作者：是德科技Jeff Harris

著名的開爾文勛爵曾經說過："如果你不能測量它，你就不能改進它"。

測量是一切科學研究的基礎，沒有測量就沒有科學。

每當你評估任何東西的潛力時，都要從基礎開始。AI 系統的基礎就是它的測量能力。它能夠測量的條件越多，潛在的影響力就越大。我們要了解它能夠進行哪些測量，更重要的是，我們還要知道它不能進行哪些測量。AI 算法的潛力會受到感測能力的限制。開爾文勛爵曾經的名言至今仍不過時――“無法測量，則無法改進”。要想了解 AI 的真正能力，請務必從分析其測量的廣度和深度開始。

每個AI算法的核心都有三個基本要素。

1）測量的能力，

2）知道你測量的東西有多少需要被處理，

3）一次處理多個輸入的能力。

系統的潛力是指它的可測性以及可達到的測量深度，而潛力的發揮則指的是決定系統必須將哪些方面的測量結果發送給處理器進一步處理。最后，傳感器融合指的是了解如何以正確的比例將不同傳感器的測量結果合并在一起，算法的智商有多高，推理的潛力有多大，這是我們探索的關鍵。通過反饋環路增強傳感器融合，算法將能夠校驗和糾正自身的邏輯，這是機器學習必不可少的一個組成部分。

這三個屬性對于了解人工智能的深度非常關鍵，尤其是其獨特能力方面。我們發掘和校準的基礎要素越多，人工智能算法的長遠表現就越好。介紹了我們要探索的三個領域之后，接下來我們深入了解第一個方面——測量深度，以及它對構建穩健的高性能AI算法基礎的重要性。

測量深度

計量學是對測量科學的研究，在構建穩健算法的過程中，測量深度發揮著至關重要的作用。Gagemaker規則（10:1規則）規定，測量設備的精度必須比被測對象高10倍。測量深度之所以如此關鍵，是因為它決定了可能的精度水平，限定了算法的最大潛力。因此，在任何一項指定測量時，精度越高，AI算法的潛力就越大。

計量學側重于對特定測量的深入理解。這種測量可以像電壓、接地或溫度那樣簡單明了，也可以像飛行器控制面一樣涉及多個模態，十分復雜，比如像最大化制造裝配線的吞吐量那樣復雜。無論你是測量一個參數還是多個參數，測量深度決定了可能的可編程能力。例如，測量一個3伏的系統到1/10伏，在洞察力方面，就無法與1/1000伏的測量精度同日而語。取決于給什么樣的系統供電，額外的精度可能會對電池的續航時間至關重要，也可能只是雞肋般的多余。充分發揮算法的潛力必須讓整個端到端測量需求與所需的深度相匹配。無論測量的對象是什么，這一點都是正確無誤的，即使是可能不那么直觀的數據系統也不例外。下面，我們來看一個示例。

如何優化測量

企業IT堆棧是一個復雜的數據互連系統網絡，每個系統需要交換信息來協調組織的運營。這些技術堆棧包含一系列軟件，例如CRM、ERP、數據庫、訂單履行等等，每一種軟件都有各自獨特的數據格式和自定義應用編程接口（API）。Salesforce的數據顯示，公司的技術堆棧中應用軟件個數平均有超過900個，其中許多是云應用，并且它們的軟件更新都可能會產生連鎖反應。發現問題和隔離問題就如同大海撈針一般，優化多個交叉應用軟件的性能其難度就更加可想而知。

企業中技術堆棧內的每個應用軟件會有一個不同的責任部門，譬如財務、人力資源、銷售、營銷、供應鏈。IT會將主要組織的需求放在首位。每家企業都有特別定制的工作流程，也會集成眾多應用軟件和后端系統，用戶使用軟件的行程或旅程會涉及各種路徑，單一的線性旅程非常少見。因此，即使兩家企業的技術堆棧中使用了同樣的應用軟件，他們的所有交換點映射以及端到端操作驗證方式也會完全不同。需要人工智能的應用軟件因此應運而生。在這種情況下，測量位置可能是系統間的數據輸入點，也可能是系統內的數據交換點和數據顯示點。

要了解AI算法如何在這樣的系統中運作，首先要了解它如何在三個關鍵領域測量點數據。

?評測用戶與應用軟件的交互方式，無論使用的是什么操作系統。在某些情況下，當需要按鍵操作時，還涉及到采用機器人流程自動化（RPA）

?評測在復雜的技術堆棧中各個系統之間的數據交換以及連接這些系統的應用編程接口命令，確保它們正確運行

?評測所有平臺（包括臺式機和移動設備）上的屏幕信息，例如圖像、文本、標識，從而了解它們的呈現方式

無論使用的是什么操作系統、什么版本的軟件、哪種設備或接口機制，評估測量功效都需要從測量能力入手。人工智能若是無法測量的情形越多，它在運行中發揮的影響就越小。

在評估某個事物的潛力時，我們需要從基礎入手。AI系統的基礎就是它的測量能力。它能夠測量的條件越多，潛在的影響力就越大。我們要了解它能夠進行哪些測量，更重要的是，我們還要知道它不能進行哪些測量。AI算法的潛力會受到感測能力的限制。開爾文勛爵曾經的名言至今仍不過時――“如果你不能測量它，你就不能改進它”。要想了解AI的真正能力，請務必從分析其測量的廣度和深度開始。