在我們周圍每一個(gè)領(lǐng)域，無論產(chǎn)品是先進(jìn)還是普通，似乎都能看到人工智能(AI)的影子。利用人工智能來為產(chǎn)品賦能，光是想想就已經(jīng)讓人心馳神往，因此您自然會(huì)相信這樣的主張。然而，大部分的主張并沒有說明人工智能的作用，也沒有說明制造商憑什么可以信心十足地做出這樣的主張。我內(nèi)心屬于工程師的那一面總是對(duì)物品的構(gòu)建方法充滿好奇。之所以如此，是因?yàn)槲覍?duì)“黑匣子”這個(gè)理念不感冒——這個(gè)理念認(rèn)為我們不需要了解計(jì)算如何進(jìn)行編程。

是德科技全球企業(yè)和產(chǎn)品營銷副總裁 Jeff Harris

那么，就讓我們一起來打開這個(gè)盒子，揭開人工智能的面紗看一看。要想實(shí)現(xiàn)人工智能，您首先要滿足兩個(gè)要素：(1)能夠測(cè)量某些參數(shù)并且了解測(cè)量結(jié)果的含義;(2)學(xué)習(xí)能力。第一個(gè)要素涉及計(jì)量學(xué)，也稱為計(jì)量科學(xué)研究。第二個(gè)要素稱為機(jī)器學(xué)習(xí)(ML)，它讓系統(tǒng)能夠辨別不同于預(yù)期結(jié)果的測(cè)量值，并且在不需要明確編程的情況下改變操作。

數(shù)據(jù)收集能力

計(jì)量學(xué)側(cè)重于深入了解某種特定的測(cè)量。這種測(cè)量既可能是像電壓、接地或溫度測(cè)量一樣簡(jiǎn)單而獨(dú)特，也可能像飛行器控制面或復(fù)雜的制造裝配線一樣具有多模態(tài)功能。

測(cè)量深度：無論是測(cè)量單個(gè)參數(shù)還是測(cè)量多個(gè)參數(shù)，測(cè)量精度決定了您能夠達(dá)到哪種程度的可編程能力。例如，以 1/10 伏的精度測(cè)量 3 伏系統(tǒng)就不會(huì)像以 1/1000 伏的精度測(cè)量同一個(gè)系統(tǒng)那樣有洞察力。

數(shù)據(jù)饋送：測(cè)量數(shù)據(jù)只有在可用于數(shù)據(jù)饋送時(shí)才對(duì)算法有幫助。在上面的示例中，如果傳感器能夠以 1/1000 的精度進(jìn)行測(cè)量，但受到數(shù)據(jù)總線的限制，其數(shù)據(jù)饋送輸出只能精確到小數(shù)點(diǎn)后一位，那么額外的精度就不能為算法所用。

多個(gè)數(shù)據(jù)饋送：在可能的情況下，測(cè)量的參數(shù)越多，做出的決策就越有效。舉個(gè)例子，如果能夠以 1/1000 的精度測(cè)量電壓和溫度，您就能夠?qū)囟茸兓c電壓波動(dòng)聯(lián)系起來。

進(jìn)入機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)會(huì)把來自多個(gè)源頭的數(shù)據(jù)提供給用以模仿人類學(xué)習(xí)方式的算法，從而逐步提高算法的準(zhǔn)確性。獲得數(shù)據(jù)饋送后，您還需要三個(gè)基礎(chǔ)模塊才能實(shí)現(xiàn) ML：解釋數(shù)據(jù)的算法、具有響應(yīng)式結(jié)果的預(yù)期結(jié)果表、反饋環(huán)。

算法：一個(gè)機(jī)器學(xué)習(xí)系統(tǒng)的真正“智能”體現(xiàn)在它能夠獲取數(shù)據(jù)饋送輸入，運(yùn)行一組計(jì)算/指令，并解釋輸出。解釋指的是它能夠分辨輸出計(jì)算是否在預(yù)期范圍之內(nèi)，然后根據(jù)該輸出執(zhí)行新命令。在前面的示例中，如果不僅電壓測(cè)量結(jié)果遠(yuǎn)超預(yù)期范圍，而且溫度也高于標(biāo)稱值，那么算法可能會(huì)啟動(dòng)內(nèi)部風(fēng)扇。

預(yù)期結(jié)果和響應(yīng)式結(jié)果：以最簡(jiǎn)單的方式來解釋的話，預(yù)期結(jié)果可以是數(shù)據(jù)饋送輸入與一系列響應(yīng)式命令組合而成的“查找”表。表格越全面，ML 就越成熟、越有價(jià)值。交互性更高的 ML 可以執(zhí)行一步步變更，例如根據(jù)實(shí)時(shí)感知數(shù)據(jù)改變無人機(jī)的航向，從而避開障礙物，這一操作同時(shí)需要持續(xù)的感知和不斷的調(diào)整。

反饋環(huán)：最后一個(gè)要素是反饋環(huán)。它允許系統(tǒng)驗(yàn)證其操作是足夠的還是需要進(jìn)一步改進(jìn)，并且能夠幫助系統(tǒng)調(diào)整參數(shù)，從而提高未來的性能。

增添多個(gè)針對(duì)大型系統(tǒng)不同方面的 ML 功能，增加更多傳感器數(shù)據(jù)，從而在更復(fù)雜的系統(tǒng)層面實(shí)現(xiàn)機(jī)器學(xué)習(xí)。先進(jìn)的 ML 可以在遇到新的傳感器輸入組合時(shí)將其添加到“查找表”中，制定其它類型的響應(yīng)式結(jié)果指令，并衡量執(zhí)行的響應(yīng)的充分度。這些就成為了自我調(diào)整算法，從數(shù)據(jù)中獲取知識(shí)，從而預(yù)測(cè)結(jié)果。訓(xùn)練的算法越多，輸出就越準(zhǔn)確。

人工智能

既然擁有了可訓(xùn)練的算法，那么您就在很大程度上可以實(shí)現(xiàn) AI 交付。您需要從一系列 ML 引擎中獲得輸出，然后將它們與充足的準(zhǔn)則和迭代相結(jié)合，以便算法做出實(shí)時(shí)決策。當(dāng) AI 算法處理數(shù)據(jù)、

迭代、考慮新數(shù)據(jù)進(jìn)入的迭代響應(yīng)，以及使用組合來選擇輸出時(shí)，它就進(jìn)入了決策狀態(tài)。這個(gè)永無止境的循環(huán)促使 AI 不斷學(xué)習(xí)并提高決策質(zhì)量。整個(gè)過程既可能像電壓和溫度傳感器回路一樣非常簡(jiǎn)單，也可能像攻擊型無人機(jī)的飛行控制系統(tǒng)一樣復(fù)雜。

人工智能的 DNA 標(biāo)記

如何預(yù)測(cè) AI 算法的性能?就像了解人類一樣，您可以通過 DNA 標(biāo)記來了解 AI 算法。從最基礎(chǔ)的層面來看，具有人工智能的機(jī)器能夠仿真人類感知信息、處理信息和對(duì)信息做出反應(yīng)的方式，并針對(duì)給定的條件修改工作流程，從而代替人類參與決策循環(huán)。從本質(zhì)上講，您可以查看三個(gè)常見的 DNA 標(biāo)記：

測(cè)量和仿真的效果：了解制造商的測(cè)量能力，了解他們是否擁有創(chuàng)建數(shù)字孿生環(huán)境所需的充足知識(shí)和經(jīng)驗(yàn)。

算法、分析技術(shù)和洞察力：開發(fā)人員對(duì)信號(hào)核心特征的了解程度以及這種程度與預(yù)期響應(yīng)的關(guān)系將決定預(yù)期結(jié)果“查找”表的深度。

工作流自動(dòng)化知識(shí)：從系統(tǒng)層面上理解多次迭代的 ML 輸出如何協(xié)同工作，從而優(yōu)化預(yù)期結(jié)果。

有鑒于此，人工智能算法的質(zhì)量與以下兩個(gè)方面有關(guān)系：

深度——理解指定測(cè)量領(lǐng)域中測(cè)量結(jié)果的能力

廣度——人們擁有的深度知識(shí)所涵蓋的技術(shù)和標(biāo)準(zhǔn)的數(shù)量

這向我們指出一個(gè)事實(shí)——如果實(shí)施得當(dāng)?shù)脑?，人工智能并不是一種被過度炒作的新興技術(shù)。相反，工程師可以借助它來管理復(fù)雜性呈指數(shù)級(jí)增長(zhǎng)的新設(shè)計(jì)。

正如未來學(xué)家 Gray Scott 所言，“到 2035 年，人腦不可能也沒有辦法與人工智能機(jī)器相匹敵?！惫こ處焸円庾R(shí)到了這一點(diǎn)，并且開始將 ML 和 AI 融入他們的系統(tǒng)。人工智能的誕生要?dú)w功于充滿智慧且積極進(jìn)取的工程師。他們了解測(cè)量科學(xué)，充分理解為開發(fā)人員創(chuàng)建數(shù)字孿生可能會(huì)得到的系統(tǒng)特性，并志在讓工程走上新臺(tái)階。