无论谁能阻止AI向行业常态化渗透，在过去，AI代表着科技的前沿，是人们对于科技的一种想象，而现在正不断与行业应用相结合，降低人们在实际行业中决策失误的概率。作为科技前沿，AI要成长为有效的经济作物还需要一定的量时间。但从目前的发展来看，AI可能是未来经济发展和生产力飞跃的决定性因素，推动整个行业的不断变革和转型。
来自MathWorks的首席策略师Jim Tung预测了AI未来发展的五大趋势，并详细解释了MathWorks如何应对这些趋势。
第一，AI正在成为专业工具的主流。
在Jim看来，AI最大的趋势应该是，它正在成为科学和工程领域的必要工具。在专业领域，人工智能经常在提高效率方面发挥作用，例如自动驾驶和工业预测性维护。越来越多的科学家和工程师可以更加依赖数据带来的决策能力，高强度的脑力消耗正在被AI简化。在这些领域，MATLAB在产品方面提供了激光雷达工具箱、自动驾驶工具箱、预测维护工具箱、机器学习/深度学习/增强学习工具箱。包括提供相关参考案例，允许用户通过这些案例和模型开发人工智能应用，包括视觉检测、医学影像、土地分类等。吉姆举了ASML光刻机检测系统的例子。ASML在生产中使用了MATLAB和统计与机器学习工具箱，开发了芯片生产对准测量软件。该软件通过使用机器学习算法和校准测量数据来估计和测量每个晶片的对准数据，这大大降低了制造风险。
第二个趋势是跨学科、相互融合。
作为AI的跨学科应用，它涵盖了很多方面的知识，开发者在实际工作中经常要面对跨领域、跨平台的应用。在这方面，MathWorks工具为用户提供了一个结合了开发、部署、工作流行业标准和技术平台的设计，可以大大减少返工量。比如嵌入到手机、通信、终端等边缘设备中。也可以和IT、OT系统结合使用。此外，它还支持云部署。MathWorks为客户提供了完整的跨平台开发流程。以全球知名空调公司阿特拉斯为例，其利用MATLAB降低运营成本，实现全球12万多台设备、机器跨地域、跨平台的联网，全面优化维修策略，使整个产品系列提高的效率提升10%。
第三个趋势，进一步的可视化和可解释性提高
在一些高安全性领域，如军工、国防等。AI模型有很高的解释要求。通过人工智能预测，可以知道每一层的主要特征，进行预测，通过算法实现清晰的预测。这有助于模型解释在高安全性领域如何以及为什么选择这些特定的决策方法。通过这些可视化方法，用户、工程师或科学家可以清楚地看到哪些特征值被用于做出最终决策。从MATLAB 2023a到最新版本2023a，升级了一系列工具，专门针对模型可视化提供的一些特殊功能。
以Jim可视化为例。在人工智能的分析中，神经网络可以通过训练自动识别图片中狗的种类。然后在不同的识别下，会有不同的区域，不同的图片，识别出不同类型的狗。那么如何才能通过这些人工智能提供的算法，清楚地知道用什么样的特征来确定最终输出的类型呢？另一个问题是，随着人工智能技术的发展，旧的安全标准将被淘汰。机器学习和深度学习等算法将为新的世界设定新的标准，原有的标准可能会被偏离。目前，MathWorks正在与EUROCAE、CSAE等国际组织共同参与新标准的制定，以适应人工智能新的认证标准体系，满足高安全性的要求，hop
使用更多的虚拟化3D技术来实现人工智能的模拟。人工智能的使用需要大量的数据，所以第一步是准备数据，然后通过数据清洗和提取，用特征值来训练模型，最后将规则部署到应用中。很难得到极限数据，会耗费大量的人力物力，甚至会破坏系统。但是没有这些数据，算法的系统将是不完整的。通过这些仿真模型，我们可以很容易地获得极限工况数据，而不需要任何成本，实现方案的部署。以采油液压泵为例，关键故障原因可能是密封泄漏，但无法提取泄漏时的现场数据。这时候我们就可以建立一个模型，从模型中提取数据，然后将这些数据导入到人工智能模型的训练序列中，通过人工智能模型可以发现和分析这些故障数据，最后进行预测维护和故障诊断等应用。
比如蓬勃发展的自动驾驶汽车上使用的激光雷达，因为价格非常昂贵，32线或者64线就要几万块钱。但在实际测试中，现场工况数据很难提取，因此可以将仿真数据导入自动驾驶仪模型，进而实现雷达工况的自动分析。去年推出了新产品RoadRunner。它是专门为自动驾驶的3D场景设计的。通过RoadRunner工具箱可以很容易地设置它来模拟路况。结合Simulink和MATLAB的算法，可以很容易地对其进行仿真和测试。
第五个趋势是端到端部署。
越来越多的人工智能算法部署在不同的设备上，并且大部分集中在低功耗的边缘设备上，这在图像检测应用中非常明显。通过MATLAB模型，可以简单地生成代码，并最终部署在任何平台上。
很多科学家在专业领域积累了宝贵的经验，但在编程方面稍有欠缺。然后，他们会把自己的专业知识结合到模特身上。通过MATLAB或Simulink，他们可以制作这些模型，自动生成代码并部署到所需的设备上，无需人工干预。
以血型检测为例，大量的工作需要对比。医院工作可以使用专门的卡片进行目测分析，对测量进行验证，通过算法确定病人血液抗原的类型，包括什么样的类型，抗原在里面的具体情况等等。利用MATLAB和机器学习工具箱开发、测试和生成这种基于机器学习的图像分析和嵌入式算法，精度甚至超过了原来的要求，远远超过了人工测量的结果。项目完成时间大大缩短。通过使用嵌入式代码生成器，即自动代码生成器，可以节省大量代码时间。您可以在MATLAB中试验新的函数，并快速完成额外的迭代。通过自动代码生成，您可以将其部署到嵌入式系统中。
应对真假偏差
Jim对模型方案与实际系统的对应关系做了专门的分析和说明。模拟数据与实测数据存在一定的差异和误差，因此模拟不能完全代替最终的实测。所以首先仿真是模型模拟试验的结果，最后需要实地路试进行验证。这样的好处是可以减少开发时路测的成本和次数，仿真也可以弥补极端情况下数据的不足。所以两者之间没有优劣之分，就像左手和右手一样，是相辅相成的。
通过模拟和测量的交替进行，可以修正模型偏差，最终得到理想的模型。Jim Tung解释说，MathWorks也将顺应未来趋势，不断丰富工具箱，让开发者更方便地开发相关领域的应用。
