如今，人工智能正在改變我們的產品和生產方式。目前AI集成是大量企業的首要任務。據Gartner基於與106名Gartner Research Circle成員進行的一項調查的結果顯示，2019年從事人工智能或機器學習的組織中平均有4個利用這些技術的項目，調查發現有59％的受訪者已經部署了AI。這些受訪者希望2020年再增加6個項目，並且到2022年，這些組織平均將有35個AI或ML項目到位。
但對於人工智能，許多人望而卻步。調查發現，56％的受訪者表示缺乏技能，42％的受訪者不瞭解人工智能用例以及34％的受訪者對數據範圍或質量存在擔憂。MathWorks認為成功採用人工智能的主要“攔路虎”有兩個，一是團隊技能；二是數據質量。
對此，MathWorks提供了一系列的應用工具和仿真平臺來解除這些人的擔憂。MathWorks預測，2020年將是人工智能在工業應用領域快速發展的“人工智能驅動系統”之年。其中，“系統”是關鍵詞。隨著人工智能在多種工業應用當中的快速發展，MathWorks認為有五大人工智能領域的趨勢，將促成這些預測的實現。
使用MATLAB深度學習工具箱，結合梵高的《自畫像》進行風格遷移
五大趨勢促成“ AI驅動系統”年
趨勢一：現有的勞動力技能和數據質量之間的壁壘開始消弭
這個壁壘消失的原因主要有以下幾點：首先是越來越多的工程師和科學家，不僅限於數學科學家參與到AI項目當中，這點很重要，因為他們將帶來AI項目成功必需的領域技能和知識。這些科學家能夠很好地獲取現有的一些深度學習的預訓練模型。其次，利用傳感器數據將更有利於這些AI模型的應用。另外，工程師和科學家他們能夠充分利用自己對數據的瞭解，這將對AI項目的成功造成很大的影響。
在整個過程中，MathWorks也提供了更多的服務和支持來幫助科學家們和工程師越過AI應用的路障。同時，還提供了非常完備的AI技術算法和內置的模型，來幫助科學家和工程師進行快速開發。
對於那些不是AI方面的專家，MathWorks提供了一系列的應用程序來幫助他們更高效地完成工作。我們在應用程序中，通過點擊的方式，引導他們完成工作流當中的設計和分析等各個步驟。例如Deep Network Designer和Classification Learner。其中Classification Learner可一鍵訓練並比較多個模型，具有超參數調優等高級功能。
一個最近的用戶案例是復旦大學利用MATLAB來開發相應的數學模型，用於預測新冠肺炎的傳染趨勢，為中國的政府提供相應的公共措施方面的指導。MATLAB在這個項目中的主要應用有：數據的可視化和預處理，模型的擬合和開發，以及參數的調優，還有數值仿真和測試，以及相關應用程序的開發，並最終以Web應用的形式部署。“我們很自豪也非常高興，我們的用戶能夠將MATLAB應用在這些重要的工作中。”MathWorks首席戰略師Jim Tung。
趨勢二:AI驅動系統的興起使設計複雜度進一步提高
工程師正積極將 AI 推廣應用於各種系統，包括自動駕駛汽車、飛機引擎、工業廠房和風力發電機等。AI模型的行為對於這些複雜多域系統的整體性能具有重大影響。因此設計人員期望利用基於模型的設計工具，對這些 AI 驅動系統進行仿真、集成和持續測試。
在開發AI驅動系統時，重要的一點是將AI模型放在一個系統級的語境中，在移植入硬件之前先對AI算法的行為進行仿真判斷看是否符合預期，並驗證基於AI設計的有效性。
例如Voyage，他們將自動駕駛算法嵌入車輛中，為老人護理機構提供服務，使用Simulink進行快速的設計迭代和測試，僅僅在3個月內，就非常快速地實現了level3的無人駕駛汽車開發。
趨勢三:將AI系統部署到低功耗、低成本的嵌入式設備當中日益簡便
通常AI算法的支持需要具備32位浮點運算能力的高性能計算系統，這在GPU、集群以及數據中心中廣為應用。現在隨著軟件工具的發展，例如由MathWorks提供的工具，可以設計基於不同級別定點運算的AI推斷模型，並將其部署到不同的低成本、低功耗的嵌入式設備中，這使得工程師能夠在應用AI技術時有更多的選擇，例如車輛當中的ECU電子控制單元以及更多的嵌入式工業設備等。
以往AI算法在不同的嵌入式處理器中的工作模式，通常是算法或模型開發者和程序員合作。如今，使用MathWorks的軟件工具，可以在開發一次模型後，使用代碼生成功能將其部署到各種不同的平臺上。如應用在英特爾的CPU和英偉達的GPU等，一個來源，多個目標，全部自動實現。
但是將浮點運算轉換為定點運算，並不能一蹴而就，這要求對代碼有很好的理解，以保證結果可預測並且可靠。在這過程中MathWorks提供了一個Deep Network Quantizer工具，在應用程序當中主要完成以下幾個步驟，首先是可以快速導入一個預訓練好的模型，根據真實數據對模型進行校準，顯示校準統計量及其精度範圍，並對網絡各層進行量化，或創建定點運算表達，最後進行驗證。
Deep Network Quantizer工具
不僅僅是深度學習網絡，MathWorks還支持其他傳統的機器學習算法的定點代碼生成，例如決策樹，支持向量機模型，這些模型的自動代碼生成是可靠性和速度的關鍵。
趨勢四:強化學習從遊戲轉移到現實世界的工業應用。
發生這個轉移的原因在於強化學習能夠快速地幫助工程師們實現一些複雜問題，賦能現實世界的工業應用，尤其是自動駕駛、自主系統、控制設計和機器人。
強化學習的實現需要大量的數據，這些數據來源通常是來自虛擬模型的仿真。虛擬模型可以融入現實世界中難以模擬的條件。而MathWorks很多的用戶在基於模型設計的工作流當中，已有可被複用的MATLAB和Simulink模型。
為了迎合強化學習向工業應用轉移的趨勢，MathWorks也開發了強化學習工具箱，它支持內置和自定義的強化學習智能體的應用，在MATLAB和Simulink中，用戶可對環境進行建模，這是強化學習工作流的重要部分。同樣深度學習工具箱也支持強化學習策略的設計，還可利用GPU和雲計算加速訓練過程。另外通過仿真，用戶可以驗證強化學習策略是否合理。還有一些參考示例供用戶快速起步來進行項目的開發。
例如強化學習在無人駕駛汽車中的應用示例，在Simulink模型中，有車輛的模型以及軟件部分的控制器模型，此外還有感知算法部分的模型，根據車載攝像頭採集的圖像數據，識別車道，感知周圍的路況。在強化學習部分，使用仿真數據訓練智能體做出決策，改善行為。以上部分全部都可以在Simulink平臺上創建。
仿真的重要性在於，為了實現強化學習，通過大量的不同情況的模擬，每一次模型仿真的結果都用於學習，不斷地進行計算來提高學習速度。利用這個機會，MathWorks和微軟開展了一個非常有趣並且有力的合作項目，利用MathWorks提供的基於模型設計的工作流，和微軟提供的自主系統平臺，兩家共同的用戶可以使用MATLAB和Simulink來進行機器人、能源、工業製造和流程優化等多個領域的強化學習應用，在微軟提供的Azure環境中運行Simulink模型，擴展仿真，加速仿真和學習過程。
趨勢五:仿真可以降低成功採用AI所面臨的主要壁壘 – 數據質量欠佳
要知道AI在檢測存在故障、異常和失效情況的場景中可以十分有用。我們真正需要的是異常和嚴重故障狀態下的數據。而從物理設備中生成故障數據具有很大的破壞性而且代價高昂，最佳做法是通過仿真呈現故障行為生成數據， 進而運用合成數據訓練準確的AI模型。
使用Simulink提高訓練數據質量的場景很多，例如AI可以被用在多種產品中，而不僅僅是一種終端的解決方案，同樣它也是一系列的技術，可用於多個領域，例如說雷達信號的仿真，以及無人駕駛汽車，還有激光雷達傳感器的感知算法，因此Simulink可以被MathWorks各類用戶使用。
結語
以上五大趨勢對MathWorks來說，其產出的結果也得到了業界的廣泛認可。MathWorks入選了Gartner《2020年數據科學和機器學習平臺魔力象限》報告中的領導者象限。MathWorks首席執行官Jim Tung解釋道，在整個魔力象限中，MathWorks獨特點在於，我們主要關注工業用戶，即那些建造並提供實際的物理設備、機器、汽車的企業等。Gartner在評估的時候，他們也考慮到了這一點，越來越多的數據來自於機器和硬件資產，這也是將MathWorks認定為在產品的完整度和遠見性方面最強的一個供應商的部分原因。
上圖中縱軸代表的是執行能力，橫軸代表的是遠見性以及產品的完整度，在右上角是能力最強的象限，即領導者象限。
由此來看，基於這五大趨勢2020年將是AI驅動系統十分重要的一年，尤其是在工業應用領域。而MathWorks將持續賦能AI，為您開啟一段AI探索之路。
*免責聲明：本文由作者原創。文章內容系作者個人觀點，半導體行業觀察轉載僅為了傳達一種不同的觀點，不代表半導體行業觀察對該觀點贊同或支持，如果有任何異議，歡迎聯繫半導體行業觀察。
今天是《半導體行業觀察》為您分享的第2289期內容，歡迎關注。
★195位高管眼裡的半導體機遇和挑戰
★中國臺灣半導體設備銷售年增68%背後
★中國半導體的“大四洗”
閃存｜華為｜封測｜藍牙｜比亞迪｜晶圓｜硅｜射頻｜臺積電
