舊時王謝堂前燕，飛入尋常百姓家。到2022年，人工智能已經跨過了“出圈”的全民熱議階段，開始“入俗”——下沉滲透到全行業(yè)進行賦能。AI已經不再單純是圍繞著AI本身去討論的一個課題，而是成為各行各業(yè)都在應用一個組件角色，作為一種利器賦能實現(xiàn)整個大系統(tǒng)的優(yōu)化。而在這種具體應用場景的沉淀上，必然面臨著諸多的問題，來自場景本身的不同要求，AI系統(tǒng)如何多樣化降維適配。這些趨勢也是挑戰(zhàn)，如何把握AI下沉之勢，賦能各行業(yè)創(chuàng)新發(fā)展？近日MathWorks的中國區(qū)行業(yè)市場經理李靖遠和記者進行了分享。

2022年AI發(fā)展趨勢（挑戰(zhàn)）

當AI要下沉到各行業(yè)中進行賦能，仍存在著不少需要解決的問題。首先各行業(yè)數(shù)字化發(fā)展程度不同、特定的應用場景也都千差萬別，因此對于數(shù)據(jù)處理方式、復雜的算法形態(tài)選擇、不同網絡模型和能效平衡等問題的解決，將會是AI發(fā)展的主要趨勢中的重要一部分。在Gartenr2021年的數(shù)據(jù)科學和機器學習平臺的魔力象限中，MathWorks被定位為領導者的角色。MathWorks今年也發(fā)布了新的一期AITrends的報告，分享了對于整個AI的預測。

首先，人工智能將會在工程和科學學科、整個行業(yè)和學術界廣泛普及。譬如智能家居、自動駕駛等新興的行業(yè)，本身數(shù)字化技術比較好，就會先一步實現(xiàn)AI落地。而像電力、化工等傳統(tǒng)行業(yè)，正在進行數(shù)字化轉型，在實現(xiàn)了一定數(shù)字化的基礎之后，同樣也會實現(xiàn)人工智能的普及。

第二條趨勢是人工智能將工程、計算機科學、數(shù)據(jù)科學和IT部署這些原本相互獨立的環(huán)節(jié)結合起來，實現(xiàn)一個有機的整體。傳統(tǒng)意義上的工程設計、虛擬仿真、大數(shù)據(jù)、企業(yè)部署運維等可以通過低代碼的人工智能方式結合。

第三條是模型的可解釋程度提高了人工智能的認可度。通過機器學習生成的模型的解釋程度不如直接建模清晰，因此在一些安全關鍵領域不能被采納。在這方面，人工智能模型的可解釋程度正在逐步提高以獲得更多安全關鍵應用認可。

第四條趨勢是利用3D場景的仿真和測試。這種3D技術的出現(xiàn)將會使仿真測試環(huán)境更接近真實的物理場景，從而加速某些真實物理場景測試受限于應用的發(fā)展，例如自動駕駛、醫(yī)療成像行業(yè)等。

第五條是人工智能的在邊緣設備部署的提高。終端上的算力提升、人工智能自身模型精煉度提高，兩方向上一同邁進，讓邊緣設備上的AI應用有著加速普及的趨勢。

第六條是人工智能被廣泛應用于應對全球挑戰(zhàn)：傳染病大流行、氣候變化等。

第七條是人工智能系統(tǒng)從以算法為中心到以數(shù)據(jù)為中心。在數(shù)據(jù)層面上進行更有效的數(shù)據(jù)優(yōu)化，為后端的算法模型輸入更優(yōu)的數(shù)據(jù)。

第八條是無代碼、低代碼和自動編碼等應用加速了AI普及。各行業(yè)各領域的專家，即使不擅長編程，也可以做到用AI來加速自己應用研究。

第九條是AI推動跨平臺，跨框架以及多學科之間的協(xié)作。不同的框架之間可以相互轉換、不同平臺也可以實現(xiàn)一定程度互通、多學科之間也就有了協(xié)作的可能。

第十條是人工智能大量用于應用科學的研究，很多成熟的模型僅需簡單的微調就可以適用于不同應用研究。此外，GAN（生成對抗網絡）和PIML（物理信息機器學習）等新興研究方向也在發(fā)展中。

上述的十條趨勢中，蘊含著挑戰(zhàn)。AI的各行業(yè)內落地，肯定不能僅僅靠AI研究人員本身，而來自各行業(yè)的專家又難以做到同時精通AI和本行業(yè)知識。因此一個既能理解各行業(yè)業(yè)務場景，又了解AI運作和部署的平臺才能幫助實現(xiàn)AI更好的落地。MathWorks就是這樣的一個角色，不僅如此，MathWorks在自身的平臺中也通過AI實現(xiàn)了加速。

從開發(fā)全流程，實現(xiàn)人工智能在企業(yè)DevOps中融合

根據(jù)李靖遠分享，一個AI開發(fā)流程包括數(shù)據(jù)準備、AI建模、系統(tǒng)仿真和測試以及部署四個環(huán)節(jié)，仿真和實際運行過程中產生的數(shù)據(jù)又會被反饋進入到最開始的數(shù)據(jù)清理整理過程，整個業(yè)務的AI系統(tǒng)將會在這個流程里進行不斷迭代優(yōu)化。MathWorks在每個環(huán)節(jié)都提供了相應的APP、工具箱或者服務來幫助用戶更高效、低學習成本地使用AI賦能。

數(shù)據(jù)整理過程是一切的開始。在做人工智能的模型訓練之前，需要給各個數(shù)據(jù)打好標簽，才能對其進行訓練。實際的應用場景中，成千上萬的數(shù)據(jù)，如果全靠人工進行標簽分類將會是非常龐大的工作量。MathWorks提供了四類自動標注標簽的APP，分別是信號、音頻、圖像和視頻的打標簽App，將數(shù)據(jù)輸入之后就可以自動實現(xiàn)標簽標注，然后輸入到后端進行訓練。

在AI建模過程中，MathWorks提供了Deep Network Designer、ClassificationLeaner和ExperimentManager等App，幫助使用者進行AI模型的調優(yōu)。這些工具中已經集成了很多成熟的算法，因此即使開發(fā)者不熟悉AI的算法，也可以輕松地選擇合適算法，自動建立符合自己工程需求的算法模型，將自動導入的數(shù)據(jù)進行調優(yōu)。而且所有的算法流程都已經做到了可視化的處理，幫助開發(fā)者快速理解和熟悉整個AI算法流程。

仿真測試上的難題在于和不同模型的集成。據(jù)李靖遠介紹，目前人工智能的框架越來越成熟，很多框架都可以實現(xiàn)圖象處理、聲音識別、視頻識別、語音識別、目標識別等。主流的框架包括Tensorflow、Keras、Caffee等，但沒有一個深度學習網絡能夠完美地解決所有的業(yè)務問題。因此這也就是為什么各平臺之間互操作性非常重要的原因。

MathWorks為流行的Tensorflow和PyTorch等框架分別提供了專門的導入器，可以直接通過導入器將模型導入到MATLAB中。此外MATLAB也支持ONNX格式模型的導入，用戶可以將PyTorch等其它模型先轉換成ONNX標準格式，然后導入到MATLAB中，實現(xiàn)系統(tǒng)級的仿真，快速實現(xiàn)原型測試。

通過AI建模的這些通常都是非線性系統(tǒng)，也正是其非線性的特點，所以更需要AI來進行有價值的挖掘。這種非線性系統(tǒng)，雖然整體的模型體積很大，但在產業(yè)應用中為了實現(xiàn)仿真加速，通常使用的都是降階模型來取代高保真模型，從而實現(xiàn)更好的處理效率。

在部署的層面上，面臨的挑戰(zhàn)可以分為多樣化的嵌入式系統(tǒng)的代碼形式和企業(yè)IT基礎設施上的集成。為了方便實現(xiàn)不同邊緣設備上得到部署，MathWorks提供了自動的嵌入式代碼生成器，同樣的網絡模型，通過該生成器，可以識別CPU、GPU和FPGA這些不同的硬件平臺，自動生成C++代碼、PLC代碼、CUDA代碼、HDL代碼等嵌入式代碼。

在企業(yè)級部署方面，MathWorks推出了MATLAB Production Server和Web Application Server，通過這種服務可以快速將AI算法作為一個組件部署到企業(yè)應用服務器或Web服務器上，進而整合到企業(yè)的整個IT/OT系統(tǒng)中。

上面介紹的在AI整個開發(fā)流程上的諸多App，從開發(fā)側、運營側都幫助實現(xiàn)了AI的集成和部署，幫助企業(yè)真正將AI和MATLAB實現(xiàn)了在DevOps中的融合，實現(xiàn)帶AI賦能的開發(fā)和運營一體化部署。

總結

當AI真正開始落地的時候，并不是“深藍”，也不是像一些美劇中的扮演“上帝”的人工智能角色。它更多是作為應用端整個系統(tǒng)中的一個組件，來賦能加速整個大的系統(tǒng)。通過對于各行業(yè)場景理解和把握，數(shù)字孿生上的長期積累，MathWorks現(xiàn)在已經提供了諸多的低代碼、無代碼App，并且從整個AI開發(fā)流程上，真正幫助開發(fā)者實現(xiàn)了快速的AI算法部署，整合進企業(yè)的DevOps循環(huán)中。據(jù)悉，目前MathWorks官方發(fā)布的已經有超過100個使用MATLAB AI解決工程問題的例子。

而正像MathWorks中的10大預測一樣，AI將會繼續(xù)下沉、滲透、沉淀到我們大部分應用中。當我們都逐漸將這些挑戰(zhàn)解決，將這些趨勢實現(xiàn)之時，AI將會迎來另一個轉折點。