1. 通过标准化协议实现联网机器无缝互操作确保互联性至关重要，即在工厂中实现机器和模块的动态重组。为保证不同供应商的设备实现无缝互操作，标准化协议（如 OPC UA TSN ）将发挥关键作用。繁琐的布线及电缆线路将消失无踪，取而代之的是无线协议，如 5G 及其衍生技术。然而，机器不仅相互连接，还会连接到云系统。在云系统中，运用弹性计算能力运行强大的算法，处理业务数据和工程数据。
2. 强化学习再度升级经过强化学习 (RL) 训练后，AI（人工智能）程序在围棋和国际象棋等棋盘游戏中屡屡击败人类选手，但在工业 4.0 时代将发挥更大的作用。强化学习帮助工程师在机器人和自主系统、自动驾驶、控制设计和机器人技术等复杂系统中实现控制器和决策算法。我们将见证巨大成功，RL势必成为改进大型系统的重要一环。关键促成因素是为工程师提供易用的工具，以构建和训练RL 策略、生成大量仿真数据用于训练、轻松将强化学习智能体（agent）集成至系统仿真工具并为嵌入式硬件生成代码。强化学习有助于在工业领域实现重大突破，提高移动工厂设备的自动化水平，甚至实现无人操作。
3. 协作机器人与人类密切合作自动化行业一度讨论着“单一样本量”的美好愿景 — 如何通过多条生产线生成定制样本，无需投入漫长的转换时间，也不必容忍其他低效现象。在工业 4.0 时代，这一愿景终将实现，从而满足实现全方位个性化生产的需求。为此，不能在车间采用固定不灵活的方式设置机器，设定并调整参数后，用于生成某款特定产品长达数月乃至数年。。未来的生产线必须灵活多样— 采用多个可重组的机电模块构建而成，配备越来越多的机器人或“协作机器人”（协作机器人与人类密切合作），同时运用 AI 技术根据生产线制造的下一款个性化产品进行参数设置并调整机器。
4. 仿真使虚拟调试成为现实随着软件复杂度的攀升及模块化软件组件组合数量的增长，在物理机上开展综合测试的难度越来越大，耗时也越来越长，终将演变成为一项无法完成的任务。鉴于此，在部署物理生产线之前，根据仿真模型对软件进行虚拟调试，验证是否存在错误并证实是否满足需求变得至关重要。目前，一批创新领军企业（如全球领先的瓶装生产线制造商 Krones）已经开始采用多域仿真模型进行虚拟调试。
5. 随着边缘计算的进步，预测性维护和 AI 不断发展鉴于边缘计算设备和工业控制器持续发展，计算能力随之快速提升。在云系统的大力配合下，为开创生产系统软件功能新局面铺平了道路。AI算法将动态优化整条生产线的产量，同时尽量减少能源及其他资源消耗，节省大量资金。预测性维护将不断进步，不再局限于考察一台机器或一个场地的数据，而是综合考量多家工厂乃至多个不同供应商的设备数据。根据要求，这些算法可部署到非实时平台及实时系统（如 PLC）。
6. 利用优质数据消除部分 AI 部署障碍我们深知，训练准确的 AI 模型需要大量的数据，分析师调查将数据质量视为成功采用AI 技术面临的首要障碍。2020年，仿真将帮助降低这项壁垒。您通常拥有大量的系统正常运行数据，但真正需要的却是来自异常或严重故障情况的数据。这对于预测性维护应用情形更是如此，例如准确预测工业场地中泵的剩余使用寿命。由于从物理设备创建故障数据不仅存在破坏性而且代价高昂，最佳做法是通过仿真呈现故障行为来生成数据，进而运用合成数据训练准确的AI 模型。仿真很快会成为 AI 驱动系统的关键促成因素。
7. 数据科学家将不再是唯一的主导群体在上述所有趋势中，在未来工厂工作的人类将成为变革中最重要的一环。随着技术和工具的推广应用，越来越多的工程师和科学家（不仅限于数据科学家）将参与到AI 项目中。在未来工厂中，工程师必需能够构建模型、处理大型数据集并操控相应的开发工具，以便迎合上述种种趋势。因此，建设及经营工业设备的企业需要调整招聘方向，聘请大批截然不同的资深工程师，为迎接未来发展做好充分准备，工业4.0 仅仅是个开始。
总结
从协作机器人与人类密切合作，到通过仿真使虚拟调试成为现实，2020 年将涌现出大量趋势，必然会对未来工厂产生颠覆性影响。适应这些变化绝非易事，但只要秉承团队合作意识，采用适当的工具，终将可以实现。
“直击新基建”围绕5G、数据中心、云计算等领域，覆盖投资、政策、建设、运营、市场趋势等多个方面，邀请不同领域、不同占位的专家学者”解读“新基建。