Jim Tung是来自MathWorks的首席战略师，它对AI未来发展的五大趋势进行了预判，并将MathWorks在这些趋势下如何应对的策略进行了一一详解。
趋势一，AI在专业工具中开始主流化
据Jim介绍，AI最大的趋势，应该就是正在成为科学与工程领域的必要工具。
在专业领域中，AI往往扮演着提升效率的角色，如汽车自动驾驶，和工业预测性维护，越来越多的科学家和工程师能够更加依赖数据带来的决策能力，高强度的脑力消耗工作正在由AI所简化，在这些领域中MATLAB在产品方面提供了激光雷达工具箱，自动驾驶工具箱，预测性维护工具箱，及机器学习/深度学习/增强学习工具箱，包括提供相关的参考案例，让用户通过这些案例和模型来开发人工智能应用，包括视觉检测、医学成像、土地分类等等。
Jim列举了ASML光刻机的检测系统的例子，ASML在生产中使用了MATLAB及统计学和机器学习工具箱，开发了芯片生产对准测量软件，这个软件通过应用机器学习算法，利用校准计量数据，对每个晶圆的对准数据进行预估和测量，极大地降低了生产制造的风险。
趋势之二，交叉学科，相互融合
AI作为跨学科的应用覆盖了多个方面的知识，开发者在实际工作中往往要面对跨领域和跨平台的应用，在这个方面，MathWorks工具为用户提供了开发、部署、工作流程行业标准和技术平台相结合的设计，可以极大的减少返工量。
如嵌入至手机、通讯、终端等这些边缘设备，还可以和IT以及OT系统相结合，此外还支持云端部署，MathWorks为客户所提供的是一个完整的跨平台的开发流程。
以全球知名空调机公司阿特拉斯为例，其使用MATLAB降低运营成本，实现全球跨地域、跨平台超过12万台设备机器的联网以及全面的优化维护策略，并使得整个产品系列的效率提高了10%。
趋势之三，可视化与可解释性进一步提高
在一些高安全性领域，如军工，国防等，对AI模型有较高的解释性要求，通过人工智能预测可以了解到每一层的主要特征，进行预测，通过算法就可以实现清晰的预判。这有助于模型在高安全领域解释如何，以及为什么选择这些特定的决策方法，通过这些可视化的方法可以帮助用户，工程师或者是科学家清晰地看到哪些特征值是被用来做出最后的决策，从MATLAB 2017a到最新的2021a版本，一系列工具都有升级，专门为了模型可视化所提供的一些特殊功能。
Jim对可视化进行了举例，在人工智能分析中，神经网络通过训练，就可以利用模型去自动识别图片中狗的种类，那么在不同的识别下，就会有不同的区域和不同的图片，识别出不同狗的类型，那么如何通过这些人工智能所提供的算法来清晰的知道通过什么样的特征来确定最后输出的类型。
另一个问题就是旧的安全标准会随着人工智能技术的发展被淘汰掉，机器学习、深度学习等等这些算法，将为新世界设立新标准，原有标准可能会有偏差。MathWorks目前正在与EUROCAE以及CSAE等国际组织参与新标准的制定，去适应人工智能新的认证标准系统，满足高安全性的要求，并希望其能够早日服务于社会。
趋势之四，仿真的“普世化”
使用更多虚拟化3D技术来实现人工智能的仿真。利用人工智能需要大量的数据，那么第一步就是准备数据，然后通过数据清洗，提取，将特征值用来进行模型的训练，最后将其规律部署到应用中。
极限工况的数据是很难拿到的，会耗费大量的人力物力，甚至会对系统产生破坏。但是没有这些数据，算法的体系就会不完整，通过这些仿真模型，就可以很轻松的，没有任何成本的拿到极限工况数据，实现方案的部署。以采油液压泵为例，关键的故障原因可能是密封泄露，但又无法提取泄露时现场的数据，这时就可以通过建立模型，在模型中去提取数据，然后把这些数据导入到人工智能模型训练的序列中去，通过它来找到并分析这些故障数据，最后进行预测维护及故障诊断等应用。
再比如正在蓬勃兴起的自动驾驶汽车里面所用的激光雷达，由于其价格非常昂贵，32线或者64线动辄就要上万美金。但在实际测试中，很难去现场提取工况数据，那么仿真数据这时就可以导入到自动驾驶模型中去，进而实现雷达工况的自动分析。
新产品RoadRunner，是从去年开始推出的，是专门为自动驾驶3D场景进行设计的，通过RoadRunner工具箱可以很方便的搭建起来模拟路况，无论是道路、还是城市工况，结合Simulink、MATLAB的算法，可以轻松实现自动驾驶的仿真和测试。
趋势之五，端侧部署
越来越多的人工智能的算法部署在不同的设备上，大多数集中在低功耗的边缘设备之中，在图像检测类应用中这种趋势非常明显。通过MATLAB模型就可以简便地生成代码，最终部署在任何的平台上。
很多科学家在专业领域有很宝贵的经验积累，但在编程方面稍有欠缺，那么他会把专业领域知识结合到模型里面，通过MATLAB或Simulink，就可以制作这些模型，自动生成代码，部署至需要的设备之中，不需要人工干预。
以血型检测为例，很多工作是需要进行比对的。医院的工作可以使用专门的卡片进行视觉解析，来检定测量，通过算法确定这个患者的血液抗原的分型，包括什么样的类型，里面的抗原的具体情况等等。使用MATLAB和机器学习工具箱来开发测试和生成这种图像分析和基于机器学习的嵌入式算法，精度甚至超过了原有的要求，远超人工测量的结果，项目完工时间大幅缩短。通过使用嵌入式编码生成器，即自动化代码生成器，可大量节省代码时间，可以在MATLAB中实验新功能，并快速完成额外迭代，通过自动化的代码生成，部署到嵌入式系统里面去。
应对虚实偏差
关于模型方案与实际系统的对应问题，Jim做了特别分析和说明。模拟数据和实测数据二者会存在一些区别和误差，模拟仿真一定是不能完全替代最终的实际实测的。所以首先模拟仿真是通过模型仿真测试出来的结果，最后还要进行实地的路测等进行验证，这样的好处就是降低开发时候的路测成本和路测次数，仿真还可以弥补极端情况下数据的不足。所以二者没有孰优孰劣，像左手跟右手一样是互补的关系。
应对模型偏差可以通过仿真与实测交替，不断纠正并最终得到理想模型。Jim Tung解释到，MathWorks也会跟进未来趋势，不断丰富工具箱，让开发者能够更加便捷地开发出相关领域的应用。
来源：MathWorks
