从测量入手，判断 AI 算法的潜力

人工智能(AI)算法包含三个基本核心要素：1) 具备测量能力;2) 知道其中有多少测量需要进一步处理;3) 并行处理多路输入的能力。

系统的潜力是指它的可测性以及可达到的测量深度，而潜力的发挥则指的是决定系统必须将哪些方面的测量结果发送给处理器进一步处理。最后，传感器融合指的是了解如何以正确的比例将不同传感器的测量结果合并在一起，算法的智商有多高，推理的潜力有多大，这是我们探索的关键。通过反馈环路增强传感器融合，算法将能够校验和纠正自身的逻辑，这是机器学习必不可少的一个组成部分。

这三个属性对于了解人工智能的深度非常关键，尤其是其独特能力方面。我们发掘和校准的基础要素越多，人工智能算法的长远表现就越好。介绍了我们要探索的三个领域之后，接下来我们深入了解第一个方面——测量深度，以及它对构建稳健的高性能 AI 算法基础的重要性。

测量深度

计量学研究的是测量科学。在构建稳健算法的过程中，测量深度发挥着至关重要的作用。Gagemaker 规则(10:1 规则)规定，测量仪器或器件的精度必须比要被测对象高 10 倍。测量深度之所以如此重要，是因为它决定了可能达到的精度水平，限定了算法的最大潜力。因此，您在进行任何一项指定测量时，精度越高，人工智能算法的潜力就越大。

计量学侧重于深入了解某项特定测量。这项测量可能是十分简单明了，比如电压、接地、温度，或者像实现飞行器控制面一样涉及多个模态，也可能十分复杂，比如像最大化生产装配线吞吐量一样复杂。无论是测量单个还是多个参数，测量深度决定了我们能够达到哪种程度的可编程能力。例如，以3 V 电压系统，如果测量精度只有1/10 V，在洞察力方面，就无法与 1/1000 V的测量精度同日而语。取决于给什么样的系统供电，额外的精度可能会对电池的续航时间至关重要，也可能只是鸡肋般的多余。充分发挥算法的潜力必须让整个端到端测量需求与所需的深度相匹配。无论测量的对象是什么，这一点都是正确无误的，即使是可能不那么直观的数据系统也不例外。下面，我们来看一个示例。

如何优化测量

企业 IT 堆栈是一个复杂的数据互连系统网络，每个系统需要交换信息来协调组织的运营。这些技术堆栈包含一系列软件，例如 CRM、ERP、数据库、订单履行等等，每一种软件都有各自独特的数据格式和自定义应用编程接口(API)。Salesforce 的数据显示，公司的技术堆栈中应用软件个数平均有超过 900个，其中许多是云应用，并且它们的软件更新都可能会产生连锁反应。发现问题和隔离问题就如同大海捞针一般，优化多个交叉应用软件的性能其难度就更加可想而知。

企业中技术堆栈内的每个应用软件会有一个不同的责任部门，譬如财务、人力资源、销售、营销、供应链。IT 会将主要组织的需求放在首位。每家企业都有特别定制的工作流程，也会集成众多应用软件和后端系统，用户使用软件的行程或旅程会涉及各种路径，单一的线性旅程非常少见。因此，即使两家企业的技术堆栈中使用了同样的应用软件，他们的所有交换点映射以及端到端操作验证方式也会完全不同。需要人工智能的应用软件因此应运而生。在这种情况下，测量位置可能是系统间的数据输入点，也可能是系统内的数据交换点和数据显示点。

要想知道 AI 算法如何在这样的系统中运行，我们首先需要了解它如何在以下三个关键领域测量各个点的数据：

1. 评测用户与应用软件的交互方式，无论使用的是什么操作系统。在某些情况下，当需要按键操作时，还涉及到采用机器人流程自动化(RPA)

2. 评测在复杂的技术堆栈中各个系统之间的数据交换以及连接这些系统的应用编程接口命令，确保它们正确运行

3. 评测所有平台(包括台式机和移动设备)上的屏幕信息，例如图像、文本、标识，从而了解它们的呈现方式

无论使用的是什么操作系统、什么版本的软件、哪种设备或接口机制，评估测量功效都需要从测量能力入手。人工智能若是无法测量的情形越多，它在运行中发挥的影响就越小。

结论

在评估某个事物的潜力时，我们需要从基础入手。AI 系统的基础就是它的测量能力。它能够测量的条件越多，潜在的影响力就越大。我们要了解它能够进行哪些测量，更重要的是，我们还要知道它不能进行哪些测量。AI 算法的潜力会受到感测能力的限制。开尔文勋爵曾经的名言至今仍不过时――“无法测量，则无法改进”。要想了解 AI 的真正能力，请务必从分析其测量的广度和深度开始。