从“出圈”到“入俗”，把握AI下沉之势赋能全行业

旧时王谢堂前燕，飞入寻常百姓家。到2022年，人工智能已经跨过了“出圈”的全民热议阶段，开始“入俗”——下沉渗透到全行业进行赋能。AI已经不再单纯是围绕着AI本身去讨论的一个课题，而是成为各行各业都在应用一个组件角色，作为一种利器赋能实现整个大系统的优化。而在这种具体应用场景的沉淀上，必然面临着诸多的问题，来自场景本身的不同要求，AI系统如何多样化降维适配。这些趋势也是挑战，如何把握AI下沉之势，赋能各行业创新发展？近日MathWorks的中国区行业市场经理李靖远和记者进行了分享。

2022年AI发展趋势（挑战）

当AI要下沉到各行业中进行赋能，仍存在着不少需要解决的问题。首先各行业数字化发展程度不同、特定的应用场景也都千差万别，因此对于数据处理方式、复杂的算法形态选择、不同网络模型和能效平衡等问题的解决，将会是AI发展的主要趋势中的重要一部分。在Gartenr2021年的数据科学和机器学习平台的魔力象限中，MathWorks被定位为领导者的角色。MathWorks今年也发布了新的一期AITrends的报告，分享了对于整个AI的预测。

首先，人工智能将会在工程和科学学科、整个行业和学术界广泛普及。譬如智能家居、自动驾驶等新兴的行业，本身数字化技术比较好，就会先一步实现AI落地。而像电力、化工等传统行业，正在进行数字化转型，在实现了一定数字化的基础之后，同样也会实现人工智能的普及。

第二条趋势是人工智能将工程、计算机科学、数据科学和IT部署这些原本相互独立的环节结合起来，实现一个有机的整体。传统意义上的工程设计、虚拟仿真、大数据、企业部署运维等可以通过低代码的人工智能方式结合。

第三条是模型的可解释程度提高了人工智能的认可度。通过机器学习生成的模型的解释程度不如直接建模清晰，因此在一些安全关键领域不能被采纳。在这方面，人工智能模型的可解释程度正在逐步提高以获得更多安全关键应用认可。

第四条趋势是利用3D场景的仿真和测试。这种3D技术的出现将会使仿真测试环境更接近真实的物理场景，从而加速某些真实物理场景测试受限于应用的发展，例如自动驾驶、医疗成像行业等。

第五条是人工智能的在边缘设备部署的提高。终端上的算力提升、人工智能自身模型精炼度提高，两方向上一同迈进，让边缘设备上的AI应用有着加速普及的趋势。

第六条是人工智能被广泛应用于应对全球挑战：传染病大流行、气候变化等。

第七条是人工智能系统从以算法为中心到以数据为中心。在数据层面上进行更有效的数据优化，为后端的算法模型输入更优的数据。

第八条是无代码、低代码和自动编码等应用加速了AI普及。各行业各领域的专家，即使不擅长编程，也可以做到用AI来加速自己应用研究。

第九条是AI推动跨平台，跨框架以及多学科之间的协作。不同的框架之间可以相互转换、不同平台也可以实现一定程度互通、多学科之间也就有了协作的可能。

第十条是人工智能大量用于应用科学的研究，很多成熟的模型仅需简单的微调就可以适用于不同应用研究。此外，GAN（生成对抗网络）和PIML（物理信息机器学习）等新兴研究方向也在发展中。

上述的十条趋势中，蕴含着挑战。AI的各行业内落地，肯定不能仅仅靠AI研究人员本身，而来自各行业的专家又难以做到同时精通AI和本行业知识。因此一个既能理解各行业业务场景，又了解AI运作和部署的平台才能帮助实现AI更好的落地。MathWorks就是这样的一个角色，不仅如此，MathWorks在自身的平台中也通过AI实现了加速。

从开发全流程，实现人工智能在企业DevOps中融合

根据李靖远分享，一个AI开发流程包括数据准备、AI建模、系统仿真和测试以及部署四个环节，仿真和实际运行过程中产生的数据又会被反馈进入到最开始的数据清理整理过程，整个业务的AI系统将会在这个流程里进行不断迭代优化。MathWorks在每个环节都提供了相应的APP、工具箱或者服务来帮助用户更高效、低学习成本地使用AI赋能。

数据整理过程是一切的开始。在做人工智能的模型训练之前，需要给各个数据打好标签，才能对其进行训练。实际的应用场景中，成千上万的数据，如果全靠人工进行标签分类将会是非常庞大的工作量。MathWorks提供了四类自动标注标签的APP，分别是信号、音频、图像和视频的打标签App，将数据输入之后就可以自动实现标签标注，然后输入到后端进行训练。

在AI建模过程中，MathWorks提供了Deep Network Designer、ClassificationLeaner和ExperimentManager等App，帮助使用者进行AI模型的调优。这些工具中已经集成了很多成熟的算法，因此即使开发者不熟悉AI的算法，也可以轻松地选择合适算法，自动建立符合自己工程需求的算法模型，将自动导入的数据进行调优。而且所有的算法流程都已经做到了可视化的处理，帮助开发者快速理解和熟悉整个AI算法流程。

仿真测试上的难题在于和不同模型的集成。据李靖远介绍，目前人工智能的框架越来越成熟，很多框架都可以实现图象处理、声音识别、视频识别、语音识别、目标识别等。主流的框架包括Tensorflow、Keras、Caffee等，但没有一个深度学习网络能够完美地解决所有的业务问题。因此这也就是为什么各平台之间互操作性非常重要的原因。

MathWorks为流行的Tensorflow和PyTorch等框架分别提供了专门的导入器，可以直接通过导入器将模型导入到MATLAB中。此外MATLAB也支持ONNX格式模型的导入，用户可以将PyTorch等其它模型先转换成ONNX标准格式，然后导入到MATLAB中，实现系统级的仿真，快速实现原型测试。

通过AI建模的这些通常都是非线性系统，也正是其非线性的特点，所以更需要AI来进行有价值的挖掘。这种非线性系统，虽然整体的模型体积很大，但在产业应用中为了实现仿真加速，通常使用的都是降阶模型来取代高保真模型，从而实现更好的处理效率。

在部署的层面上，面临的挑战可以分为多样化的嵌入式系统的代码形式和企业IT基础设施上的集成。为了方便实现不同边缘设备上得到部署，MathWorks提供了自动的嵌入式代码生成器，同样的网络模型，通过该生成器，可以识别CPU、GPU和FPGA这些不同的硬件平台，自动生成C++代码、PLC代码、CUDA代码、HDL代码等嵌入式代码。

在企业级部署方面，MathWorks推出了MATLAB Production Server和Web Application Server，通过这种服务可以快速将AI算法作为一个组件部署到企业应用服务器或Web服务器上，进而整合到企业的整个IT/OT系统中。

上面介绍的在AI整个开发流程上的诸多App，从开发侧、运营侧都帮助实现了AI的集成和部署，帮助企业真正将AI和MATLAB实现了在DevOps中的融合，实现带AI赋能的开发和运营一体化部署。

总结

当AI真正开始落地的时候，并不是“深蓝”，也不是像一些美剧中的扮演“上帝”的人工智能角色。它更多是作为应用端整个系统中的一个组件，来赋能加速整个大的系统。通过对于各行业场景理解和把握，数字孪生上的长期积累，MathWorks现在已经提供了诸多的低代码、无代码App，并且从整个AI开发流程上，真正帮助开发者实现了快速的AI算法部署，整合进企业的DevOps循环中。据悉，目前MathWorks官方发布的已经有超过100个使用MATLAB AI解决工程问题的例子。

而正像MathWorks中的10大预测一样，AI将会继续下沉、渗透、沉淀到我们大部分应用中。当我们都逐渐将这些挑战解决，将这些趋势实现之时，AI将会迎来另一个转折点。