2022年人工智慧產業十大關鍵趨勢

作者 : 邵樂峰,EE Times China

從2020年起,每年追蹤並發佈全球人工智慧(AI)最新發展趨勢,已經成為MathWorks的一種慣例。日前,該公司又發佈了2022年及以後推動人工智慧發展的十大關鍵趨勢預測…

從2020年起,每年追蹤並發佈全球人工智慧(AI)最新發展趨勢,已經成為MathWorks的一種慣例。日前,MathWorks中國區產業市場經理李靖遠代表該公司發佈2022年及以後推動AI發展的十大關鍵趨勢預測,以下一起來瞭解。

人工智慧廣泛普及

儘管落地速度不盡相同,但人工智慧在很多產業中已經處於蓬勃發展的階段,是不爭的事實。在智慧家庭、自動駕駛、機器人、網路安全、醫療設備等新興產業中,得益於良好的數位化技術基礎,人工智慧的發展和落地就相對較為領先。而在數位化基礎相對落後一些的傳統產業,例如電力、化工等領域,人工智慧、大資料、數位化的普及與轉型可以說才剛剛開始,還需要大量的數位化積累。

 

 

在李靖遠所列舉的案例中——日本Daihatsu分析汽車引擎產生爆震的原因;三星(Samsung)研究降低無線通訊電路的雜訊;韓國能源研究所對風機,尤其是海上風機進行故障監測;醫療設備公司將人工智慧用於穿戴式醫療感測器中,都利用了MathWorks提供的機器學習和深度學習工具箱。而在MathWorks官網上,僅使用MATLAB AI解決工程問題的案例就超過了100個。

人工智慧整合將工程、電腦科學、資料科學和IT部署

之前,科學運算、工程、資料科學和IT部署,是彼此相對獨立的。但未來,在人工智慧的加持下,這幾大環節將被有機的整合在一起,包括傳統意義所指的開發流程、部署流程和企業營運流程,它們將透過人工智慧、無程式碼、低程式碼等趨勢緊密的結合。

「低程式碼、無程式碼的工具在進行建模仿真之後,可以自動地生成程式碼,然後再被部署到CPU/MCU/GPU/FPGA等多種類型的邊緣設備之上。」李靖遠說。

 

 

模型可解釋性協助增強使用人工智慧的信心

在航空航太、軍工等安全關鍵領域中,它們對於機械模型設計、虛擬模擬技術的態度,是要求所涉及到的模型必須具備清晰的可解釋性,才會接受和應用。但長期以來,人們一直將人工智慧視為一種黑盒式的系統建模方法。隨著研究者設計出更多可解釋性方法,且越來越多的軟體供應商將這些方法加入自己的工具,業內工作者會更願意將人工智慧創新納入自己的工作流。

也就是說,工程師和科學家開始理解模型做出特定決策的理由,以及模型可以安全運作的範圍。他們能透過試驗來解釋模型在不同場景中的運作方式,並借助視覺化來理解模型不正常運作時的內在工作機制。這種理解正推動汽車、航太和醫療等產業標準委員會對安全關鍵型系統中人工智慧的驗證和確認進行創新,例如EUROCAE和FDA都在致力於開發這方面的認證標準。

模擬和測試將邁入3D時代且更加逼真

要實現安全關鍵型系統中人工智慧的形式化驗證和確認,關鍵的一步是在所有可能的場景中測試系統的運作狀況。對於自動駕駛車,目前這個步驟是在駕駛的協助下通過路測完成。物理測試大大限制了場景的多樣性,增加了擷取所有關鍵邊緣情形所需的時間。

今後幾年內,工程師可望借助3D模擬軟體工具的最新技術,極大程度地擺脫物理測試的限制。他們可以將人工智慧模型整合到傳統方法,例如用於物理系統建模的基於模型的設計,然後在各種模擬3D場景中執行自動測試。

將有更多人工智慧模型部署到更多嵌入式設備中

有越來越多的方法可以將人工智慧整合到更多邊緣系統,從FPGA、ECU到MCU,更多低成本、低功耗設備得到了廣泛的硬體支援,並為工程師所用。軟體供應商使這一創新成為可能,他們讓非晶片專家也能運用種種先進方法,讓這些方法不再是嵌入式系統工程師的專利。借助量化和剪枝等方法減小要部署的模型,並採用深度學習社區提供的高效預訓練模型,可以實現人工智慧的高效部署,並能夠讓基於人工智慧的系統在今後得到更為廣泛的應用。

 

 

人工智慧幫助應對全球挑戰

這裡提及的全球挑戰,包括從持續的傳染病大流行到氣候變化,再到電動車的發展、碳中和等等,越來越多的科學家在使用MATLAB資料演算法去分析新冠病毒的流行趨勢,對大氣進行長期的空氣品質監測,利用資料分析大氣的氣候變化等等。

以資料為中心的人工智慧

之前我們所熟知的人工智慧技術更專注於模型和演算法本身,但從2019年開始,相關研究方向開始專注於改善提供給模型和資料管理的資料,也就是說要給予模型更好的演算法、更佳的資料,資料的最佳化代表著能產生更優秀的模型。

大量宣傳為擴大人工智慧用戶群體帶來巨大好處

各個垂直產業領域中專家的Know-How主要集中於本領域內,如何以更簡潔的方式,讓他們可以快速的上手人工智慧,將人工智慧演算法與自身擅長的領域知識結合,是MathWorks在思考的問題。在這個前提下,無程式碼和低程式碼就發揮了很大的關鍵作用——利用MathWorks所提供的深度學習、機器學習,包括強化學習工具箱,專家們就算並不擅長程式設計,也能很快地掌握無程式碼/低程式碼的人工智慧學習方案。

自動標記就是一個很好的案例。眾所周知,在面對海量資料的時候,我們很難透過人工的方式去為不同的資料類型「打標籤」。但有了自動打標籤APP之後,它就會自動為所有類型的資料標注標籤,之後再對其進行訓練、調優,以及視覺化,這樣,工程技術人員就可以非常清晰地看到相關內容。

人工智慧驅動跨框架、跨平台和多學科團隊的協作

Tensorflow、Pytorch、Keras、Caffe等人工智慧框架各自專注的領域並不相同,沒有任何一個框架可以解決所有的問題,所以各個框架之間的協同和互通性就成為一個非常必要的因素。MathWorks希望改變這種局面,其做法是以Simulink為基礎平台,將其他框架中的演算法導入Simulink之中,使之成為整個大系統模擬的一部分,以此來更好地促進不同學科之間的交流,以及整個平台系統級的模擬。

下圖解釋了這一流程。MATLAB作為企業級人工智慧開發平台,不同框架裡的所有模型都會匯出為ONXX格式,方便其在各個平台之間相互調用,增強互通性。同時,MATLAB還針對幾種主流框架提供了導入器工具,Tensorflow、Keras、Caffe、Pytorch等框架中的模型可以透過導入器自動進入MATLAB中,形成系統級模擬。

 

 

但在李靖遠看來,僅做到這一點並不足夠,使用一些降階模型去替代高保真模擬模型以加速模擬速度,也是今後的趨勢。因為很多非線性系統,包括流體力學中的多維系統,在實際模擬過程中需要的並不是高保真模擬模型,而是整個系統模型的輸入、輸出要儘量接近真實。此時,利用人工智慧所實現的降階模型就有了用武之地,可以將其作為系統的一部分來加快模擬速度。

而且對於很多非線性系統來說,其建模都是透過查表來完成,因為設計人員無法瞭解它們的物理結構,並利用物理結構去真實地建立對應的模型,只能透過一些實驗資料來建立模型。但人工智慧能夠改變這一切,透過大量的深度學習資料,設計人員就能夠在面對非線性系統建模時找到其中的規律,從而更好的進行系統模擬,這在以前是很難想像的。

另一方面,當前很多大規模人工智慧訓練模型取得了巨大成果,但對資源消耗過大,從參數量分別為1,700億和3億+的GPT/BERT模型,到華為2,000億參數的「盤古」模型,再到google萬億級稀疏模型switch transformer,為了適應更好的廣度要求,這些模型的規模越做越大。

於是有專家提出了大模型與相關聯的小模型協同發展的思路,就是大模型輸出模型能力,小模型負責實際的推理與執行,然後再將結果進行回饋。這與李靖遠提出的「採用降階模型來代替高模擬模型」說法不謀而合,因為大多數時候我們更想瞭解的是系統級的回應,所以當使用小模型去進行系統性模擬時,就能夠加快模擬速度,並取得較高的經濟性。但需要強調的是,目前降階模型的主要適用場景分為兩種:一是針對非線性模型,二是在模擬過程中,理想模型與降階模型的吻合度相對比較高。

人工智慧大量用於應用科學研究

從近年來人工智慧的發展趨勢來看,應用學科日益成為人工智慧應用的新熱點。例如遷移學習使研究人員更容易在工作中應用人工智慧,他們只需在實際應用中對訓練好的模型進行一定幅度的微調,就可以快速地將其部署於實際場景中。此外,研究人員利用GANs等領先的人工智慧技術來生成對抗網路,開拓新的人工智慧技術如PIML以促進機器學習和物理知識的融合等,也都是很好的案例。

本文原刊登於EE Times China網站

 

 

 

 

 

 

加入我們官方帳號LINE@,最新消息一手掌握!

發表評論