展望:2022年十大人工智能趋势

2022-7-20 18:54| 发布者: admin| 查看: 436| 评论: 0

在Gartner的《数据科学和机器学习平台魔力象限》报告中,MathWorks连续两年都被评为年度领导者。该报告主要针对全球有影响力的机器学习、人工智能平台进行评估,MathWorks 作为数学计算软件开发商,主要有MATLAB 和Simulink两大类产品平台。MATLAB 被称为“科学家和工程师的语言”,是一个集算法开发、数据分析、可视化和数值计算于一体的编程环境;Simulink 则是一个模块化建模环境,面向多域和嵌入式工程系统的仿真和基于模型的设计。目前,这两类产品平台被广泛用于军工、航空、航天、半导体等20几个行业,用于人工智能、大数据处理、仿真设计等工作。

作为全球领先的数学计算软件开发商,2020年起每年追踪并发布全球人工智能发展趋势,已经成为MathWorks的惯例。日前,MathWorks最新发布了对2022年以后的十大人工智能趋势预测,MathWorks中国区行业市场经理李靖远(Jason)接受了等媒体采访。

趋势一:人工智能在工程和科学学科、整个行业和学术界广泛普及


尽管落地应用、发展现状有一定区别,但人工智能确实已经在很多行业蓬勃发展。在智能家居、自动驾驶、机器人、网络安全、医疗设备等新兴行业中,得益于良好的数字化技术基础,人工智能的发展和落地较为领先。在数字化基础相对落后一些的传统行业,例如电力、化工等领域,人工智能、大数据、数字化的普及与转型可以说正处在起步阶段,还需要大量的数字化积累。

趋势二:AI将工程、计算机科学、数据科学和IT部署整合起来


人工智能可以将工程、计算科学、数字科学和IT部署联合起来,而之前这些是彼此相对独立的。包括传统意义所指的开发流程、部署流程和企业运营流程,它们将通过人工智能、无代码、低代码等趋势紧密结合在一起,形成有机整体。低代码、无代码的工具在进行建模仿真之后,可以自动地生成代码,然后再部署到CPU/MCU/GPU/FPGA等多种类型的边缘设备之上。



趋势三:模型可解释性有助于增强在安全关键系统中使用人工智能的信心


在航空航天、军工等安全关键领域中,对于机械模型设计、虚拟仿真技术的要求,是所涉及到的模型必须具备清晰的可解释性,才会导入应用。但一直以来,人工智能通过机器学习、深度学习等算法生成的模型,在可解释性方面不如直接建模清晰,被视作一种黑盒式的系统建模方法。随着人工智能的发展,模型的可解释性也在不断提高,也将在更多的注重高安全的关键领域得以应用。

趋势四:仿真和测试将迈入三维时代且更加逼真


仿真和测试不只是局限于自动驾驶、机器人、虚拟现实等环节,甚至医疗行业等应用场景中,人工智能会推动更多的3D仿真和测试技术的应用,使得场景更加真实、可靠、具体。

趋势五:将有更多的AI模型部署到更多低功耗、低成本的嵌入式设备中


将有更多的人工智能模型部署到更低功耗、更低成本的系统设备中。日常生活中,大到飞机、汽车,小到家用电器,都内置着大量的嵌入式系统。在2014年前后,大部分的人工智能算法都需要基于GPU甚至GPU集群进行训练,受限于硬件算力,之前部署到这些设备上较为困难。但是随着越来越多的方法可以将AI整合到更多边缘系统,从FPGA到MCU,更多低成本、低功耗设备得到了广泛的硬件支持,并为工程师所用。

借助量化和剪枝等方法减小要部署的模型,并采用深度学习社区提供的高效预训练模型,可以实现AI的高效部署,并能够让基于AI的系统在今后得到更为广泛的应用。



趋势六:人工智能帮助应对全球挑战


不论是传染病大流行还是气候变化,还有能源问题、包括碳中和方向,人工智能都在帮助人类应对全球挑战。越来越多的科学家在使用MATLAB数据处理和AI算法分析新冠病毒的流行趋势,对大气进行长期的空气质量监测,利用数据分析大气的气候变化等等。

趋势七:以数据为中心的人工智能


以往的很多人工智能应用专注于模型和算法本身,但从2019年开始,相关研究方向开始专注于改善提供给模型和数据管理系统的数据,也就是说要给予模型更好更优的算法、更优的数据,数据的优化代表着能产生更优秀的模型。

趋势八:无代码/低代码/自动编码:为扩大AI用户群体带来巨大好处


无代码、低代码和自动编码等应用,为AI的普及带来助推力。传统的行业领域有很多专家,不过他们的经验往往集中于自己的垂直领域。如何让他们快速将人工智能算法与自身擅长的领域相结合?无代码和低代码就起到了关键作用,利用MathWorks所提供的深度学习、机器学习,包括强化学习工具箱,专家们就算并不擅长编程,也能很快地掌握无代码/低代码的人工智能学习方案。

趋势九:AI驱动跨框架、跨平台和多学科团队之间的协作


目前AI框架类型较多,比如Tensorflow、PyTorch、Keras、Caffe等,这些框架各自专注的领域往往不同,没有任何一个框架可以解决所有问题,因此跨框架的协同和互操作非常重要。MathWorks通过以MATLAB/Simulink为基础平台,将其他框架中的算法导入MATLAB/Simulink中,使之成为整个大系统仿真的一部分,以此来促进不同学科之间的交流,以及整个平台系统级的仿真。

趋势十:人工智能大量用于应用科学研究


从人工智能的发展趋势来看,应用学科越来越成为新的热点应用。例如迁移学习使研究人员更容易在工作中应用人工智能,他们只需在实际应用中对训练好的模型进行一定幅度的微调,就可以快速地部署在实际场景中。此外,研究人员利用GAN等技术生成对抗网络,以及通过PIML促进机器学习和物理知识的融合等,都是新技术在应用学科研究方向的案例。




MathWorks在企业人工智能工程领域的进展?

海量大中小型企业是人工智能应用的积极实践者,特别是对于那些具有一定规模和行业地位的企业,已经走在了应用前列。显然,针对这些用户的工具、服务等,都非常重要。

在MathWorks官网上,仅使用MATLAB AI解决工程问题的案例就超过了100个。MathWorks提供的机器学习和深度学习工具箱,也已经渗透到各类企业行业应用的方方面面,例如日本Daihatsu公司分析汽车发动机产生爆震的原因;三星公司研究降低无线通信电路的噪音;韩国能源研究所对风机,尤其是海上风机进行故障监测……

针对企业级部署需求,MathWorks在开发侧推出了MATLAB Production Server和Web App Server,配合海量数据处理、无代码/低代码建模系统软件、自动化代码生成,能够帮助运维人员将算法快速部署在企业IT/OT系统中,做到开发和运营一体化部署。

对于现阶段的AI应用来说,数据仍是重中之重。除了数据的获取,对不同数据类型的分类、标注,对于下一阶段的处理应用非常关键。如果能够自动为数据标注标签,之后再对其进行训练、调优以及可视化,不仅能够提高工作效率,对于更精准的训练、应用都大有裨益。

MathWorks在这方面提供了完整的AI工具链,除了“打标签”,还包括对采集到的数据进行预处理,例如通过算法拟合补充丢失的数据,过滤“脏”数据等等,之后再进行人工智能的建模、仿真、测试和部署。据李靖远介绍,企业级AI应用比较复杂,因此跨平台、跨框架的支持必不可少,为了方便在各个平台中互相调用,增强互操作性。MATLAB还针对几种主流框架提供了导入器工具,Tensorflow、Keras、 Caffe、Pytorch等框架中的模型可以通过导入器自动进入MATLAB中,形成系统级仿真。






降阶模型和边缘AI趋势

李靖远强调了一个重要趋势:今后将使用一些降阶模型去替代高保真仿真模型,来加速仿真速度。由于很多非线性系统,包括流体力学中的多维系统,在实际仿真过程中需要的并不是高保真仿真模型,而是整个系统模型的输入、输出要尽量接近真实。此时,就可以用降阶模型作为系统的一部分来加快仿真速度。

不过,目前一些降阶技术还是需要结合具体的系统来实现最适合的方案,并不是对所有系统都具备普适性。据李靖远介绍,目前降阶模型的主要适用场景:一是针对非线性模型,传统意义上很难找到其中的规律,就可以用人工智能训练出来的降阶模型来替代它;二是在仿真过程中,理想模型与降阶模型的吻合度相对比较高,就可以用降阶模型替代实际模型进行仿真。当然,这主要是为了提高仿真速度,在仿真效果和仿真速度之间取得的折中平衡,并不适用于所有系统。如果追求高保真的仿真效果,降阶模型是不适用的。

针对边缘AI的应用趋势,李靖远表示,现实中有庞大的边缘系统需求,涉及航空航天、汽车、工业、通信、家电、医疗、能源、可穿戴设备、手机、电子手表等等,边缘AI未来的需求一定是巨大的。

但与此同时,边缘AI的落地部署仍有三大制约因素:第一是硬件效率的制约,受限于硬件算力、算法效率等原因,一些比较复杂的算法还是不太适合部署在边缘设备上。第二是AI算法代码的精炼度,AI算法生成模型,最后代码是要部署在边缘设备上,代码的精炼度可能对边缘设备的部署有一定影响。第三是AI的产品化,AI算法如何能够适用于更多的通用场景、部署在更多的边缘设备,也是一个制约因素。要提高通用性,势必要增加代码,对算力的要求会更高,因此会对部署产生一定的制约。
回复

使用道具 举报

上一篇:恐怖故事:女生寝室之难道是诅咒?

下一篇:人工智能计算中心、武汉云、中金数据中心隔江相望,武汉数字新基建集约建设三镇共享

sitemap.txt | sitemap.xml | sitemap.html |Archiver|手机版|小黑屋|创业那点事 ( 湘ICP备17022177号-2 )

GMT+8, 2024-12-23 13:24 , Processed in 0.147603 second(s), 26 queries .

快速回复 返回顶部 返回列表