AI不僅推動了智能助手、機器翻譯和自動駕駛等應用的發(fā)展，還為工程師和科學家提供了一套處理通用任務的新技術(shù)。不過，雖然許多企業(yè)都認識到了AI的價值和潛力，但落地依然很難。

許多企業(yè)一度被實施AI的難度嚇倒——他們認為要做AI就必須成為數(shù)據(jù)科學專家；顧慮開發(fā)AI系統(tǒng)既費時又費錢；缺乏高質(zhì)量的標記數(shù)據(jù)；將AI集成入現(xiàn)有算法和系統(tǒng)中成本高而且很復雜……

這些挑戰(zhàn)正在從多個維度被逐步攻克。MathWorks首席戰(zhàn)略師Jim Tung在接受《電子發(fā)燒友》采訪時預測，隨著人工智能在多種工業(yè)應用中的快速發(fā)展，2020年將成為“AI驅(qū)動系統(tǒng)”年。其中，“系統(tǒng)”是關(guān)鍵詞，有五大應用趨勢將促成這一預測的實現(xiàn)。

五大趨勢促使2020年成為“AI驅(qū)動系統(tǒng)”年

趨勢一：現(xiàn)有勞動力技能、數(shù)據(jù)范圍和質(zhì)量之間的壁壘，開始消弭

Gartner在2019年的一項調(diào)研中，詢問了多家工業(yè)企業(yè)如下問題：“目前正在進行的AI項目有多少？在未來一年、兩年和三年中預期將進行多少項目？”調(diào)研結(jié)果顯示，未來3年中，企業(yè)開展的AI項目數(shù)量將增長10倍，并將其作為優(yōu)先任務。

針對同一批調(diào)查對象，Gartner就這些企業(yè)在應用人工智能和機器學習技術(shù)時所面臨的挑戰(zhàn)進行調(diào)研，發(fā)現(xiàn)首要的兩個壁壘是：團隊技能，以及數(shù)據(jù)的可用性（主要指合適范圍和質(zhì)量的數(shù)據(jù)）。這兩大壁壘對于AI技術(shù)的成功應用十分重要，亟待解決。

那么，現(xiàn)有勞動力技能、數(shù)據(jù)范圍和質(zhì)量的壁壘可以得到解決的依據(jù)是什么？Jim Tung認為，非常重要的一點是，越來越多的工程師和科學家正在參與到AI項目中，而不僅限于數(shù)學科學家，他們將帶來AI項目成功所必需的領(lǐng)域技能和知識。這些科學家能夠很好地獲取現(xiàn)有深度學習的預訓練模型，包括AI社區(qū)已經(jīng)公開的研究成果。利用傳感器數(shù)據(jù)將更有利于這些AI模型的應用，不僅限于深度學習常用的圖像數(shù)據(jù)，還包括時間序列、文本以及雷達信號等各方面數(shù)據(jù)。這些數(shù)據(jù)和模型的可用性，將支持AI在更多領(lǐng)域的廣泛應用。

工程師和科學家能夠充分利用自己對數(shù)據(jù)的了解，這將對AI項目的成功帶來很大影響。例如數(shù)據(jù)自動標注的工具，可以幫助他們加快這種高質(zhì)量大型數(shù)據(jù)集的準備工作。高質(zhì)量數(shù)據(jù)越多，AI模型準確度提高的可能性也越大，從而整個項目的成功概率也越高。

趨勢二：AI驅(qū)動系統(tǒng)進一步提升設(shè)計復雜度

工程師們并不滿足于在IT系統(tǒng)中的應用，正在將AI推廣到各種系統(tǒng)中，包括自動駕駛汽車、飛機引擎，以及工業(yè)廠房和風力發(fā)電機等等。AI模型的行為在一個多域的復雜系統(tǒng)中，會對整個系統(tǒng)的行為產(chǎn)生很大的影響。因此工程師們確實需要理解AI模型和系統(tǒng)的其他部分是如何配合工作的。他們期望使用基于模型設(shè)計的方法，通過仿真、AI模型的集成以及持續(xù)測試理解如何創(chuàng)建穩(wěn)健的AI驅(qū)動系統(tǒng)。

AI模型的用途也越來越廣泛，并不局限于汽車和工業(yè)設(shè)備等一些常見的工業(yè)領(lǐng)域，還包括其他所有涉及嵌入式系統(tǒng)、邊緣計算，以及企業(yè)系統(tǒng)的領(lǐng)域。

當設(shè)計越來越復雜，AI模型應用越來越廣泛時，又該如何進行AI驅(qū)動的系統(tǒng)設(shè)計？Jim Tung表示，重要的一點是要將AI模型放在系統(tǒng)級的語境中，在移植入硬件之前先對AI算法的行為進行仿真，判斷是否符合預期，并驗證基于AI設(shè)計的有效性。

一個示例是Voyage，他們將自動駕駛算法嵌入車輛中，為老人護理機構(gòu)提供服務，僅僅在3個月內(nèi)，就實現(xiàn)了Level3級別的無人駕駛汽車開發(fā)。正是因為基于模型的設(shè)計集成了AI功能和汽車的其他子系統(tǒng)，從而能夠快速地理解系統(tǒng)行為。

趨勢三：在低功耗、低成本嵌入式設(shè)備中部署AI愈加容易

AI系統(tǒng)在低功耗、低成本的嵌入式設(shè)備中更容易部署，這有利于AI模型在工業(yè)領(lǐng)域的應用。以往AI算法需要具備32位浮點運算能力的高性能計算系統(tǒng)，GPU、集群以及數(shù)據(jù)中心支持。現(xiàn)在，隨著軟件工具的發(fā)展，可以設(shè)計基于不同級別定點運算的AI推斷模型，并將其部署到不同的低成本、低功耗的嵌入式設(shè)備中，這使得工程師能夠在應用AI技術(shù)時有更多選擇，例如車輛的ECU電子控制單元以及更多的嵌入式工業(yè)設(shè)備等。

將AI算法應用在不同的嵌入式處理器中，以往的工作模式通常是算法或模型開發(fā)者和程序員合作。如今通過使用軟件工具，特別是自動代碼生成功能，可以在開發(fā)一次模型后，使用代碼生成功能將其部署到各種不同的平臺上，例如生成C++代碼，或生成CUDA代碼應用于GPU，以及HDL代碼，應用在FPGA上，一個來源、多個目標，全部自動實現(xiàn)。

不過，將浮點運算轉(zhuǎn)換為定點運算，并不能一蹴而就，這要求對代碼有很好的理解，以保證結(jié)果可預測并可靠。


趨勢四：強化學習從游戲轉(zhuǎn)移到工業(yè)場景中

強化學習因為在游戲領(lǐng)域得到廣泛應用而聞名，現(xiàn)在它已快速轉(zhuǎn)移到現(xiàn)實世界的工業(yè)應用場景中。原因在于強化學習能夠快速地幫助工程師解決復雜問題，例如在自動駕駛、自主系統(tǒng)，以及控制設(shè)計、機器人等領(lǐng)域。

為了實現(xiàn)強化學習，需要進行大量的模擬。仿真的重要性在于，每一次模型仿真的結(jié)果都用于學習，可以執(zhí)行多次仿真，也可以在云端和集群中進行并行計算，來提高學習速度。

為迎合這一趨勢，MathWorks開發(fā)了強化學習工具箱，支持內(nèi)置和自定義的強化學習智能體的應用。在MATLAB和Simulink中，用戶可以對環(huán)境進行建模，這是強化學習工作流的重要部分。同樣深度學習工具箱也支持強化學習策略的設(shè)計，GPU、云端訓練加速功能、嵌入式系統(tǒng)的代碼生成，以及供用戶快速進行項目開發(fā)的參考示例。


趨勢五：仿真可以降低數(shù)據(jù)質(zhì)量欠佳壁壘

數(shù)據(jù)質(zhì)量是AI成功實施的主要壁壘，通過仿真可以有效解決這一難題。為什么？Jim Tung分析，AI本可以在檢測故障、異常和失效情況的場景中十分有用，但問題在于，對故障狀態(tài)進行數(shù)據(jù)收集，可能有很高的風險且難以預測。一方面因為故障發(fā)生概率不高，另一方面收集數(shù)據(jù)的代價十分高昂，因為需要讓設(shè)備運行到出現(xiàn)故障，這樣難以收集到大量有效數(shù)據(jù)。

但是，如果通過仿真來呈現(xiàn)系統(tǒng)的故障行為，從而生成相應的數(shù)據(jù)，再結(jié)合實際的傳感器數(shù)據(jù)，可以對AI模型進行訓練來提高準確度。通過采用基于模型設(shè)計流程中開發(fā)的模型，對其進行調(diào)整，來模仿故障模式。這些故障模式的模型可以仿真生成大量數(shù)據(jù)來描述故障狀態(tài)，用于訓練AI模型以及故障檢測。

非AI領(lǐng)域?qū)＜沂茿I項目成功的關(guān)鍵，他們需要哪些工程支持？

Jim Tung認為，基于這五大趨勢，2020年將是十分重要的一年?！癆I驅(qū)動系統(tǒng)”將是一個非常重要的方向，尤其在工業(yè)應用領(lǐng)域。通過跨科學與工程和數(shù)據(jù)科學的工具，使用跨越整個設(shè)計流程的工具鏈，將AI模型與科學和工程的洞見相結(jié)合，都在降低AI的實施難度。

正如他在采訪中所強調(diào)的工程師和領(lǐng)域?qū)＜覍τ贏I項目至關(guān)重要，相關(guān)工具順應趨勢發(fā)生變化。如今，用于構(gòu)建基于AI的解決方案的工具正在從針對數(shù)據(jù)科學家的工具擴展到針對專業(yè)工程人員的工具。借助這些工具，工程師可以將AI驅(qū)動的功能和模型注入應用程序，而無需專業(yè)數(shù)據(jù)科學家的參與。

Jim Tung告訴《電子發(fā)燒友》，一個最新的用戶案例是復旦大學利用MATLAB開發(fā)相應的數(shù)學模型來預測新冠肺炎的傳染趨勢，并為官方提供了相應的公共措施方面的指導。MATLAB在該項目中的主要應用有：數(shù)據(jù)的可視化、預處理，模型的擬合、開發(fā)，參數(shù)的調(diào)優(yōu)，數(shù)值仿真和測試，應用程序的開發(fā)，最終以Web應用的形式部署。

相關(guān)領(lǐng)域的專家對AI項目的成功至關(guān)重要。他們能夠利用自己的專長選擇合適的數(shù)據(jù)，決定如何為AI建模準備數(shù)據(jù)，選擇針對應用簡化且有效的模型。并且，他們還能夠通過評估結(jié)果判斷模型是否合適，以及理解系統(tǒng)并識別在系統(tǒng)中可能出現(xiàn)的故障模式。

他們需要哪些工程支持？首先，使用應用程序和自動化工具準備標注完善的數(shù)據(jù)集；其次，完備的算法和內(nèi)置預訓練模型，便于快速訪問；第三，針對一些特定的垂直應用領(lǐng)域，例如預測性維護等，提供內(nèi)置的算法，可以幫助他們快速開發(fā)；第四，通過參考示例了解AI在不同領(lǐng)域的應用，可以根據(jù)這些參考示例，結(jié)合各自需求進行修改。

為了幫助非AI領(lǐng)域?qū)＜矣行褂孟嚓P(guān)技術(shù)，MathWorks提供了一系列應用程序，例如在深度學習工作流中的應用Deep Network Designer，支持用戶直接獲取預訓練模型、導入網(wǎng)絡(luò)、訓練圖像分類網(wǎng)絡(luò)、并生成MATLAB代碼用于后續(xù)的自動訓練，都是以按鍵點擊的方式來執(zhí)行，在應用程序引導下，他們可以完成工作流中的設(shè)計和分析等各個步驟。

同時，MATLAB提供了完整的軟件功能，包括當前的領(lǐng)先技術(shù)。例如AutoML，可以通過自動化的方式實現(xiàn)在機器學習中的各個步驟，包括特征生成、特征選擇以及模型選擇等，同時也可以將AI與其他技術(shù)結(jié)合，包括信號處理、圖像處理以及優(yōu)化，用戶還能夠創(chuàng)建自定義的方法，并且結(jié)合使用其他語言開發(fā)的方法，進行集成。

找到工業(yè)企業(yè)對AI的痛點需求

既然今年有望成為工業(yè)應用的“AI驅(qū)動系統(tǒng)”年，那么，找到工業(yè)企業(yè)對于AI的痛點需求顯然至關(guān)重要。由于傳統(tǒng)工業(yè)企業(yè)在AI的實施中普遍偏保守，他們對于新技術(shù)的選擇往往非常謹慎，需要確定生產(chǎn)系統(tǒng)是穩(wěn)健的，需要足夠的經(jīng)驗積累。這些都造成了AI在工業(yè)領(lǐng)域難以快速落地的局面。

Jim Tung結(jié)合他的觀察談到，在數(shù)字化浪潮中，傳統(tǒng)企業(yè)并未抗拒變革，一些企業(yè)在幾年前就開始了數(shù)字化轉(zhuǎn)型，但是大多數(shù)以失敗或進展遲滯告終。常見的失敗模式有兩種：一是花了太多時間為所需數(shù)據(jù)構(gòu)建IT基礎(chǔ)設(shè)施，但最后發(fā)現(xiàn)方向是錯誤的，以至于耗費了過高的時間、人力和費用成本。二是一些企業(yè)嘗試躍進式的轉(zhuǎn)變，試圖從傳統(tǒng)的商業(yè)模式直接切換到全新的商業(yè)模式，招了大量新人、收集新想法，但是反而在某些情況下流失了現(xiàn)有人才。

Jim Tung認為，那些能夠成功進行數(shù)字化轉(zhuǎn)型的企業(yè)，往往非常務實。首先他們能找出一些特定項目，以此為起點進行管理，逐步遞增。項目體量適當，既具有足夠的挑戰(zhàn)性，能產(chǎn)生投資回報，又不會風險過高。他們通過已經(jīng)積累的經(jīng)驗和資源，系統(tǒng)地使用工具、工作流和模型，是一種更系統(tǒng)且成功概率更高的方式，更有助于實現(xiàn)轉(zhuǎn)型。

他強調(diào)，AI在工業(yè)應用中成功的最重要的因素，在于充分地利用領(lǐng)域?qū)＜覀兊慕?jīng)驗積累。他們能利用在創(chuàng)建、維護系統(tǒng)時所積累的專業(yè)知識，同時結(jié)合數(shù)據(jù)科學和AI知識。企業(yè)可以雇傭具有這方面專業(yè)技能的新人或者幫助領(lǐng)域?qū)＜姨岣咚麄冊跀?shù)據(jù)科學方面的技能。如果把這兩個群體分開，嘗試各自去解決問題，往往難以成功。

幫助用戶管理和優(yōu)化資產(chǎn)是當前AI工業(yè)應用的重點

眼下，人工智能的主要問題仍是如何在實際應用中投入生產(chǎn)。作為軟件工具提供商，MathWorks主要從以下四方面應對挑戰(zhàn)：一是當負責生產(chǎn)的團隊對AI開發(fā)的細節(jié)不太精通時，例如選擇模型類型、調(diào)整超參數(shù)、評估性能等有困難，可以使用AutoML方法將這些步驟自動化，這是關(guān)鍵的實現(xiàn)方法；二是缺乏生產(chǎn)系統(tǒng)需要運行的一系列場景的綜合數(shù)據(jù)集，將AI開發(fā)工具與系統(tǒng)仿真工具相結(jié)合，能夠合成數(shù)據(jù)，并通過并行運行仿真加速，有助于克服這一挑戰(zhàn)；三是AI組件通常需要在功耗和計算受限的系統(tǒng)中運行，因此提供功能強大、易于使用的工具來量化在此類系統(tǒng)中運行的神經(jīng)網(wǎng)絡(luò)至關(guān)重要；最后，識別一個有效的深度學習網(wǎng)絡(luò)需要大量的實驗，包括訓練、調(diào)整超參數(shù)、比較結(jié)果和管理不同的數(shù)據(jù)集，系統(tǒng)地做到這一點并跟蹤每件事可能是一個挑戰(zhàn)，為此MathWorks引入了Experiment Manager（實驗管理器），幫助用戶運行和組織他們的深度學習實驗。

在Gartner剛公布的《2020年數(shù)據(jù)科學和機器學習平臺魔力象限》中，MathWorks被評為領(lǐng)導者。Jim Tung表示，未來，越來越多的數(shù)據(jù)將來自于機器和硬件資產(chǎn)，AI的應用前景不僅體現(xiàn)在商業(yè)數(shù)據(jù)挖掘上，更重要的是怎樣管理和優(yōu)化資產(chǎn)。MathWorks主要關(guān)注工業(yè)用戶，即那些建造并提供實際的物理設(shè)備、機器、汽車的企業(yè)等，幫助他們以更簡單、有效的方式實現(xiàn)AI應用。