2021年最值得关注的人工智能五大趋势
在2020年全球新冠肺炎侵袭下，借助人工智能技术，人们正在适应以一种全新的方式应对生活和工作。但在人工智能产业快速发展的同时，产业本身也面临诸多挑战。未来人工智能技术将如何发展？它将在哪些领域率先破局？人们将如何利用人工智能创造更大的价值？这些都是接下来人工智能产业发展最受关注的问题。
在3月4日MathWorks举办的媒体分享会上，MathWorks首席战略师Jim Tung与包括OFweek人工智能网在内的媒体们进行了交流探讨。Jim Tung在科学计算软件市场拥有超过35年的经验，包括在MathWorks公司工作的30年，他曾经担任市场营销副总裁和业务拓展的副总裁。
MathWorks 首席战略师 Jim Tung（MathWorks供图）
当前人工智能行业，还存在哪些痛点？
来自多个行业企业高管的反馈或许是当前人工智能行业的真实写照。消费电子领域的代表提出：“我们在生产过程中不一定要追求最快的算法，但是却希望获得的是最可靠、最稳定的算法。”；政府部门架构师则更想要可持续维护的解决方案，他们认为解决方案的开发并不是难事，难点在于开发者离开后，这种已构建的系统后续的长期维护问题；汽车行业人士认为：“将真实的系统和人工智能连接起来，努力与现实保持联系，是人工智能技术发展最关键的挑战。”；航空航天产业人士认为：“如果说MathWorks可以组合来自多个供应商的工作流，那么这样的产品将会是一个非常强大的产品，也会对业界提供非常大的帮助。”
基于上述行业痛点，MathWorks会有怎么样的一番思考？在未来发展中，MathWorks又是如何将AI整合到更多边缘系统中，助力人工智能得到更广泛的应用？且听Jim Tung为我们一一道来。
2021年人工智能的五大趋势
（MathWorks供图）
趋势一：AI成为工程师和科学家的应用主流
以全球知名的光刻机领导者ASML为例，在芯片制造过程中，光刻是控制芯片大小的一个基本过程，但是为了防止由于层之间的连接失败导致出现问题，层之间所有的模式都必须按照预期进行堆砌。堆砌校准的过程与芯片产量和质量息息相关，因此ASML使用MATLAB与统计学工具箱以及机器学习工具箱来开发了这个对准测量的软件，这个软件通过应用机器学习算法，利用校准计量数据，对每个晶圆的对准数据进行预估和测量，极大地降低了生产制造的风险。
“ASML开发了基于机器学习的半导体制造虚拟计量技术，哪怕本身是一名不具有神经网络机器学习方面经验的ASML工艺工程师，也能通过MATLAB软件案例及其中提供的各种案例，去学习使用这款工具进行开发。这也是为什么MATLAB和 Simulink能提供很多这种算法，通过这种方式来加速实现它的目标，而采用其他的语言来实现需要重新收集数据，重新去编写算法，会消耗大量的时间，”Jim Tung提到，“人工智能正成为很多领域的专用工具，MathWorks能为此提供包括激光雷达工具箱、预测性维护工具箱、无线工具箱、机器学习／深度学习／增强学习工具箱、自动驾驶工具箱、虚拟道路仿真工具箱，以及关于视觉检测、医学成像、土地分类等一系列的参考案例。用户通过这些案例和实际的模型，能够清晰的知道如何在每个行业领域去应用我们的产品。”MATLAB和 Simulink作为一个开放平台，可以融合更多的工具来共同完成AI产品的设计，全面满足如今发展越来越大的人工智能系统。
趋势二：AI将整合工程、计算机科学、数据科学和IT技术，形成跨学科、多领域平台
（MathWorks供图）
AI是一个跨学科、跨领域、跨平台的一个应用。在这个方面，MathWorks工具提供了与用户的开发、部署、工作流程中的行业标准和技术平台相结合，可以极大地减少一些返工量。
在演示图片中可以看到，在一个产品开发过程中，左边维度括了从设计，到实施，到最后的测试过程。在这个过程中有着不同平台的参与，MATLAB和Simulink所提供的工具可以和开发阶段这些不同平台、不同的工具结合，做到一个无缝的连接。右边是开发结束之后的运营环节，MathWorks将算法、模型等都部署在Embedded system嵌入式系统，此外还能部署在手机、通讯、终端等边缘设备中，还可和IO／OT系统相结合，也支持部署在Azure或者ASW这些云端。
Jim Tung表示：“通过上述的方法，大家可以看到，实际上是一个开发、运营、部署的一个有机的结合，我们可以达到这种经常所说的这种开发运营的模式。通过MathWorks提供这种服务无缝连接，可以去实现一个系统化升级，把它结合成一个有机的系统整体。”
趋势三：AI模型的可解释性和可视化进一步提高
（MathWorks供图）
Jim Tung认为，在军工、航空航天、汽车等或对代码／系统的安全性要求比较高的领域，对于模型的可解释性要求非常高。通过人工智能预测的模型，一方面是了解每一层的主要特征是什么，另一方面是了解这些训练模型的网络使用了哪些特征来进行预测。比如演示图中，如果没有可解释性，那么尽管人工智能算法可以判断出哪一块是键盘，哪块是鼠标，但是它不能清晰地解释为什么会去判断它是鼠标或者是键盘，是通过哪些特征而做出的判断。
因此，AI模型的可视化能够更好地解释人工智能是如何以及为什么做出这些决策，通过可视化以及特定标识，用户可以清晰地知道算法中哪些特征值被用来决定做出最后的决策。MathWorks从R2017a一直到最新的R2021a系列产品中，持续不断地实现工具升级，专门提供AI模型的可解释性和可视化功能。
趋势四：仿真和测试将采用3D技术，使效果变得更加真实
（MathWorks供图）
人工智能产品的开发通常需要经过四个步骤，首先是数据准备，然后通过AI建模，再通过模拟与测试，最后通过部署使用。在前期数据准备的过程中，一些极限工况数据采集并不容易，不仅会耗费大量的人力物力，甚至会对系统产生破坏性因素。而极限工况数据又是实现人工智能算法完整不可或缺的一部分。
“利用模型就可以轻松且不耗费任何成本地拿到这些极限工况数据，然后通过这些极限工况的数据去训练你的人工智能模型，来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传感器数据，比如自动驾驶汽车里面所用的激光雷达，32线或者64线的激光雷达成本高达上万美金。做测试的过程中又很难去现场提取极限工况数据。因此我们可以在系统中利用仿真数据来导入自动驾驶模型里，然后模拟传感器的数据进行分析。自动驾驶的模拟不止是单个场景，还包括定位、路基规划、环境管理、互助算法等等，只有将这些都协同一体，才能保证自动驾驶车辆在任何情况下都能完美的运行、减慢、加速等。”
Jim Tung还表示，单独的人工智能模型没有意义，只有将整个AI算法集成到整个系统范围之内，在转移到硬件之前对它进行仿真，对系统的其它算法做一个整体的测试并验证其有效性，才是最关键的。
趋势五：更多的AI模型部署到低功耗、低成本嵌入式设备上
（MathWorks供图）
越来越多的人工智能算法部署在不同的设备中。像宝马的生产线，化工厂的边缘系统，生产工厂基于企业系统的部署，云端数据平台等等……通过MATLAB模型，可以生成代码，最后部署在任何的平台上。
Jim Tung还介绍了MATLAB另外一个特性：代码生成自动化。有很多研究人员专业知识很强，但是实际在编程方面的经验有所欠缺。通过MATLAB 和Simulink所提供的人工智能模型以及相应的工具包，不需要人工干预也可帮助自动生成代码。代码的类型也可通过算法来进行改变，以适应不同场合的应用。
比如IDNEO公司利用MATLAB及相应的机器学习、图像分析工具包箱开发了用于解释血型结果的嵌入式计算机视觉和机器学习算法。它解决了医院采血检测分析过程费时费力的问题，利用人工智能技术手段，通过视觉处理、机器学习算法让它自动化确定患者的血液抗原类型等等。这种方式不仅提高了工作效率，而且精度比人工更准确。
后续
人工智能自诞生以来，至今已有60年的发展历史。随着信息技术快速发展和互联网快速普及，以2006年深度学习模型的提出为标志，人工智能迎来第三次高速成长。随着应用范围的不断拓展，人工智能与人类生产生活联系得愈发紧密。人工智能行业在最近几年进展可以说是硕果累累，在专用人工智能领域、相关技术领域、以及消费类智能机器人领域均取得了突破性进展。但它仍然存在诸多未知空间等待人们去探索。在2021年，AI市场又是否会像MathWorks预测的那样？时间或许能见证一切。
据了解，MathWorks成立于1984年，总部位于美国东海岸波士顿Natick市，在全球有超过5000名的员工分布在34个办公室，超过半数员工都是研发工程师。从MathWorks建立至今，公司每年都处在盈利持续增长的状态。2020年公司销售额超过10亿美金，如今全球已有超过180个国家和地区，超过400万用户在使用MathWorks的产品。
