從“出圈”到“入俗”，把握AI下沉之勢賦能全行業(yè)

舊時王謝堂前燕，飛入尋常百姓家。到2022年，人工智能已經(jīng)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(jīng)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(jīng)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(wǎng)絡(luò)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(lǐng)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(shù)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(shù)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(zhuǎn)型，在實現(xiàn)了一定數(shù)字化的基礎(chǔ)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(jié)合起來，實現(xiàn)一個有機的整體。傳統(tǒng)意義上的工程設(shè)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(jié)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(guān)鍵領(lǐng)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(guān)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(shù)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(shè)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(shè)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(lǐng)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(zhuǎn)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(diào)就可以適用于不同應用研究。此外，GAN（生成對抗網(wǎng)絡(luò)）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(nèi)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(wù)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(chǎn)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(wù)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(wù)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(diào)優(yōu)。這些工具中已經(jīng)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(diào)優(yōu)。而且所有的算法流程都已經(jīng)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(wǎng)絡(luò)能夠完美地解決所有的業(yè)務(wù)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(zhuǎn)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(chǎn)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(chǔ)設(shè)施上的集成。為了方便實現(xiàn)不同邊緣設(shè)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(wǎng)絡(luò)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(wù)可以快速將AI算法作為一個組件部署到企業(yè)應用服務(wù)器或Web服務(wù)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(cè)、運營側(cè)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(jié)

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(jīng)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(jīng)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(zhuǎn)折點。