作者：是德科技全球企業(yè)和產品營銷副總裁Jeff Harris
在我們周圍每一個領域，無論產品是先進還是普通，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。我內心屬于工程師的那一面總是對物品的構建方法充滿好奇。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。
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，您就能夠將溫度變化與電壓波動聯(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、具有響應式結果的預期結果表、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，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部風扇。
預期結果和響應式結果：以最簡單的方式來解釋的話，預期結果可以是數(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整算法，從數(shù)據(jù)中獲取知識，從而預測結果。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系將決定預期結果“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)化預期結果。
有鑒于此，人工智能算法的質量與以下兩個方面有關系：
深度——理解指定測量領域中測量結果的能力
廣度——人們擁有的深度知識所涵蓋的技術和標準的數(shù)量
這向我們指出一個事實——如果實施得當?shù)脑挘斯ぶ悄懿⒉皇且环N被過度炒作的新興技術。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。”工程師們意識到了這一點，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。