AI工业应用需要什么，MathWorks就造什么

本文将详细聊一聊人工智能五大趋势，以及MathWorks是如何顺应时代要求，做一个“AI时代造物者”的？“我们认为2020年将成为‘AI驱动系统’年。”

这句话出自MathWorks（迈斯沃克软件）首席战略师Jim Tung。乍一看，并无新奇。近几年来，哪年不是AI年？整的比大年初一还要热闹。但这句话中关键词是“系统”，随着人工智能在多种工业应用当中的快速发展，作为“AI驱动系统”的关键2020年，MathWorks还预测了本年将有人工智能五大趋势。分别是：

1. 劳动力技能和数据质量壁垒开始消弭

2. AI 驱动系统的兴起使设计复杂度进一步提高

3. 将 AI 部署到低功耗、低成本的嵌入式设备的过程日益简便

4. 强化学习开始从游戏领域转向现实世界的工业应用领域

5. 仿真可以降低成功采用 AI 所面临的主要壁垒——数据质量欠佳

本文将详细聊一聊这五大趋势，以及MathWorks是如何顺应时代要求，做一个“AI时代造物者”的？

怎样的AI时代？

随机找一位路人，问他“这是怎样的AI时代？”不管专业还是非专业人士，一定给你一个类似“BOOM”的答案。这些年，说一次AI天上就掉下一粒沙，于是有了撒哈拉。但一切又像处于行业爆发前夕，据Gartner调查研究显示，如下图，从事人工智能或机器学习工作的企业平均有4个AI/ML项目到位。59%的受访者表示他们已经部署了人工智能。

受访者们还希望在未来12个月内再增加6个项目，在未来3年内再增加15个项目。这意味着在2022年，这些机构预计平均有35个AI或ML项目就位。

此外，Gartner这份调研还表示，目前这些企业在应用人工智能和机器学习技术时面临的如下图显示的三大挑战，其中首要解决的是员工技能、数据范围和质量以及AI优势的理解和应用。团队技能和数据的可用性成了两大壁垒。Jim Tung表示：“通过雇佣新的专家，能够在一定程度上解决团队技能方面的问题，但现有团队成员的技能也需要提高。这两大壁垒对于AI技术的成功应用十分重要，亟待解决。”

“AI 的普及被什么东西拖累了。”Gartner 副总裁 Svetlana Sicular指出了AI大厦上方的乌云。而本文开头所说的5大趋势，似乎要拨开这团云雾。

技能与数据

5大趋势中的第一个关于劳动力技能与数据质量的壁垒已打破。Jim Tung认为，越来越多的工程师和科学家开始参与到AI项目中，他们可以很好获取现有深度学习的预训练模型，以及一些公开的研究成果，能够协助更广泛地应用AI技术。也就是说，AI领域已经不再缺乏真正的领域高手。人们可以在AI模型中更多地利用传感器数据，包括时间序列数据、文本和雷达信号。这些工程师和科学家能够充分利用自己对数据的了解，这将对AI项目的成功产生重大影响。

此外，自动标注工具能够加快高质量大型数据集的准备。MathWorks能够提供一系列的应用程序来帮助工程师、科学家和数据科学家快速标注图像数据，以及用于其他数据的应用程序。

当然，天底下没有那么多专家，非专家就不配做AI项目吗？显然不是，Jim Tung表示，MathWorks提供一系列的应用程序来帮助他们更高效地完成工作。在应用程序中，通过点击的方式，引导工程师们完成工作流当中的设计和分析等各个步骤。MathWorks所提供的诸如Deep Network Designer和Classification Learner等工具能使工程师们更加得心应手。其中，Deep Network Designer 应用程序可用于创建、可视化并编辑深度学习网络；Classification Learner 应用程序可用于尝试不同的分类器，以查找数据集的最佳拟合。

Deep Network Designer

Jim Tung表示：“应用程序之所以重要，是因为它们能够帮助非AI领域专家有效使用相关技术，例如在深度学习工作流中的应用，用户获取模型，导入网络，训练图像分类网络，并生成代码用于训练，这都是以一种按键点击的方式来执行的。”

另一个工具——MathWorks的Experiment Manager应用程序，可以管理多组实验、记录参数并分析并比较结果。

Experiment Manage

在垂直领域中，从 Diagnostic Feature Designer 应用程序生成MATLAB 代码，以实现信号处理，特征提取和特征排序任务的自动化，工程师们能够快速提取关键特征，在系统因故障失效前，用于预测何时需要对系统进行维护。

对于非数据科学领域专家，Classification Learner可以帮助用户通过一键点击的方式训练多种机器学习模型，通过并行计算的方式进行模型训练，这样他们能够快速发现合适的模型。以及超参数调优等高级功能。

同时MATLAB也为专家们提供了完整的软件功能，为解决更多不同的问题进行技术开发，包括当前领先的一些技术，例如AutoML。

Jim Tung举了一个最新的例子，复旦大学利用MATLAB来开发相应的数学模型，用于预测新冠肺炎的传染趋势，为中国的政府提供相应的公共措施方面的指导。MATLAB在这个项目当中的主要应用有：数据的可视化和预处理，模型的拟合还有开发，以及参数的调优，数值仿真和测试，还有应用程序的开发，并最终以Web应用的形式部署。

AI设计复杂度提高

MathWorks预测，如今AI 驱动系统的兴起使设计复杂度进一步提高。一方面来说，工程师正积极将 AI 推广应用于各种系统，包括自动驾驶汽车、飞机引擎、工业厂房和风力发电机。另一方面，AI模型的行为对于这些复杂多域系统的整体性能具有重大影响。此外，设计人员期望利用基于模型的设计工具，对这些 AI 驱动系统进行仿真、集成和持续测试。

“工程师们期望使用基于模型的设计的方法，通过仿真、AI模型的集成以及持续测试理解如何创建鲁棒的AI驱动系统。”Jim Tung如此说道，还举了一个MathWorks客户使用 Simulink 进行快速开发迭代和测试的例子。

Voyage公司将自动驾驶算法嵌入车辆中，为老人护理机构提供服务，仅仅在3个月内，就非常快速地实现了level3的无人驾驶汽车开发。他们通过基于模型的设计集成AI功能和汽车的其他子系统，从而快速地理解系统行为。

低功耗、低成本

Jim Tung表示，如今将AI 部署到低功耗、低成本的嵌入式设备的过程日益简便。主要有三点原因1，AI 通常采用32位浮点运算，这在 GPU、集群和数据中心等高性能计算系统中广为应用2，软件工具的最新发展现已支持采用不同级别定点运算的 AI 推理模型3，这使得在低功耗、低成本设备上部署 AI 成为可能，并为工程师将 AI 技术融入设计开辟了新天地。

如今，工程师可以使用软件工具，特别是自动代码生成功能，能够在开发一次模型后，使用代码生成功能将其部署到各种不同的平台上，例如生成C++代码，或生成CUDA代码应用于GPU上，例如NVIDIA，以及HDL代码，应用在FPGA上，一个来源，多个目标，全部自动实现。

MathWorks提供的Deep Network Quantizer工具，可以快速导入一个预训练好的模型，根据真实数据对模型进行校准，校准统计量范围，并对网络各层进行量化，或创建定点运算表达，验证。

Jim Tung表示：“我们还支持其他传统的机器学习算法的定点代码生成，例如决策树，支持向量机模型，这些模型的自动代码生成是可靠性和速度的关键。”

工业领域的强化学习

AI第四个趋势则是强化学习开始从游戏领域转向现实世界的工业应用领域。Jim Tung认为，强化学习 (RL) 赋能现实世界的工业应用，尤其是自动驾驶、自主系统、控制设计和机器人。

如今强化学习的实现需要大量的数据，数据来源则是模型的仿真，在模型中将模拟一些在现实世界当中难以复现的条件。

Jim Tung提到，MathWorks还开发了强化学习工具箱，支持内置的和自定义的强化学习智能体的应用。在MATLAB和Simulink当中，用户可以对环境进行建模。同时，深度学习工具箱也支持一些强化学习策略的设计。还提供了GPU以及云端的训练加速功能。另外通过仿真，用户可以验证强化学习策略是否合理。同时MathWorks也提供了嵌入式系统的代码生成，以及之前提到的参考示例供用户快速起步来进行项目的开发。

在一个无人驾驶汽车案例中，Simulink模型中有车辆的模型以及软件部分的控制器模型，此外还有感知算法部分的模型，根据车载摄像头采集的图像数据，识别车道，感知周围的路况。在强化学习部分，使用仿真数据训练智能体做出决策，改善行为。

数据质量欠佳

Jim Tung认为，目前采用 AI 所面临的主要壁垒是数据质量欠佳。所谓数据质量，涉及两个部分一个是数据的质量，一个是数据的范围。首先是故障问题数据，这些对预测性维护非常有帮助，背后则需要故障模式的仿真。另外，各类数据不均衡。MathWorks可以提供数据可视化标准化的工具，数据质量。

仿真可以解决这个难题。Jim Tung表示，一方面人们真正需要的是异常和严重故障状态下的数据。另一方面，从物理设备中生成故障数据具有破坏性而且代价高昂，最佳做法是通过仿真呈现故障行为生成数据，进而运用合成数据训练准确的 AI 模型。

据了解，可以采用在基于模型设计的流程当中开发的模型，对模型进行些许调整，来模仿故障模式，而不是正常工作模式。这些故障模式的模型可以仿真生成大量的数据来描述故障状态，用于训练AI模型以及故障检测。

Jim Tung表示：“使用Simulink提高训练数据质量的场景很多，其中之一是，AI可以被用在多种产品中，而不仅仅是一种终端的解决方案，同样它也是一系列的技术，可用于多个领域，例如说雷达信号的仿真，以及无人驾驶汽车，还有激光雷达传感器的感知算法，因此可以被MathWorks各类用户使用。”

月，MathWorks在Gartner 的《2020 年数据科学和机器学习平台魔力象限》报告中被评为领导者。Gartner 对 MathWorks 的前瞻性和执行能力进行评估后，将该公司定位为 2020 年度领导者。

Jim Tung认为：“在整个魔力象限中，MathWorks独特点在于，我们主要服务工业用户，即那些建造并提供实际的物理设备、机器、汽车的企业等。Gartner在评估的时候，他们也考虑到了这一点，越来越多的数据来自于机器和硬件资产，这也是将我们MathWorks认定为在产品的完整度和远见性方面最强的一个供应商的部分原因。因为我们认识到AI的应用前景不仅在数据挖掘上，更重要的是怎样管理和优化资产。这是我们区别于其他供应商的一点。为什么说我们和象限中的其他厂商并不是竞争对手，因为我们在大多数情况下各自面向的是不同的市场。”

MathWorks的想法很纯粹，即尽量满足AI工业应用的需求。AI工业需要什么，MathWorks就制造什么。