制造业智能化转型最重要的部分，就是让工厂上下每个部分的数据得到高效流通与治理，让数据像燃料一样得到高效燃烧，发挥出更大的价值，构筑起更加高效、弹性的生产流程。
IDC预测，2025年，属于数据分析的全球数据总量将增长至原来的50倍，达到5.2ZB。而这些数据，四分之三都将在集中式的数据中心之外的工厂、医院、零售商店中产生、计算。
但这些数据并非是孤立存在的，而是与万物相连接。这种连接分为两个方面：其一是连接海量的场景，其二是连接不同的新技术，最终形成一个完整的数字生态，并赋能于企业与国民的经济之中。
在“新基建”指导思想的出现，制造业转型被行业频繁提及的今天，很多企业感叹：工业企业行业众多，场景化和数据化也各不相同，针对工业应用场景的多样性，传统集中模式的云计算却未必是最优方案。
对他们来说，想要真正融合5G、人工智能、大数据，IoT等技术，并最终实现整体的降本增效，依然面临着一系列挑战。
先看一看，智能化程度比较高的制造业企业，是怎么让不同技术密切配合、以适应不同场景的：
宁德时代是全球动力电池的龙头企业，而对宁德时代来说，动力电池每一颗电芯都需要经过严格地检测，才能保证质量与安全。这就需要在生产过程中进行严格的瑕疵检测与筛选。
整个过程，简单来说就是：通过部署在生产线的IoT设备采集图像，生成数据。随后将数据交给边缘侧（所在工厂）的推理服务器进行标注，并与分析数据库比对给出最终结果，将瑕疵品排除。
这还没完，推理结果中如果出现了新的瑕疵特征，那么数据将被上传到云端服务器（宁德时代总部），对所有边缘设备的AI模型进行优化、训练，最终更新新的模型库，并将其部署到工厂。
这种“在靠近数据源头处就近提供边缘智能服务，并与云端服务器相互配合”的模式，被称为“云边协同”。
问题来了，在不同产业的数字转型纷纷要求“上云”， 云计算技术已经十分成熟的今天，为什么不将这些工作集中在云端进行，而是要用这样一个复杂的方案？
相比其他行业，制造业的数字化转型有着这样几点要求：“海量数据”、“即时交互”和“稳定安全”。
比如“海量数据”。一条产线上，为了配合夹具、机械手的工作，需要大量的IoT设备进行数据采集，对比较大的工厂来说，一天就能产生数个TB的数据。
其次是“即时交互”。整个流水线是在持续运转的，无论机械控制、瑕疵检测，异物检测，执行起来哪怕是延误个0.2秒，也是一个无法接受的事情，每一道工序都要求即时交互，立刻操作。
工业固有的特点，在转型过程中也带来了明显的弊端。一个典型而又广泛的场景是机器视觉领域，影像数据的传输和处理需要占用系统大量的资源，如果所有计算与数据都汇集一处，先传输回核心云端储存与计算，再传回终端执行，整个过程成本高、效率低、时延长，肯定来不及。
最终是“稳定安全”。如果采用集中式云服务，一旦网络故障，整个工厂都将受到影响。安全方面，云计算需要将数据上传到云端，对企业来说，整个过程将数据暴露在自己的系统之外，给数据安全带来了更高的威胁。
这就是工业化数字转型的难点所在：我们使用手机的过程中，网络有些卡顿、搜索结果不准确、某个软件正在维护，一般对个人都不会产生很大的影响；但在工业领域，这些差一点影响的都是真金白银，工厂老板都是不干的。
因此近几年制造业转型案例中，边缘端设备开始频繁出现。通过与人工智能、大数据、5G等技术的配合，形成更加高效与低成本的解决方案。
中国信通院牵头编写的《云计算与边缘计算协同九大应用场景》报告中曾对“云边协同”定义：“边缘计算是云计算概念的延伸，二者相依而生、协同运作。而云边协同，将成为未来的主流模式。”
可以说，云边协同等概念的出现与实践，正是为了弥补传统中心化云服务的短板。
首先，需要在边缘环境中部署智能设备，使边缘端能够处理这些关键任务数据并实时响应，提供近距离的数据传输与分析，将很多工作部署在本地，既可以大幅减少对传输资源的依赖与消耗，又可以大幅提升本地响应速度。
同时，只靠边缘设备只能处理局部数据，无法形成全局认知。所以在实际应用中仍然需要借助云计算平台，通过收集数据来进行第二轮评估、处理和深入分析，来实现信息的融合治理。确保数据同时满足安全隐私方面的需求，又可以发挥云服务快速迭代刷新的优势。
最终，通过分布式计算技术和合理的资源调度管理，把边缘计算节点的算力、存储等资源和云计算资源进行统一管起来，形成“逻辑集中，物理分散”的高效协同平台。
这就像眼前的设备与远方的云之间，部署了无数的“分布云”，将一部分云的功能前置、分担掉，打通AI的“最后一公里”，完成了一场算力的迁徙。
但“云边协同”体系描绘的图景虽好，想使用好并没有那么容易。
正如宁德时代的案例中，整个系统被设计得十分复杂，对稳定性提出了更高要求。这就需要边缘与云端有着更高的一致性。云端、边缘部署设备如果架构不同，为了解决异构运算问题可能要花费更多的成本与精力；如果每一家企业都需要自己从头构建场景，效率和成本都是问题。
这体现出了新技术融合的一体两面：
一方面，可以极大程度地提升效率，降低管理成本，并给企业的经营带来更多的灵活性。
另一方面，云、边缘、传输、储存、人工智能、大数据...不同技术之间的协调整合比使用孤立的技术更加困难，如何合理控制成本，平衡好投入产出价值，给更多企业带来了预料外的挑战。
智能转型本身就是一笔不小的投入，如何妥善完成转型，做到更高效的云边协同，做好投入与效率之间的平衡，是对很多企业的灵魂拷问。
在新的经济动能下，新的生态系统也在慢慢形成，在这样的环境下，能够提供“生态级支持”的技术合作伙伴，要比点对点的技术合作更容易实现数字化转型。换句话说，生态级的难题，需要的正是生态级的解决方案。
前文宁德时代的瑕疵检测，使用了来自英特尔的全套产品。
在这套解决方案中，宁德时代通过引入英特尔?至强?可扩展处理器、面向英特尔?架构优化的PyTorch以及OpenVINO?工具套 件等产品与技术，结合动力电池瑕疵检测实际场景，结合AI成功打造瑕疵检测方案，实现了高效的检测质量与效率。
整套方案体现了以下独特优势：
首先，实现了传输、算力等系统资源的“负载均衡”。云和边之间负载可以做到灵活移动，边和边之间也可以形成自治的网络，最后甚至可以实现“联邦学习”。瑕疵检测的效率得到了大幅提升，具备了更高的可靠性。
其次，借助云边协同的资源调度能力，工作人员更可以实时了解到产线情况，快速定位故障点，掌控全局。同时，检测场景的应对则更加灵活，比如当生产线中出现异物时，同样可以实现“异物检测”。
第三，对于企业来说，方案简单、快速见效：英特尔基于X86架构的系列产品，覆盖到了数据的采集、传输、计算、储存等全生命周期。可以最大程度保证边缘端与云端架构的软硬件一致性，减少软硬件适配时的成本与精力的同时，发挥出更高的效率。
第四，数据更多是在工厂内部完成处理，减少了数据安全威胁与网络质量对生产的影响。
事实上，在工业应用场景的多样性下，像这样通过云边协同建立起的技术案例还有很多：
在精密加工方面，汇川技术基于英特尔?酷睿?处理器以及OpenVINO?工具套件，借助云端训练的AI模型在边缘服务器中对采集的产品图像进行推理检测，实时纠偏。实现动态趋势补偿，有效消除累计误差，提升了加工精度。
在生产预测上，金风慧能基于 Analytics Zoo 所提供的统一端到端架构，结合多源气象数据，不断使用来自边缘（气象站点）、和其他云端（气象网络）的最新数据进行训练，通过自我学习，以不断迭代的方式提升预测系统的准确率。
目前云边协同对工业互联网生产流程的优化的场景，可以总结为：瑕疵检测、精密加工、时序预测、园区管理、企业决策，共五大方向。
而在当今的互联世界，基于英特尔?技术的云边协同案例，正为更多工业化场景带来更高的连接性、可靠性、安全性和可管理性，而诸如宁德时代、汇川技术、金风慧能等尝试，只是其中一些有代表性的应用案例。
在这个过程中，技术也正逐渐重塑不同产业的业务流程，以至于整个商业模式。随着云边协同技术的不断成熟，通过技术降低成本之后，就是产线柔性与场景的极大丰富。供需得到了更加合理地分配，企业口中的“降本增效”，也将不再那么遥远了。
传统中心化云服务的不足之处，正成为边缘计算发展的重要机会。基于整个制造业产生的案例与背后的数据，将推动行业带来更大的改变。而这，需要的则是中国制造行业，与像英特尔这样底层技术提供方的共同努力。