在物联网发达的今天，该怎样保护隐私？

工业4.0和工业物联网(IIoT)已成为大众话题，但许多人都没有意识到，在将物联网(IoT)原理运用于工厂的生产流程时，在转换过程中会损失什么。

建立IIoT的理念是，运用于加速IT技术进展的技术同样可以应用于运营技术(operational technology，OT)。这个想法仍然合理，但工厂生产在线有一些细微差别被忽略了，这两种环境仍然有所不同。

一方面，摩尔定律(Moore’s Law)多年来一次又一次地满足了IT界对速度更快、功能更强大的处理器的无止境追求。然后是人工智能(AI)；随着深度学习开始应用到各个专业领域，例如机器翻译(machine translaTIon)、药物设计(drug design)和西洋棋，制造产业开始意识到机器也可以产出与人类专家相当——在某些情况下甚至优于人类专家——的成果。

另一方面，现在OT领域中部署的控制系统仍处于工业时代，很多工厂和公用基础设施尚未连网。它们建立在专属控制系统之上，只能在封闭环境中运作，独立于IT基础设施。

工厂管理者发现，将IT基础设施的进展转移到工业控制系统并非易事；首先必须将IT机制转化为OT，而最适合执行这个任务的，非早已熟悉工厂环境的那些公司莫属，例如英飞凌(Infineon)、瑞萨(Renesas)、意法半导体(STMicroelectronics)和德州仪器(TI)等。
TI副总裁暨连网微控制器事业部门总经理Ray Upton表示，比较IT和OT系统，OT在能源消耗和延迟等方面的要求与IT截然不同，“工厂生产在线的各种帮浦和马达内部有成百上千个传感器，绝不允许停机；”他表示：“可预测性、安全性、可靠度和能效等条件，对工业控制系统至关重要。”

而一座智能工厂所需的基础设施，其强韧度和可靠度要比一般的IT基础设施高出一个等级。

公用因特网连结？

最棘手的一个IIoT挑战是连结，无论是有线还是无线；按照定义，工业物联网需要与因特网连结，但工厂管理层最不希望看到的是制造系统受到网络攻击。实际上，多年来人们都认为工业控制系统(ICS)环境应该与IT网络隔离(air-gapped)，以防范黑客攻击。
但是大多数专家现在却承认，除了像核能发电厂那样的特殊环境，“隔离不切实际，”工业用网络安全方案供应商CyberX副总裁Phil Neray如是说。

Neray表示：“有越来越多IT和OT网络连网，以方便工业设备的远程监控和维护；但这却增加了遭受攻击的可能性；”根据CyberX的“全球ICS与IIoT风险报告”(Global ICS & IIoT Risk Report)，有三分之一的OT网络是与公共网络相连。

“更糟糕的是，”他补充指出：“大多数OT通讯协议都是多年前所设计，而且在设计时就不够安全；”例如，对于将新的梯形逻辑(ladder logic)或韧体上传到控制器而言，这类协议并不需要认证。简而言之，破解了OT网络的攻击者通常可以自由地破坏其许多ICS设备。显然，除了OT管理人员愿意承认的问题以外，还有很多的工厂安全问题需要解决。

工厂管理层所关注的另一个重要问题是，如何更妥善地将AI导入OT。动机很明确：德国和日本的人口数量正在迅速减少，尤其是15至64岁之间的劳动年龄层，制造业从业人数将在未来40年内急遽减少。即使是中国，2020年后的劳动人口也将大幅减少。

让我们来假想一下，在你的工厂里有一个老练的营运经理，我们暂且叫他Larry；他有很丰富的经验，能够发现生产在线的某些异常现象。然而，要是AI能够做Larry的工作，那么我们何必要让Larry去工厂生产在线检查制造过程中的每个环节，或者雇用更多像Larry这样的经理呢？似乎AI可以发现并传达任何可能引起生产故障的异常情况。AI可望实现生产线的持续监控，确保小缺陷不会进入到生产的下一个阶段。

理论上是这样，因此工厂管理层现在就渴望能尝试AI；然而要想将AI运用到工厂生产线，要比预期困难得多。

日本MCU领导供货商瑞萨对客户进行了调查，发现有超过30%的工厂已经导入AI技术，尽管它们的规模都不大；而在那些已经开始导入AI的客户中，有80%表示他们还无法完成概念验证。他们对AI的实现成本感到惊讶，并表示他们不知道何时可以看到投资报酬。瑞萨发现，只有6%的调查对象正在推进AI智能制造。

有部份企业将这个问题归咎于他们的AI应用经验不足；其他公司则表示他们内部缺乏能够充分利用这项技术的数据科学家。

统计性vs.实时连续AI

瑞萨工业解决方案事业部战略和规划部门资深总监马场光男(Mitsuo Baba)认为最先会遇到的困难是IT和OT AI实现之间的差异。针对工厂营运的“实时连续AI”(Real-TIme continuous AI)与大数据公司推动IT自动化采用的“统计性AI”(statistical AI)有着鲜明对比。
AI不是万灵药，马场表示，当生产在线的特定问题已经被确定时，AI最能妥善应用于OT；AI会要求OT管理者将生产过程分解为多个小块，然后在每个终端节点进行AI推理，使用实时输入数据来执行“做或不做”的决策。

每家想要在智能工厂推销IIoT和AI解决方案的芯片供货商，都是先在自己的晶圆厂进行概念验证测试。Upton透露，该公司正在其德国工厂展开IIoT试运转项目；TDK技术长松冈大(Dai Matsuoka)则表示，该公司已在其日本和欧洲的生产在线安装了以多模传感器(multimodal sensor)为基础的预测分析系统。

瑞萨已经在其那珂晶圆厂(Naka Fab)展开了为期两年的AI试运转项目；根据马场表示，瑞萨工程师将AI单元连接至半导体制造设备，该装置可以用20倍的速度收集数据并进行AI分析，无需连接到广域网，也不需要将数据传送到云端。瑞萨指出，在其传统的故障检测和分类系统中增加e-AI方案，可以使异常检测精度提高六倍。

根据业界消息，美国大厂GE旗下子公司GE Healthcare Japan听说瑞萨那珂厂的应用案例后，也在其日本的日野(Hino)厂采用瑞萨的AI解决方案来测试其效果。GE Healthcare在现有设施中以附加AI单元的形式，安装了针对故障检测和预测性维护开发的系统；根据该公司表示，测试结果显示整体产品缺陷减少了65%。

AI在工厂中的应用仍处于初期发展阶段，对于嵌入式技术供货商如何学会了让AI在自家生产在线发挥作用，制造商将会听到更多的案例；这些故事听起来充满希望，但还是先抱持怀疑的态度吧！