据、人工智能结合得更加紧密,以庞大的数据量为基础,让人工智能服务于虚拟现实技术,使人们在其中获得真实感和交互感,让人类大脑产生错觉,将视觉、听觉、嗅觉、运动等神经感觉与互联网梦境系统相互作用,在清醒的状态下产生梦境感(Real dream),可以形成如下这幅图:
从这幅图中我们也同样可以看出工业4.0或工业互联网本质上是互联网运动神经系统的萌芽,互联网中枢神经系统也就是云计算中的软件系统控制工业企业的生产设备,家庭的家用设备,办公室的办公设备,通过智能化,3D打印,无线传感等技术使的机械设备成为互联网大脑改造世界的工具。同时这些智能制造和智能设备也源源不断向互联网大脑反馈大数据数,供互联网中枢神经系统决策使用。
总体看,西方企业和理论界不断提出互联网新概念,还比较割裂,但实质上,无论是物联网,云计算,大数据,移动互联网还是工业4.0依然是互联网未来发展的一部分。它们起到不同的作用。
由于中国在互联网领域日趋发达,与中国先进制造业结合,互联网运动神经系统的发育,中国必然会强于德国甚至追赶美国。目前舆论界宣传的德国工业4.0要甩开中国,工业4.0要取代淘宝和天猫,明显是风牛马不相及的事情,充斥了炒作的嫌疑。
补充材料:
工业互联网与工业4.0类似,2013年6月,GE提出了工业互联网革命(Industrial Internet Revolution),伊梅尔特在其演讲中称,一个开放、全球化的网络,将人、数据和机器连接起来。工业互联网的目标是升级那些关键的工业领域。如今在全世界有数百万种机器设备,从简单的电动摩托到高尖端的MRI(核磁共振成像)机器。有数万种复杂机械的集群,从发电的电厂到运输的飞机。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30