舊時(shí)王謝堂前燕，飛入尋常百姓家。到2022年，人工智能已經(jīng)跨過(guò)了“出圈”的全民熱議階段，開(kāi)始“入俗”——下沉滲透到全行業(yè)進(jìn)行賦能。AI已經(jīng)不再單純是圍繞著AI本身去討論的一個(gè)課題，而是成為各行各業(yè)都在應(yīng)用一個(gè)組件角色，作為一種利器賦能實(shí)現(xiàn)整個(gè)大系統(tǒng)的優(yōu)化。而在這種具體應(yīng)用場(chǎng)景的沉淀上，必然面臨著諸多的問(wèn)題，來(lái)自場(chǎng)景本身的不同要求，AI系統(tǒng)如何多樣化降維適配。這些趨勢(shì)也是挑戰(zhàn)，如何把握AI下沉之勢(shì)，賦能各行業(yè)創(chuàng)新發(fā)展？近日MathWorks的中國(guó)區(qū)行業(yè)市場(chǎng)經(jīng)理李靖遠(yuǎn)和記者進(jìn)行了分享。

2022年AI發(fā)展趨勢(shì)（挑戰(zhàn)）

當(dāng)AI要下沉到各行業(yè)中進(jìn)行賦能，仍存在著不少需要解決的問(wèn)題。首先各行業(yè)數(shù)字化發(fā)展程度不同、特定的應(yīng)用場(chǎng)景也都千差萬(wàn)別，因此對(duì)于數(shù)據(jù)處理方式、復(fù)雜的算法形態(tài)選擇、不同網(wǎng)絡(luò)模型和能效平衡等問(wèn)題的解決，將會(huì)是AI發(fā)展的主要趨勢(shì)中的重要一部分。在Gartenr2021年的數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)平臺(tái)的魔力象限中，MathWorks被定位為領(lǐng)導(dǎo)者的角色。MathWorks今年也發(fā)布了新的一期AITrends的報(bào)告，分享了對(duì)于整個(gè)AI的預(yù)測(cè)。

首先，人工智能將會(huì)在工程和科學(xué)學(xué)科、整個(gè)行業(yè)和學(xué)術(shù)界廣泛普及。譬如智能家居、自動(dòng)駕駛等新興的行業(yè)，本身數(shù)字化技術(shù)比較好，就會(huì)先一步實(shí)現(xiàn)AI落地。而像電力、化工等傳統(tǒng)行業(yè)，正在進(jìn)行數(shù)字化轉(zhuǎn)型，在實(shí)現(xiàn)了一定數(shù)字化的基礎(chǔ)之后，同樣也會(huì)實(shí)現(xiàn)人工智能的普及。

第二條趨勢(shì)是人工智能將工程、計(jì)算機(jī)科學(xué)、數(shù)據(jù)科學(xué)和IT部署這些原本相互獨(dú)立的環(huán)節(jié)結(jié)合起來(lái)，實(shí)現(xiàn)一個(gè)有機(jī)的整體。傳統(tǒng)意義上的工程設(shè)計(jì)、虛擬仿真、大數(shù)據(jù)、企業(yè)部署運(yùn)維等可以通過(guò)低代碼的人工智能方式結(jié)合。

第三條是模型的可解釋程度提高了人工智能的認(rèn)可度。通過(guò)機(jī)器學(xué)習(xí)生成的模型的解釋程度不如直接建模清晰，因此在一些安全關(guān)鍵領(lǐng)域不能被采納。在這方面，人工智能模型的可解釋程度正在逐步提高以獲得更多安全關(guān)鍵應(yīng)用認(rèn)可。

第四條趨勢(shì)是利用3D場(chǎng)景的仿真和測(cè)試。這種3D技術(shù)的出現(xiàn)將會(huì)使仿真測(cè)試環(huán)境更接近真實(shí)的物理場(chǎng)景，從而加速某些真實(shí)物理場(chǎng)景測(cè)試受限于應(yīng)用的發(fā)展，例如自動(dòng)駕駛、醫(yī)療成像行業(yè)等。

第五條是人工智能的在邊緣設(shè)備部署的提高。終端上的算力提升、人工智能自身模型精煉度提高，兩方向上一同邁進(jìn)，讓邊緣設(shè)備上的AI應(yīng)用有著加速普及的趨勢(shì)。

第六條是人工智能被廣泛應(yīng)用于應(yīng)對(duì)全球挑戰(zhàn)：傳染病大流行、氣候變化等。

第七條是人工智能系統(tǒng)從以算法為中心到以數(shù)據(jù)為中心。在數(shù)據(jù)層面上進(jìn)行更有效的數(shù)據(jù)優(yōu)化，為后端的算法模型輸入更優(yōu)的數(shù)據(jù)。

第八條是無(wú)代碼、低代碼和自動(dòng)編碼等應(yīng)用加速了AI普及。各行業(yè)各領(lǐng)域的專(zhuān)家，即使不擅長(zhǎng)編程，也可以做到用AI來(lái)加速自己應(yīng)用研究。

第九條是AI推動(dòng)跨平臺(tái)，跨框架以及多學(xué)科之間的協(xié)作。不同的框架之間可以相互轉(zhuǎn)換、不同平臺(tái)也可以實(shí)現(xiàn)一定程度互通、多學(xué)科之間也就有了協(xié)作的可能。

第十條是人工智能大量用于應(yīng)用科學(xué)的研究，很多成熟的模型僅需簡(jiǎn)單的微調(diào)就可以適用于不同應(yīng)用研究。此外，GAN（生成對(duì)抗網(wǎng)絡(luò)）和PIML（物理信息機(jī)器學(xué)習(xí)）等新興研究方向也在發(fā)展中。

上述的十條趨勢(shì)中，蘊(yùn)含著挑戰(zhàn)。AI的各行業(yè)內(nèi)落地，肯定不能僅僅靠AI研究人員本身，而來(lái)自各行業(yè)的專(zhuān)家又難以做到同時(shí)精通AI和本行業(yè)知識(shí)。因此一個(gè)既能理解各行業(yè)業(yè)務(wù)場(chǎng)景，又了解AI運(yùn)作和部署的平臺(tái)才能幫助實(shí)現(xiàn)AI更好的落地。MathWorks就是這樣的一個(gè)角色，不僅如此，MathWorks在自身的平臺(tái)中也通過(guò)AI實(shí)現(xiàn)了加速。

從開(kāi)發(fā)全流程，實(shí)現(xiàn)人工智能在企業(yè)DevOps中融合

根據(jù)李靖遠(yuǎn)分享，一個(gè)AI開(kāi)發(fā)流程包括數(shù)據(jù)準(zhǔn)備、AI建模、系統(tǒng)仿真和測(cè)試以及部署四個(gè)環(huán)節(jié)，仿真和實(shí)際運(yùn)行過(guò)程中產(chǎn)生的數(shù)據(jù)又會(huì)被反饋進(jìn)入到最開(kāi)始的數(shù)據(jù)清理整理過(guò)程，整個(gè)業(yè)務(wù)的AI系統(tǒng)將會(huì)在這個(gè)流程里進(jìn)行不斷迭代優(yōu)化。MathWorks在每個(gè)環(huán)節(jié)都提供了相應(yīng)的APP、工具箱或者服務(wù)來(lái)幫助用戶(hù)更高效、低學(xué)習(xí)成本地使用AI賦能。

數(shù)據(jù)整理過(guò)程是一切的開(kāi)始。在做人工智能的模型訓(xùn)練之前，需要給各個(gè)數(shù)據(jù)打好標(biāo)簽，才能對(duì)其進(jìn)行訓(xùn)練。實(shí)際的應(yīng)用場(chǎng)景中，成千上萬(wàn)的數(shù)據(jù)，如果全靠人工進(jìn)行標(biāo)簽分類(lèi)將會(huì)是非常龐大的工作量。MathWorks提供了四類(lèi)自動(dòng)標(biāo)注標(biāo)簽的APP，分別是信號(hào)、音頻、圖像和視頻的打標(biāo)簽App，將數(shù)據(jù)輸入之后就可以自動(dòng)實(shí)現(xiàn)標(biāo)簽標(biāo)注，然后輸入到后端進(jìn)行訓(xùn)練。

在AI建模過(guò)程中，MathWorks提供了Deep Network Designer、ClassificationLeaner和ExperimentManager等App，幫助使用者進(jìn)行AI模型的調(diào)優(yōu)。這些工具中已經(jīng)集成了很多成熟的算法，因此即使開(kāi)發(fā)者不熟悉AI的算法，也可以輕松地選擇合適算法，自動(dòng)建立符合自己工程需求的算法模型，將自動(dòng)導(dǎo)入的數(shù)據(jù)進(jìn)行調(diào)優(yōu)。而且所有的算法流程都已經(jīng)做到了可視化的處理，幫助開(kāi)發(fā)者快速理解和熟悉整個(gè)AI算法流程。

仿真測(cè)試上的難題在于和不同模型的集成。據(jù)李靖遠(yuǎn)介紹，目前人工智能的框架越來(lái)越成熟，很多框架都可以實(shí)現(xiàn)圖象處理、聲音識(shí)別、視頻識(shí)別、語(yǔ)音識(shí)別、目標(biāo)識(shí)別等。主流的框架包括Tensorflow、Keras、Caffee等，但沒(méi)有一個(gè)深度學(xué)習(xí)網(wǎng)絡(luò)能夠完美地解決所有的業(yè)務(wù)問(wèn)題。因此這也就是為什么各平臺(tái)之間互操作性非常重要的原因。

MathWorks為流行的Tensorflow和PyTorch等框架分別提供了專(zhuān)門(mén)的導(dǎo)入器，可以直接通過(guò)導(dǎo)入器將模型導(dǎo)入到MATLAB中。此外MATLAB也支持ONNX格式模型的導(dǎo)入，用戶(hù)可以將PyTorch等其它模型先轉(zhuǎn)換成ONNX標(biāo)準(zhǔn)格式，然后導(dǎo)入到MATLAB中，實(shí)現(xiàn)系統(tǒng)級(jí)的仿真，快速實(shí)現(xiàn)原型測(cè)試。

通過(guò)AI建模的這些通常都是非線性系統(tǒng)，也正是其非線性的特點(diǎn)，所以更需要AI來(lái)進(jìn)行有價(jià)值的挖掘。這種非線性系統(tǒng)，雖然整體的模型體積很大，但在產(chǎn)業(yè)應(yīng)用中為了實(shí)現(xiàn)仿真加速，通常使用的都是降階模型來(lái)取代高保真模型，從而實(shí)現(xiàn)更好的處理效率。

在部署的層面上，面臨的挑戰(zhàn)可以分為多樣化的嵌入式系統(tǒng)的代碼形式和企業(yè)IT基礎(chǔ)設(shè)施上的集成。為了方便實(shí)現(xiàn)不同邊緣設(shè)備上得到部署，MathWorks提供了自動(dòng)的嵌入式代碼生成器，同樣的網(wǎng)絡(luò)模型，通過(guò)該生成器，可以識(shí)別CPU、GPU和FPGA這些不同的硬件平臺(tái)，自動(dòng)生成C++代碼、PLC代碼、CUDA代碼、HDL代碼等嵌入式代碼。

在企業(yè)級(jí)部署方面，MathWorks推出了MATLAB Production Server和Web Application Server，通過(guò)這種服務(wù)可以快速將AI算法作為一個(gè)組件部署到企業(yè)應(yīng)用服務(wù)器或Web服務(wù)器上，進(jìn)而整合到企業(yè)的整個(gè)IT/OT系統(tǒng)中。

上面介紹的在AI整個(gè)開(kāi)發(fā)流程上的諸多App，從開(kāi)發(fā)側(cè)、運(yùn)營(yíng)側(cè)都幫助實(shí)現(xiàn)了AI的集成和部署，幫助企業(yè)真正將AI和MATLAB實(shí)現(xiàn)了在DevOps中的融合，實(shí)現(xiàn)帶AI賦能的開(kāi)發(fā)和運(yùn)營(yíng)一體化部署。

總結(jié)

當(dāng)AI真正開(kāi)始落地的時(shí)候，并不是“深藍(lán)”，也不是像一些美劇中的扮演“上帝”的人工智能角色。它更多是作為應(yīng)用端整個(gè)系統(tǒng)中的一個(gè)組件，來(lái)賦能加速整個(gè)大的系統(tǒng)。通過(guò)對(duì)于各行業(yè)場(chǎng)景理解和把握，數(shù)字孿生上的長(zhǎng)期積累，MathWorks現(xiàn)在已經(jīng)提供了諸多的低代碼、無(wú)代碼App，并且從整個(gè)AI開(kāi)發(fā)流程上，真正幫助開(kāi)發(fā)者實(shí)現(xiàn)了快速的AI算法部署，整合進(jìn)企業(yè)的DevOps循環(huán)中。據(jù)悉，目前MathWorks官方發(fā)布的已經(jīng)有超過(guò)100個(gè)使用MATLAB AI解決工程問(wèn)題的例子。

而正像MathWorks中的10大預(yù)測(cè)一樣，AI將會(huì)繼續(xù)下沉、滲透、沉淀到我們大部分應(yīng)用中。當(dāng)我們都逐漸將這些挑戰(zhàn)解決，將這些趨勢(shì)實(shí)現(xiàn)之時(shí)，AI將會(huì)迎來(lái)另一個(gè)轉(zhuǎn)折點(diǎn)。