在我們周圍每一個領(lǐng)域，無論產(chǎn)品是先進還是普通，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——這個理念認為我們不需要了解計算如何進行編程。

是德科技全球企業(yè)和產(chǎn)品營銷副總裁 Jeff Harris

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)學習能力。第一個要素涉及計量學，也稱為計量科學研究。第二個要素稱為機器學習(ML)，它讓系統(tǒng)能夠辨別不同于預期結(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。

進入機器學習

機器學習會把來自多個源頭的數(shù)據(jù)提供給用以模仿人類學習方式的算法，從而逐步提高算法的準確性。獲得數(shù)據(jù)饋送后，您還需要三個基礎模塊才能實現(xiàn) ML：解釋數(shù)據(jù)的算法、具有響應式結(jié)果的預期結(jié)果表、反饋環(huán)。

算法：一個機器學習系統(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(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)果遠超預期范圍，而且溫度也高于標稱值，那么算法可能會啟動內(nèi)部風扇。

預期結(jié)果和響應式結(jié)果：以最簡單的方式來解釋的話，預期結(jié)果可以是數(shù)據(jù)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一步改進，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)，從而在更復雜的系統(tǒng)層面實現(xiàn)機器學習。先進的 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式結(jié)果指令，并衡量執(zhí)行的響應的充分度。這些就成為了自我調(diào)整算法，從數(shù)據(jù)中獲取知識，從而預測結(jié)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則和迭代相結(jié)合，以便算法做出實時決策。當 AI 算法處理數(shù)據(jù)、

迭代、考慮新數(shù)據(jù)進入的迭代響應，以及使用組合來選擇輸出時，它就進入了決策狀態(tài)。這個永無止境的循環(huán)促使 AI 不斷學習并提高決策質(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的飛行控制系統(tǒng)一樣復雜。

人工智能的 DNA 標記

如何預測 AI 算法的性能?就像了解人類一樣，您可以通過 DNA 標記來了解 AI 算法。從最基礎的層面來看，具有人工智能的機器能夠仿真人類感知信息、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期響應的關(guān)系將決定預期結(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)和標準的數(shù)量

這向我們指出一個事實——如果實施得當?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雜性呈指數(shù)級增長的新設計。

正如未來學家 Gray Scott 所言，“到 2035 年，人腦不可能也沒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，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取的工程師。他們了解測量科學，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。