工業物聯網（IIoT）將原本獨立編程的各種裝置，全結合在同一個智能網絡系統。這些系統通常具備實時運算、資料互連、資安集成、高性能、可靠、可擴充等能力。由于當前采用的云端解決方案仍有不少限制，因此有越來越多先進且高價值的IIoT使用案例，開始從云端轉向霧運算（fog computing）。

　　Embedded Computing Design報導指出，IIoT的演變，根據資料互連性與人工智能（AI）程度的不同，可分為監控、最佳化與自主性三個層級。監控包含了等預測性維修、資產追蹤等資產績效管理工作。這個層級的資料只是從邊緣流向后端云端或控制中心，彼此間并未產生互連性。人工智能與先進分析都只在后端運行。

　　這個層級的使用案例重點，在于流程的最佳化，也就是利用傳感器擷取的資料，監控并改進整個工業流程。隨著傳感器使用數量提升，為減少傳輸至后端的資料量，系統開始產生邊緣分析的需求，而邊緣分析也將持續提升流程的P2P資料互連性。如此一來，IIoT系統便具備資料互連性與分層的運算功能，而這都需有霧運算的支持。

　　進入自主性層級的IIoT，主要利用AI管理系統，不再需要人為介入。各項決策權與控制將依據反應時間要求與資料規模，分配到IIoT系統的不同階層。這個層級的實時資料會在各個運算節點間移動。如果沒有霧運算，系統便不可能擁有自主性，而透過霧運算，業者便能開發出更有彈性、韌性的自主化系統。

　　舉例而言，離岸風力發電農場引進物聯網技術后，每座風力發電機內的數據總線（databus）便可在各個運算節點的分析與控制應用間進行資料分享。當安裝在某一座風力發電機的傳感器偵測到風向或風力變化時，便可通知其它下風處的風力發電機做出調整，以維持整座風力發電農場的穩定輸出。

　　發電農場的資料也可在傳回至后端的控制中心后，與氣象、集成業務系統等其它服務結合，產生長期的預測及分析資料。監控層級的IIoT并無部署霧運算的必要，但對于最佳化使用案例而言，霧運算可說是十分理想的功能；對于自主性使用案例，霧運算更是關鍵。

　　以Linux容器等靈活的運算框架有助于簡化AI應用的部署與管理，而資料分散式服務（DDS）等連網標準，是最佳化與自主性使用案例達成資料互連性不可或缺的基礎。