展望：2022年十大人工智能趨勢

在Gartner的《數(shù)據(jù)科學(xué)和機器學(xué)習(xí)平臺魔力象限》報告中，MathWorks連續(xù)兩年都被評為年度領(lǐng)導(dǎo)者。該報告主要針對全球有影響力的機器學(xué)習(xí)、人工智能平臺進行評估，MathWorks 作為數(shù)學(xué)計算軟件開發(fā)商，主要有MATLAB 和Simulink兩大類產(chǎn)品平臺。MATLAB 被稱為“科學(xué)家和工程師的語言”，是一個集算法開發(fā)、數(shù)據(jù)分析、可視化和數(shù)值計算于一體的編程環(huán)境；Simulink 則是一個模塊化建模環(huán)境，面向多域和嵌入式工程系統(tǒng)的仿真和基于模型的設(shè)計。目前，這兩類產(chǎn)品平臺被廣泛用于軍工、航空、航天、半導(dǎo)體等20幾個行業(yè)，用于人工智能、大數(shù)據(jù)處理、仿真設(shè)計等工作。

作為全球領(lǐng)先的數(shù)學(xué)計算軟件開發(fā)商，2020年起每年追蹤并發(fā)布全球人工智能發(fā)展趨勢，已經(jīng)成為MathWorks的慣例。日前，MathWorks最新發(fā)布了對2022年以后的十大人工智能趨勢預(yù)測，MathWorks中國區(qū)行業(yè)市場經(jīng)理李靖遠（Jason）接受了<與非網(wǎng)>等媒體采訪。

趨勢一：人工智能在工程和科學(xué)學(xué)科、整個行業(yè)和學(xué)術(shù)界廣泛普及

盡管落地應(yīng)用、發(fā)展現(xiàn)狀有一定區(qū)別，但人工智能確實已經(jīng)在很多行業(yè)蓬勃發(fā)展。在智能家居、自動駕駛、機器人、網(wǎng)絡(luò)安全、醫(yī)療設(shè)備等新興行業(yè)中，得益于良好的數(shù)字化技術(shù)基礎(chǔ)，人工智能的發(fā)展和落地較為領(lǐng)先。在數(shù)字化基礎(chǔ)相對落后一些的傳統(tǒng)行業(yè)，例如電力、化工等領(lǐng)域，人工智能、大數(shù)據(jù)、數(shù)字化的普及與轉(zhuǎn)型可以說正處在起步階段，還需要大量的數(shù)字化積累。

趨勢二：AI將工程、計算機科學(xué)、數(shù)據(jù)科學(xué)和IT部署整合起來

人工智能可以將工程、計算科學(xué)、數(shù)字科學(xué)和IT部署聯(lián)合起來，而之前這些是彼此相對獨立的。包括傳統(tǒng)意義所指的開發(fā)流程、部署流程和企業(yè)運營流程，它們將通過人工智能、無代碼、低代碼等趨勢緊密結(jié)合在一起，形成有機整體。低代碼、無代碼的工具在進行建模仿真之后，可以自動地生成代碼，然后再部署到CPU/MCU/GPU/FPGA等多種類型的邊緣設(shè)備之上。

趨勢三：模型可解釋性有助于增強在安全關(guān)鍵系統(tǒng)中使用人工智能的信心

在航空航天、軍工等安全關(guān)鍵領(lǐng)域中，對于機械模型設(shè)計、虛擬仿真技術(shù)的要求，是所涉及到的模型必須具備清晰的可解釋性，才會導(dǎo)入應(yīng)用。但一直以來，人工智能通過機器學(xué)習(xí)、深度學(xué)習(xí)等算法生成的模型，在可解釋性方面不如直接建模清晰，被視作一種黑盒式的系統(tǒng)建模方法。隨著人工智能的發(fā)展，模型的可解釋性也在不斷提高，也將在更多的注重高安全的關(guān)鍵領(lǐng)域得以應(yīng)用。

趨勢四：仿真和測試將邁入三維時代且更加逼真

仿真和測試不只是局限于自動駕駛、機器人、虛擬現(xiàn)實等環(huán)節(jié)，甚至醫(yī)療行業(yè)等應(yīng)用場景中，人工智能會推動更多的3D仿真和測試技術(shù)的應(yīng)用，使得場景更加真實、可靠、具體。

趨勢五：將有更多的AI模型部署到更多低功耗、低成本的嵌入式設(shè)備中

將有更多的人工智能模型部署到更低功耗、更低成本的系統(tǒng)設(shè)備中。日常生活中，大到飛機、汽車，小到家用電器，都內(nèi)置著大量的嵌入式系統(tǒng)。在2014年前后，大部分的人工智能算法都需要基于GPU甚至GPU集群進行訓(xùn)練，受限于硬件算力，之前部署到這些設(shè)備上較為困難。但是隨著越來越多的方法可以將AI整合到更多邊緣系統(tǒng)，從FPGA到MCU，更多低成本、低功耗設(shè)備得到了廣泛的硬件支持，并為工程師所用。

借助量化和剪枝等方法減小要部署的模型，并采用深度學(xué)習(xí)社區(qū)提供的高效預(yù)訓(xùn)練模型，可以實現(xiàn)AI的高效部署，并能夠讓基于AI的系統(tǒng)在今后得到更為廣泛的應(yīng)用。

趨勢六：人工智能幫助應(yīng)對全球挑戰(zhàn)

不論是傳染病大流行還是氣候變化，還有能源問題、包括碳中和方向，人工智能都在幫助人類應(yīng)對全球挑戰(zhàn)。越來越多的科學(xué)家在使用MATLAB數(shù)據(jù)處理和AI算法分析新冠病毒的流行趨勢，對大氣進行長期的空氣質(zhì)量監(jiān)測，利用數(shù)據(jù)分析大氣的氣候變化等等。

趨勢七：以數(shù)據(jù)為中心的人工智能

以往的很多人工智能應(yīng)用專注于模型和算法本身，但從2019年開始，相關(guān)研究方向開始專注于改善提供給模型和數(shù)據(jù)管理系統(tǒng)的數(shù)據(jù)，也就是說要給予模型更好更優(yōu)的算法、更優(yōu)的數(shù)據(jù)，數(shù)據(jù)的優(yōu)化代表著能產(chǎn)生更優(yōu)秀的模型。

趨勢八：無代碼/低代碼/自動編碼：為擴大AI用戶群體帶來巨大好處

無代碼、低代碼和自動編碼等應(yīng)用，為AI的普及帶來助推力。傳統(tǒng)的行業(yè)領(lǐng)域有很多專家，不過他們的經(jīng)驗往往集中于自己的垂直領(lǐng)域。如何讓他們快速將人工智能算法與自身擅長的領(lǐng)域相結(jié)合？無代碼和低代碼就起到了關(guān)鍵作用，利用MathWorks所提供的深度學(xué)習(xí)、機器學(xué)習(xí)，包括強化學(xué)習(xí)工具箱，專家們就算并不擅長編程，也能很快地掌握無代碼/低代碼的人工智能學(xué)習(xí)方案。

趨勢九：AI驅(qū)動跨框架、跨平臺和多學(xué)科團隊之間的協(xié)作

目前AI框架類型較多，比如Tensorflow、PyTorch、Keras、Caffe等，這些框架各自專注的領(lǐng)域往往不同，沒有任何一個框架可以解決所有問題，因此跨框架的協(xié)同和互操作非常重要。MathWorks通過以MATLAB/Simulink為基礎(chǔ)平臺，將其他框架中的算法導(dǎo)入MATLAB/Simulink中，使之成為整個大系統(tǒng)仿真的一部分，以此來促進不同學(xué)科之間的交流，以及整個平臺系統(tǒng)級的仿真。

趨勢十：人工智能大量用于應(yīng)用科學(xué)研究

從人工智能的發(fā)展趨勢來看，應(yīng)用學(xué)科越來越成為新的熱點應(yīng)用。例如遷移學(xué)習(xí)使研究人員更容易在工作中應(yīng)用人工智能，他們只需在實際應(yīng)用中對訓(xùn)練好的模型進行一定幅度的微調(diào)，就可以快速地部署在實際場景中。此外，研究人員利用GAN等技術(shù)生成對抗網(wǎng)絡(luò)，以及通過PIML促進機器學(xué)習(xí)和物理知識的融合等，都是新技術(shù)在應(yīng)用學(xué)科研究方向的案例。

MathWorks在企業(yè)人工智能工程領(lǐng)域的進展？

海量大中小型企業(yè)是人工智能應(yīng)用的積極實踐者，特別是對于那些具有一定規(guī)模和行業(yè)地位的企業(yè)，已經(jīng)走在了應(yīng)用前列。顯然，針對這些用戶的工具、服務(wù)等，都非常重要。

在MathWorks官網(wǎng)上，僅使用MATLAB AI解決工程問題的案例就超過了100個。MathWorks提供的機器學(xué)習(xí)和深度學(xué)習(xí)工具箱，也已經(jīng)滲透到各類企業(yè)行業(yè)應(yīng)用的方方面面，例如日本Daihatsu公司分析汽車發(fā)動機產(chǎn)生爆震的原因；三星公司研究降低無線通信電路的噪音；韓國能源研究所對風(fēng)機，尤其是海上風(fēng)機進行故障監(jiān)測……

針對企業(yè)級部署需求，MathWorks在開發(fā)側(cè)推出了MATLAB Production Server和Web App Server，配合海量數(shù)據(jù)處理、無代碼/低代碼建模系統(tǒng)軟件、自動化代碼生成，能夠幫助運維人員將算法快速部署在企業(yè)IT/OT系統(tǒng)中，做到開發(fā)和運營一體化部署。

對于現(xiàn)階段的AI應(yīng)用來說，數(shù)據(jù)仍是重中之重。除了數(shù)據(jù)的獲取，對不同數(shù)據(jù)類型的分類、標(biāo)注，對于下一階段的處理應(yīng)用非常關(guān)鍵。如果能夠自動為數(shù)據(jù)標(biāo)注標(biāo)簽，之后再對其進行訓(xùn)練、調(diào)優(yōu)以及可視化，不僅能夠提高工作效率，對于更精準(zhǔn)的訓(xùn)練、應(yīng)用都大有裨益。

MathWorks在這方面提供了完整的AI工具鏈，除了“打標(biāo)簽”，還包括對采集到的數(shù)據(jù)進行預(yù)處理，例如通過算法擬合補充丟失的數(shù)據(jù)，過濾“臟”數(shù)據(jù)等等，之后再進行人工智能的建模、仿真、測試和部署。據(jù)李靖遠介紹，企業(yè)級AI應(yīng)用比較復(fù)雜，因此跨平臺、跨框架的支持必不可少，為了方便在各個平臺中互相調(diào)用，增強互操作性。MATLAB還針對幾種主流框架提供了導(dǎo)入器工具，Tensorflow、Keras、 Caffe、Pytorch等框架中的模型可以通過導(dǎo)入器自動進入MATLAB中，形成系統(tǒng)級仿真。

降階模型和邊緣AI趨勢

李靖遠強調(diào)了一個重要趨勢：今后將使用一些降階模型去替代高保真仿真模型，來加速仿真速度。由于很多非線性系統(tǒng)，包括流體力學(xué)中的多維系統(tǒng)，在實際仿真過程中需要的并不是高保真仿真模型，而是整個系統(tǒng)模型的輸入、輸出要盡量接近真實。此時，就可以用降階模型作為系統(tǒng)的一部分來加快仿真速度。

不過，目前一些降階技術(shù)還是需要結(jié)合具體的系統(tǒng)來實現(xiàn)最適合的方案，并不是對所有系統(tǒng)都具備普適性。據(jù)李靖遠介紹，目前降階模型的主要適用場景：一是針對非線性模型，傳統(tǒng)意義上很難找到其中的規(guī)律，就可以用人工智能訓(xùn)練出來的降階模型來替代它；二是在仿真過程中，理想模型與降階模型的吻合度相對比較高，就可以用降階模型替代實際模型進行仿真。當(dāng)然，這主要是為了提高仿真速度，在仿真效果和仿真速度之間取得的折中平衡，并不適用于所有系統(tǒng)。如果追求高保真的仿真效果，降階模型是不適用的。

針對邊緣AI的應(yīng)用趨勢，李靖遠表示，現(xiàn)實中有龐大的邊緣系統(tǒng)需求，涉及航空航天、汽車、工業(yè)、通信、家電、醫(yī)療、能源、可穿戴設(shè)備、手機、電子手表等等，邊緣AI未來的需求一定是巨大的。

但與此同時，邊緣AI的落地部署仍有三大制約因素：第一是硬件效率的制約，受限于硬件算力、算法效率等原因，一些比較復(fù)雜的算法還是不太適合部署在邊緣設(shè)備上。第二是AI算法代碼的精煉度，AI算法生成模型，最后代碼是要部署在邊緣設(shè)備上，代碼的精煉度可能對邊緣設(shè)備的部署有一定影響。第三是AI的產(chǎn)品化，AI算法如何能夠適用于更多的通用場景、部署在更多的邊緣設(shè)備，也是一個制約因素。要提高通用性，勢必要增加代碼，對算力的要求會更高，因此會對部署產(chǎn)生一定的制約。