作者：是德科技全球企業(yè)和產(chǎn)品營銷副總裁Jeff Harris
在我們周圍每一個領(lǐng)域，無論產(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，因此您自然會相信這樣的主張。然而，大部分的主張并沒有說明人工智能的作用，也沒有說明制造商憑什么可以信心十足地做出這樣的主張。我內(nèi)心屬于工程師的那一面總是對物品的構(gòu)建方法充滿好奇。之所以如此，是因為我對“黑匣子”這個理念不感冒——這個理念認(rèn)為我們不需要了解計算如何進(jìn)行編程。
那么，就讓我們一起來打開這個盒子，揭開人工智能的面紗看一看。要想實現(xiàn)人工智能，您首先要滿足兩個要素：（1）能夠測量某些參數(shù)并且了解測量結(jié)果的含義；（2）學(xué)習(xí)能力。第一個要素涉及計量學(xué)，也稱為計量科學(xué)研究。第二個要素稱為機(jī)器學(xué)習(xí)（ML），它讓系統(tǒng)能夠辨別不同于預(yù)期結(jié)果的測量值，并且在不需要明確編程的情況下改變操作。
數(shù)據(jù)收集能力
計量學(xué)側(cè)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單而獨特，也可能像飛行器控制面或復(fù)雜的制造裝配線一樣具有多模態(tài)功能。
測量深度：無論是測量單個參數(shù)還是測量多個參數(shù)，測量精度決定了您能夠達(dá)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(tǒng)就不會像以1/1000伏的精度測量同一個系統(tǒng)那樣有洞察力。
數(shù)據(jù)饋送：測量數(shù)據(jù)只有在可用于數(shù)據(jù)饋送時才對算法有幫助。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(shù)據(jù)總線的限制，其數(shù)據(jù)饋送輸出只能精確到小數(shù)點后一位，那么額外的精度就不能為算法所用。
多個數(shù)據(jù)饋送：在可能的情況下，測量的參數(shù)越多，做出的決策就越有效。舉個例子，如果能夠以1/1000的精度測量電壓和溫度，您就能夠?qū)囟茸兓c電壓波動聯(lián)系起來。
進(jìn)入機(jī)器學(xué)習(xí)
機(jī)器學(xué)習(xí)會把來自多個源頭的數(shù)據(jù)提供給用以模仿人類學(xué)習(xí)方式的算法，從而逐步提高算法的準(zhǔn)確性。獲得數(shù)據(jù)饋送后，您還需要三個基礎(chǔ)模塊才能實現(xiàn)ML：解釋數(shù)據(jù)的算法、具有響應(yīng)式結(jié)果的預(yù)期結(jié)果表、反饋環(huán)。
算法：一個機(jī)器學(xué)習(xí)系統(tǒng)的真正“智能”體現(xiàn)在它能夠獲取數(shù)據(jù)饋送輸入，運(yùn)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(yù)期范圍之內(nèi)，然后根據(jù)該輸出執(zhí)行新命令。在前面的示例中，如果不僅電壓測量結(jié)果遠(yuǎn)超預(yù)期范圍，而且溫度也高于標(biāo)稱值，那么算法可能會啟動內(nèi)部風(fēng)扇。
預(yù)期結(jié)果和響應(yīng)式結(jié)果：以最簡單的方式來解釋的話，預(yù)期結(jié)果可以是數(shù)據(jù)饋送輸入與一系列響應(yīng)式命令組合而成的“查找”表。表格越全面，ML就越成熟、越有價值。交互性更高的ML可以執(zhí)行一步步變更，例如根據(jù)實時感知數(shù)據(jù)改變無人機(jī)的航向，從而避開障礙物，這一操作同時需要持續(xù)的感知和不斷的調(diào)整。
反饋環(huán)：最后一個要素是反饋環(huán)。它允許系統(tǒng)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(tǒng)調(diào)整參數(shù)，從而提高未來的性能。
增添多個針對大型系統(tǒng)不同方面的ML功能，增加更多傳感器數(shù)據(jù)，從而在更復(fù)雜的系統(tǒng)層面實現(xiàn)機(jī)器學(xué)習(xí)。先進(jìn)的ML可以在遇到新的傳感器輸入組合時將其添加到“查找表”中，制定其它類型的響應(yīng)式結(jié)果指令，并衡量執(zhí)行的響應(yīng)的充分度。這些就成為了自我調(diào)整算法，從數(shù)據(jù)中獲取知識，從而預(yù)測結(jié)果。訓(xùn)練的算法越多，輸出就越準(zhǔn)確。
人工智能
既然擁有了可訓(xùn)練的算法，那么您就在很大程度上可以實現(xiàn)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(zhǔn)則和迭代相結(jié)合，以便算法做出實時決策。當(dāng)AI算法處理數(shù)據(jù)、
迭代、考慮新數(shù)據(jù)進(jìn)入的迭代響應(yīng)，以及使用組合來選擇輸出時，它就進(jìn)入了決策狀態(tài)。這個永無止境的循環(huán)促使AI不斷學(xué)習(xí)并提高決策質(zhì)量。整個過程既可能像電壓和溫度傳感器回路一樣非常簡單，也可能像攻擊型無人機(jī)的飛行控制系統(tǒng)一樣復(fù)雜。
人工智能的DNA標(biāo)記
如何預(yù)測AI算法的性能？就像了解人類一樣，您可以通過DNA標(biāo)記來了解AI算法。從最基礎(chǔ)的層面來看，具有人工智能的機(jī)器能夠仿真人類感知信息、處理信息和對信息做出反應(yīng)的方式，并針對給定的條件修改工作流程，從而代替人類參與決策循環(huán)。從本質(zhì)上講，您可以查看三個常見的DNA標(biāo)記：
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(shù)字孿生環(huán)境所需的充足知識和經(jīng)驗。
算法、分析技術(shù)和洞察力：開發(fā)人員對信號核心特征的了解程度以及這種程度與預(yù)期響應(yīng)的關(guān)系將決定預(yù)期結(jié)果“查找”表的深度。
工作流自動化知識：從系統(tǒng)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(yù)期結(jié)果。
有鑒于此，人工智能算法的質(zhì)量與以下兩個方面有關(guān)系：
深度——理解指定測量領(lǐng)域中測量結(jié)果的能力
廣度——人們擁有的深度知識所涵蓋的技術(shù)和標(biāo)準(zhǔn)的數(shù)量
這向我們指出一個事實——如果實施得當(dāng)?shù)脑�，人工智能并不是一種被過度炒作的新興技術(shù)。相反，工程師可以借助它來管理復(fù)雜性呈指數(shù)級增長的新設(shè)計。
正如未來學(xué)家Gray Scott所言，“到2035年，人腦不可能也沒有辦法與人工智能機(jī)器相匹敵�！惫こ處焸円庾R到了這一點，并且開始將ML和AI融入他們的系統(tǒng)。人工智能的誕生要歸功于充滿智慧且積極進(jìn)取的工程師。他們了解測量科學(xué)，充分理解為開發(fā)人員創(chuàng)建數(shù)字孿生可能會得到的系統(tǒng)特性，并志在讓工程走上新臺階。