揭開(kāi)人工智能的面紗

在我們周?chē)恳粋€(gè)領(lǐng)域，無(wú)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(lái)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(méi)有說(shuō)明人工智能的作用，也沒(méi)有說(shuō)明制造商憑什么可以信心十足地做出這樣的主張。我內心屬于工程師的那一面總是對物品的構建方法充滿(mǎn)好奇。之所以如此，是因為我對“黑匣子”這個(gè)理念不感冒——這個(gè)理念認為我們不需要了解計算如何進(jìn)行編程。

那么，就讓我們一起來(lái)打開(kāi)這個(gè)盒子，揭開(kāi)人工智能的面紗看一看。要想實(shí)現人工智能，您首先要滿(mǎn)足兩個(gè)要素：（1）能夠測量某些參數并且了解測量結果的含義；（2）學(xué)習能力。第一個(gè)要素涉及計量學(xué)，也稱(chēng)為計量科學(xué)研究。第二個(gè)要素稱(chēng)為機器學(xué)習（ML），它讓系統能夠辨別不同于預期結果的測量值，并且在不需要明確編程的情況下改變操作。

是德科技全球企業(yè)和產(chǎn)品營(yíng)銷(xiāo)副總裁 Jeff Harris

數據收集能力

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

●   測量深度：無(wú)論是測量單個(gè)參數還是測量多個(gè)參數，測量精度決定了您能夠達到哪種程度的可編程能力。例如，以 1/10 伏的精度測量 3 伏系統就不會(huì )像以 1/1000 伏的精度測量同一個(gè)系統那樣有洞察力。

●   數據饋送：測量數據只有在可用于數據饋送時(shí)才對算法有幫助。在上面的示例中，如果傳感器能夠以 1/1000 的精度進(jìn)行測量，但受到數據總線(xiàn)的限制，其數據饋送輸出只能精確到小數點(diǎn)后一位，那么額外的精度就不能為算法所用。

●   多個(gè)數據饋送：在可能的情況下，測量的參數越多，做出的決策就越有效。舉個(gè)例子，如果能夠以 1/1000 的精度測量電壓和溫度，您就能夠將溫度變化與電壓波動(dòng)聯(lián)系起來(lái)。

進(jìn)入機器學(xué)習

機器學(xué)習會(huì )把來(lái)自多個(gè)源頭的數據提供給用以模仿人類(lèi)學(xué)習方式的算法，從而逐步提高算法的準確性。獲得數據饋送后，您還需要三個(gè)基礎模塊才能實(shí)現 ML：解釋數據的算法、具有響應式結果的預期結果表、反饋環(huán)。

●   算法：一個(gè)機器學(xué)習系統的真正“智能”體現在它能夠獲取數據饋送輸入，運行一組計算/指令，并解釋輸出。解釋指的是它能夠分辨輸出計算是否在預期范圍之內，然后根據該輸出執行新命令。在前面的示例中，如果不僅電壓測量結果遠超預期范圍，而且溫度也高于標稱(chēng)值，那么算法可能會(huì )啟動(dòng)內部風(fēng)扇。

●   預期結果和響應式結果：以最簡(jiǎn)單的方式來(lái)解釋的話(huà)，預期結果可以是數據饋送輸入與一系列響應式命令組合而成的“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 可以執行一步步變更，例如根據實(shí)時(shí)感知數據改變無(wú)人機的航向，從而避開(kāi)障礙物，這一操作同時(shí)需要持續的感知和不斷的調整。

●   反饋環(huán)：最后一個(gè)要素是反饋環(huán)。它允許系統驗證其操作是足夠的還是需要進(jìn)一步改進(jìn)，并且能夠幫助系統調整參數，從而提高未來(lái)的性能。

增添多個(gè)針對大型系統不同方面的 ML 功能，增加更多傳感器數據，從而在更復雜的系統層面實(shí)現機器學(xué)習。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(lèi)型的響應式結果指令，并衡量執行的響應的充分度。這些就成為了自我調整算法，從數據中獲取知識，從而預測結果。訓練的算法越多，輸出就越準確。

人工智能

既然擁有了可訓練的算法，那么您就在很大程度上可以實(shí)現 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則和迭代相結合，以便算法做出實(shí)時(shí)決策。當 AI 算法處理數據、

迭代、考慮新數據進(jìn)入的迭代響應，以及使用組合來(lái)選擇輸出時(shí)，它就進(jìn)入了決策狀態(tài)。這個(gè)永無(wú)止境的循環(huán)促使 AI 不斷學(xué)習并提高決策質(zhì)量。整個(gè)過(guò)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(wú)人機的飛行控制系統一樣復雜。

人工智能的 DNA 標記

如何預測 AI 算法的性能？就像了解人類(lèi)一樣，您可以通過(guò) DNA 標記來(lái)了解 AI 算法。從最基礎的層面來(lái)看，具有人工智能的機器能夠仿真人類(lèi)感知信息、處理信息和對信息做出反應的方式，并針對給定的條件修改工作流程，從而代替人類(lèi)參與決策循環(huán)。從本質(zhì)上講，您可以查看三個(gè)常見(jiàn)的 DNA 標記：

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

2.算法、分析技術(shù)和洞察力：開(kāi)發(fā)人員對信號核心特征的了解程度以及這種程度與預期響應的關(guān)系將決定預期結果“查找”表的深度。

3.工作流自動(dòng)化知識：從系統層面上理解多次迭代的 ML 輸出如何協(xié)同工作，從而優(yōu)化預期結果。

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：

1.深度——理解指定測量領(lǐng)域中測量結果的能力

2.廣度——人們擁有的深度知識所涵蓋的技術(shù)和標準的數量

這向我們指出一個(gè)事實(shí)——如果實(shí)施得當的話(huà)，人工智能并不是一種被過(guò)度炒作的新興技術(shù)。相反，工程師可以借助它來(lái)管理復雜性呈指數級增長(cháng)的新設計。

正如未來(lái)學(xué)家 Gray Scott 所言，“到 2035 年，人腦不可能也沒(méi)有辦法與人工智能機器相匹敵?！惫こ處焸円庾R到了這一點(diǎn)，并且開(kāi)始將 ML 和 AI 融入他們的系統。人工智能的誕生要歸功于充滿(mǎn)智慧且積極進(jìn)取的工程師。他們了解測量科學(xué)，充分理解為開(kāi)發(fā)人員創(chuàng )建數字孿生可能會(huì )得到的系統特性，并志在讓工程走上新臺階。