2021年值得關注的人工智能五大趨勢
在2020年全球新冠肺炎侵襲下，借助人工智能技術，人們正在適應以一種全新的方式應對生活和工作。但在人工智能產業快速發展的同時，產業本身也面臨諸多挑戰。未來人工智能技術將如何發展？它將在哪些領域率先破局？人們將如何利用人工智能創造更大的價值？這些都是接下來人工智能產業發展最受關注的問題。
在3月4日MathWorks舉辦的媒體分享會上，MathWorks首席戰略師Jim Tung與包括OFweek人工智能網在內的媒體們進行了交流探討。Jim Tung在科學計算軟件市場擁有超過35年的經驗，包括在MathWorks公司工作的30年，他曾經擔任市場營銷副總裁和業務拓展的副總裁。
MathWorks 首席戰略師 Jim Tung（MathWorks供圖）
當前人工智能行業，還存在哪些痛點？
來自多個行業企業高管的反饋或許是當前人工智能行業的真實寫照。消費電子領域的代表提出：“我們在生產過程中不一定要追求最快的算法，但是卻希望獲得的是最可靠、最穩定的算法。”；政府部門架構師則更想要可持續維護的解決方案，他們認為解決方案的開發并不是難事，難點在于開發者離開后，這種已構建的系統后續的長期維護問題；汽車行業人士認為：“將真實的系統和人工智能連接起來，努力與現實保持聯系，是人工智能技術發展最關鍵的挑戰。”；航空航天產業人士認為：“如果說MathWorks可以組合來自多個供應商的工作流，那么這樣的產品將會是一個非常強大的產品，也會對業界提供非常大的幫助。”
基于上述行業痛點，MathWorks會有怎么樣的一番思考？在未來發展中，MathWorks又是如何將AI整合到更多邊緣系統中，助力人工智能得到更廣泛的應用？且聽Jim Tung為我們一一道來。
2021年人工智能的五大趨勢
（MathWorks供圖）
趨勢一：
AI成為工程師和科學家的應用主流
以全球知名的光刻機領導者ASML為例，在芯片制造過程中，光刻是控制芯片大小的一個基本過程，但是為了防止由于層之間的連接失敗導致出現問題，層之間所有的模式都必須按照預期進行堆砌。堆砌校準的過程與芯片產量和質量息息相關，因此ASML使用MATLAB與統計學工具箱以及機器學習工具箱來開發了這個對準測量的軟件，這個軟件通過應用機器學習算法，利用校準計量數據，對每個晶圓的對準數據進行預估和測量，極大地降低了生產制造的風險。
“ASML開發了基于機器學習的半導體制造虛擬計量技術，哪怕本身是一名不具有神經網絡機器學習方面經驗的ASML工藝工程師，也能通過MATLAB軟件案例及其中提供的各種案例，去學習使用這款工具進行開發。這也是為什么MATLAB和 Simulink能提供很多這種算法，通過這種方式來加速實現它的目標，而采用其他的語言來實現需要重新收集數據，重新去編寫算法，會消耗大量的時間，”Jim Tung提到，“人工智能正成為很多領域的專用工具，MathWorks能為此提供包括激光雷達工具箱、預測性維護工具箱、無線工具箱、機器學習／深度學習／增強學習工具箱、自動駕駛工具箱、虛擬道路仿真工具箱，以及關于視覺檢測、醫學成像、土地分類等一系列的參考案例。用戶通過這些案例和實際的模型，能夠清晰的知道如何在每個行業領域去應用我們的產品。”MATLAB和 Simulink作為一個開放平臺，可以融合更多的工具來共同完成AI產品的設計，全面滿足如今發展越來越大的人工智能系統。
趨勢二：
AI將整合工程、計算機科學、數據科學和IT技術，形成跨學科、多領域平臺
（MathWorks供圖）
AI是一個跨學科、跨領域、跨平臺的一個應用。在這個方面，MathWorks工具提供了與用戶的開發、部署、工作流程中的行業標準和技術平臺相結合，可以極大地減少一些返工量。
在演示圖片中可以看到，在一個產品開發過程中，左邊維度括了從設計，到實施，到最后的測試過程。在這個過程中有著不同平臺的參與，MATLAB和Simulink所提供的工具可以和開發階段這些不同平臺、不同的工具結合，做到一個無縫的連接。右邊是開發結束之后的運營環節，MathWorks將算法、模型等都部署在Embedded system嵌入式系統，此外還能部署在手機、通訊、終端等邊緣設備中，還可和IO／OT系統相結合，也支持部署在Azure或者ASW這些云端。
Jim Tung表示：“通過上述的方法，大家可以看到，實際上是一個開發、運營、部署的一個有機的結合，我們可以達到這種經常所說的這種開發運營的模式。通過MathWorks提供這種服務無縫連接，可以去實現一個系統化升級，把它結合成一個有機的系統整體。”
趨勢三：
AI模型的可解釋性和可視化進一步提高
（MathWorks供圖）
Jim Tung認為，在軍工、航空航天、汽車等或對代碼／系統的安全性要求比較高的領域，對于模型的可解釋性要求非常高。通過人工智能預測的模型，一方面是了解每一層的主要特征是什么，另一方面是了解這些訓練模型的網絡使用了哪些特征來進行預測。比如演示圖中，如果沒有可解釋性，那么盡管人工智能算法可以判斷出哪一塊是鍵盤，哪塊是鼠標，但是它不能清晰地解釋為什么會去判斷它是鼠標或者是鍵盤，是通過哪些特征而做出的判斷。
因此，AI模型的可視化能夠更好地解釋人工智能是如何以及為什么做出這些決策，通過可視化以及特定標識，用戶可以清晰地知道算法中哪些特征值被用來決定做出最后的決策。MathWorks從R2017a一直到最新的R2021a系列產品中，持續不斷地實現工具升級，專門提供AI模型的可解釋性和可視化功能。
趨勢四：
仿真和測試將采用3D技術，使效果變得更加真實
（MathWorks供圖）
人工智能產品的開發通常需要經過四個步驟，首先是數據準備，然后通過AI建模，再通過模擬與測試，最后通過部署使用。在前期數據準備的過程中，一些極限工況數據采集并不容易，不僅會耗費大量的人力物力，甚至會對系統產生破壞性因素。而極限工況數據又是實現人工智能算法完整不可或缺的一部分。
“利用模型就可以輕松且不耗費任何成本地拿到這些極限工況數據，然后通過這些極限工況的數據去訓練你的人工智能模型，來有效地提升人工智能的算法，”Jim Tung表示，“另一方面是可以仿真一些傳感器數據，比如自動駕駛汽車里面所用的激光雷達，32線或者64線的激光雷達成本高達上萬美金。做測試的過程中又很難去現場提取極限工況數據。因此我們可以在系統中利用仿真數據來導入自動駕駛模型里，然后模擬傳感器的數據進行分析。自動駕駛的模擬不止是單個場景，還包括定位、路基規劃、環境管理、互助算法等等，只有將這些都協同一體，才能保證自動駕駛車輛在任何情況下都能完美的運行、減慢、加速等。”
Jim Tung還表示，單獨的人工智能模型沒有意義，只有將整個AI算法集成到整個系統范圍之內，在轉移到硬件之前對它進行仿真，對系統的其它算法做一個整體的測試并驗證其有效性，才是最關鍵的。
趨勢五：
更多的AI模型部署到低功耗、低成本嵌入式設備上
（MathWorks供圖）
越來越多的人工智能算法部署在不同的設備中。像寶馬的生產線，化工廠的邊緣系統，生產工廠基于企業系統的部署，云端數據平臺等等……通過MATLAB模型，可以生成代碼，最后部署在任何的平臺上。
Jim Tung還介紹了MATLAB另外一個特性：代碼生成自動化。有很多研究人員專業知識很強，但是實際在編程方面的經驗有所欠缺。通過MATLAB 和Simulink所提供的人工智能模型以及相應的工具包，不需要人工干預也可幫助自動生成代碼。代碼的類型也可通過算法來進行改變，以適應不同場合的應用。
比如IDNEO公司利用MATLAB及相應的機器學習、圖像分析工具包箱開發了用于解釋血型結果的嵌入式計算機視覺和機器學習算法。它解決了醫院采血檢測分析過程費時費力的問題，利用人工智能技術手段，通過視覺處理、機器學習算法讓它自動化確定患者的血液抗原類型等等。這種方式不僅提高了工作效率，而且精度比人工更準確。
后續
人工智能自誕生以來，至今已有60年的發展歷史。隨著信息技術快速發展和互聯網快速普及，以2006年深度學習模型的提出為標志，人工智能迎來第三次高速成長。隨著應用范圍的不斷拓展，人工智能與人類生產生活聯系得愈發緊密。人工智能行業在最近幾年進展可以說是碩果累累，在專用人工智能領域、相關技術領域、以及消費類智能機器人領域均取得了突破性進展。但它仍然存在諸多未知空間等待人們去探索。在2021年，AI市場又是否會像MathWorks預測的那樣？時間或許能見證一切。
據了解，MathWorks成立于1984年，總部位于美國東海岸波士頓Natick市，在全球有超過5000名的員工分布在34個辦公室，超過半數員工都是研發工程師。從MathWorks建立至今，公司每年都處在盈利持續增長的狀態。2020年公司銷售額超過10億美金，如今全球已有超過180個國家和地區，超過400萬用戶在使用MathWorks的產品。
