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

許多企業一度被實施AI的難度嚇倒——他們認為要做AI就必須成為數據科學專家；顧慮開發AI系統既費時又費錢；缺乏高質量的標記數據；將AI集成入現有算法和系統中成本高而且很復雜……

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

五大趨勢促使2020年成為“AI驅動系統”年

趨勢一：現有勞動力技能、數據范圍和質量之間的壁壘，開始消弭

Gartner在2019年的一項調研中，詢問了多家工業企業如下問題：“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？”調研結果顯示，未來3年中，企業開展的AI項目數量將增長10倍，并將其作為優先任務。

針對同一批調查對象，Gartner就這些企業在應用人工智能和機器學習技術時所面臨的挑戰進行調研，發現首要的兩個壁壘是：團隊技能，以及數據的可用性（主要指合適范圍和質量的數據）。這兩大壁壘對于AI技術的成功應用十分重要，亟待解決。

那么，現有勞動力技能、數據范圍和質量的壁壘可以得到解決的依據是什么？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，而不僅限于數學科學家，他們將帶來AI項目成功所必需的領域技能和知識。這些科學家能夠很好地獲取現有深度學習的預訓練模型，包括AI社區已經公開的研究成果。利用傳感器數據將更有利于這些AI模型的應用，不僅限于深度學習常用的圖像數據，還包括時間序列、文本以及雷達信號等各方面數據。這些數據和模型的可用性，將支持AI在更多領域的廣泛應用。

工程師和科學家能夠充分利用自己對數據的了解，這將對AI項目的成功帶來很大影響。例如數據自動標注的工具，可以幫助他們加快這種高質量大型數據集的準備工作。高質量數據越多，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驅動系統進一步提升設計復雜度

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

AI模型的用途也越來越廣泛，并不局限于汽車和工業設備等一些常見的工業領域，還包括其他所有涉及嵌入式系統、邊緣計算，以及企業系統的領域。

當設計越來越復雜，AI模型應用越來越廣泛時，又該如何進行AI驅動的系統設計？Jim Tung表示，重要的一點是要將AI模型放在系統級的語境中，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，為老人護理機構提供服務，僅僅在3個月內，就實現了Level3級別的無人駕駛汽車開發。正是因為基于模型的設計集成了AI功能和汽車的其他子系統，從而能夠快速地理解系統行為。

趨勢三：在低功耗、低成本嵌入式設備中部署AI愈加容易

AI系統在低功耗、低成本的嵌入式設備中更容易部署，這有利于AI模型在工業領域的應用。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，GPU、集群以及數據中心支持。現在，隨著軟件工具的發展，可以設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、低功耗的嵌入式設備中，這使得工程師能夠在應用AI技術時有更多選擇，例如車輛的ECU電子控制單元以及更多的嵌入式工業設備等。

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。

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


趨勢四：強化學習從游戲轉移到工業場景中

強化學習因為在游戲領域得到廣泛應用而聞名，現在它已快速轉移到現實世界的工業應用場景中。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，以及控制設計、機器人等領域。

為了實現強化學習，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果都用于學習，可以執行多次仿真，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開發了強化學習工具箱，支持內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計，GPU、云端訓練加速功能、嵌入式系統的代碼生成，以及供用戶快速進行項目開發的參考示例。


趨勢五：仿真可以降低數據質量欠佳壁壘

數據質量是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，對故障狀態進行數據收集，可能有很高的風險且難以預測。一方面因為故障發生概率不高，另一方面收集數據的代價十分高昂，因為需要讓設備運行到出現故障，這樣難以收集到大量有效數據。

但是，如果通過仿真來呈現系統的故障行為，從而生成相應的數據，再結合實際的傳感器數據，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計流程中開發的模型，對其進行調整，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據來描述故障狀態，用于訓練AI模型以及故障檢測。

非AI領域專家是AI項目成功的關鍵，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。“AI驅動系統”將是一個非常重要的方向，尤其在工業應用領域。通過跨科學與工程和數據科學的工具，使用跨越整個設計流程的工具鏈，將AI模型與科學和工程的洞見相結合，都在降低AI的實施難度。

正如他在采訪中所強調的工程師和領域專家對于AI項目至關重要，相關工具順應趨勢發生變化。如今，用于構建基于AI的解決方案的工具正在從針對數據科學家的工具擴展到針對專業工程人員的工具。借助這些工具，工程師可以將AI驅動的功能和模型注入應用程序，而無需專業數據科學家的參與。

Jim Tung告訴《電子發燒友》，一個最新的用戶案例是復旦大學利用MATLAB開發相應的數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：數據的可視化、預處理，模型的擬合、開發，參數的調優，數值仿真和測試，應用程序的開發，最終以Web應用的形式部署。

相關領域的專家對AI項目的成功至關重要。他們能夠利用自己的專長選擇合適的數據，決定如何為AI建模準備數據，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果判斷模型是否合適，以及理解系統并識別在系統中可能出現的故障模式。

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據集；其次，完備的算法和內置預訓練模型，便于快速訪問；第三，針對一些特定的垂直應用領域，例如預測性維護等，提供內置的算法，可以幫助他們快速開發；第四，通過參考示例了解AI在不同領域的應用，可以根據這些參考示例，結合各自需求進行修改。

為了幫助非AI領域專家有效使用相關技術，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、導入網絡、訓練圖像分類網絡、并生成MATLAB代碼用于后續的自動訓練，都是以按鍵點擊的方式來執行，在應用程序引導下，他們可以完成工作流中的設計和分析等各個步驟。

同時，MATLAB提供了完整的軟件功能，包括當前的領先技術。例如AutoML，可以通過自動化的方式實現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與其他技術結合，包括信號處理、圖像處理以及優化，用戶還能夠創建自定義的方法，并且結合使用其他語言開發的方法，進行集成。

找到工業企業對AI的痛點需求

既然今年有望成為工業應用的“AI驅動系統”年，那么，找到工業企業對于AI的痛點需求顯然至關重要。由于傳統工業企業在AI的實施中普遍偏保守，他們對于新技術的選擇往往非常謹慎，需要確定生產系統是穩健的，需要足夠的經驗積累。這些都造成了AI在工業領域難以快速落地的局面。

Jim Tung結合他的觀察談到，在數字化浪潮中，傳統企業并未抗拒變革，一些企業在幾年前就開始了數字化轉型，但是大多數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據構建IT基礎設施，但最后發現方向是錯誤的，以至于耗費了過高的時間、人力和費用成本。二是一些企業嘗試躍進式的轉變，試圖從傳統的商業模式直接切換到全新的商業模式，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有人才。

Jim Tung認為，那些能夠成功進行數字化轉型的企業，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，既具有足夠的挑戰性，能產生投資回報，又不會風險過高。他們通過已經積累的經驗和資源，系統地使用工具、工作流和模型，是一種更系統且成功概率更高的方式，更有助于實現轉型。

他強調，AI在工業應用中成功的最重要的因素，在于充分地利用領域專家們的經驗積累。他們能利用在創建、維護系統時所積累的專業知識，同時結合數據科學和AI知識。企業可以雇傭具有這方面專業技能的新人或者幫助領域專家提高他們在數據科學方面的技能。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。

幫助用戶管理和優化資產是當前AI工業應用的重點

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。作為軟件工具提供商，MathWorks主要從以下四方面應對挑戰：一是當負責生產的團隊對AI開發的細節不太精通時，例如選擇模型類型、調整超參數、評估性能等有困難，可以使用AutoML方法將這些步驟自動化，這是關鍵的實現方法；二是缺乏生產系統需要運行的一系列場景的綜合數據集，將AI開發工具與系統仿真工具相結合，能夠合成數據，并通過并行運行仿真加速，有助于克服這一挑戰；三是AI組件通常需要在功耗和計算受限的系統中運行，因此提供功能強大、易于使用的工具來量化在此類系統中運行的神經網絡至關重要；最后，識別一個有效的深度學習網絡需要大量的實驗，包括訓練、調整超參數、比較結果和管理不同的數據集，系統地做到這一點并跟蹤每件事可能是一個挑戰，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年數據科學和機器學習平臺魔力象限》中，MathWorks被評為領導者。Jim Tung表示，未來，越來越多的數據將來自于機器和硬件資產，AI的應用前景不僅體現在商業數據挖掘上，更重要的是怎樣管理和優化資產。MathWorks主要關注工業用戶，即那些建造并提供實際的物理設備、機器、汽車的企業等，幫助他們以更簡單、有效的方式實現AI應用。