德國的工業4.0在推進與建設的過程中不太順利，且因爲信息物理系統CPS的技術障礙和5G的到來，被迫停滯，就有傳聞說“工業4.0計劃”已經失敗，但事實上大多數人並沒有因爲物聯網項目的失敗而放棄，他們認爲從中吸取的經驗和教訓，讓他們加速了IoT投資，在短期內可能面臨各種糾結和挑戰，從長期角度仍應堅決看好。
關於工業互聯網的發展路徑，更多人理性客觀的意識到了這並不是一蹴而就的事情，而是“點”、“線”、“面”逐步開展落地應用。更令人關注的還有工業互聯網的商業模式問題，軟硬件的搭配如何賺錢？從硬件的一錘子買賣到靠軟件的可持續盈利之路該怎麼走？
從現階段來看，工業互聯網的硬件產品是小量多樣的長尾市場。追求硬件利潤的同時，很難賺取海量數據，於是很多企業開始了轉型的艱難之旅。與此呼應，最終用戶也開始希望不是在IIoT雲平臺上，而是在工業現場就能開展對運行數據的分析和處理。主要的好處包括：實現從設備分析到企業決策的閉環;降低(或省去)部署和運營 IT 系統的成本;分擔信息化平臺的運轉負荷;數據運算與處理的實時性要求;數據的本地化處理以提升系統的信息安全。
市場嗅覺靈敏並可快速響應變化的企業，推出了功能相似的邊緣側軟硬件一體化數據處理方案。利用已經驗證的高可靠性產品，推進硬件的標準化，增加人工智能分析能力，通過軟件和系統形成差異化，並積極賺取數據、模型和經驗，推進從數據到決策的流程，立足服務SaaS化和長期發展。
已有公司研發出了新一代的邊緣控制器，搭載工業人工智能算法，滿足用戶對於預測性維護與分析的需求，並有越來越多的企業加入到這個賽道。例如：LogixAI分析模塊、Sysmac AI控制器、Simatic S7-1500神經處理器。
LogixAI分析模塊，新增了對異常狀況進行預測性分析的能力。用戶已經不需要在其中加裝單獨的應用程序，直接通過以太網端口接入模塊，然後在 Web 瀏覽器上對相關應用模型進行參數配置，就可以實現對系統數據進行分析和預測的功能。
Sysmac AI控制器，在異常檢測的算法上使用“孤立森林”(Isolation Forest)機器學習引擎開發。對內存要求很低，且處理速度很快，其時間複雜度也是線性的，非常適合高速實時處理，可以通過微調提高檢測精度和準確性。同時，還適用於多模態數據，可用於需要兩種或多種操作模式的高度混合的產線。
SimaticS7-1500神經處理器，能夠實現神經網絡的高效處理。傳感器的數據和來自CPU程序的數據，在神經網絡的基礎上進行處理。藉助機器學習算法，諸如生產工廠的視覺質量檢驗或圖像引導的機器人系統等應用將得以有效實現。
上述產品目前仍處於比較早期的市場培育階段。現階段它們似乎更適合在生產品質管理、重點設備的預測性維護等一些與經濟效益密切相關的場景中使用。最終完成從數據到決策的過程，還需要深層次的觸發商業模式變革。