车网中国
作者：德科技全球企业和产品营销副总裁 Jeff Harris
那么，就让我们一起来打开这个盒子，揭开人工智能的面纱看一看。要想实现人工智能，您首先要满足两个要素：（1）能够测量某些参数并且了解测量结果的含义；（2）学习能力。第一个要素涉及计量学，也称为计量科学研究。第二个要素称为机器学习（ML），它让系统能够辨别不同于预期结果的测量值，并且在不需要明确编程的情况下改变操作。
数据收集能力
计量学侧重于深入了解某种特定的测量。这种测量既可能是像电压、接地或温度测量一样简单而独特，也可能像飞行器控制面或复杂的制造装配线一样具有多模态功能。
• 测量深度：无论是测量单个参数还是测量多个参数，测量精度决定了您能够达到哪种程度的可编程能力。例如，以 1/10 伏的精度测量 3 伏系统就不会像以 1/1000 伏的精度测量同一个系统那样有洞察力。
• 数据馈送：测量数据只有在可用于数据馈送时才对算法有帮助。在上面的示例中，如果传感器能够以 1/1000 的精度进行测量，但受到数据总线的限制，其数据馈送输出只能精确到小数点后一位，那么额外的精度就不能为算法所用。
• 多个数据馈送：在可能的情况下，测量的参数越多，做出的决策就越有效。举个例子，如果能够以 1/1000 的精度测量电压和温度，您就能够将温度变化与电压波动联系起来。
进入机器学习
机器学习会把来自多个源头的数据提供给用以模仿人类学习方式的算法，从而逐步提高算法的准确性。获得数据馈送后，您还需要三个基础模块才能实现 ML：解释数据的算法、具有响应式结果的预期结果表、反馈环。
• 算法：一个机器学习系统的真正“智能”体现在它能够获取数据馈送输入，运行一组计算/指令，并解释输出。解释指的是它能够分辨输出计算是否在预期范围之内，然后根据该输出执行新命令。在前面的示例中，如果不仅电压测量结果远超预期范围，而且温度也高于标称值，那么算法可能会启动内部风扇。
• 预期结果和响应式结果：以最简单的方式来解释的话，预期结果可以是数据馈送输入与一系列响应式命令组合而成的“查找”表。表格越全面，ML 就越成熟、越有价值。交互性更高的 ML 可以执行一步步变更，例如根据实时感知数据改变无人机的航向，从而避开障碍物，这一操作同时需要持续的感知和不断的调整。
• 反馈环：最后一个要素是反馈环。它允许系统验证其操作是足够的还是需要进一步改进，并且能够帮助系统调整参数，从而提高未来的性能。
增添多个针对大型系统不同方面的 ML 功能，增加更多传感器数据，从而在更复杂的系统层面实现机器学习。先进的 ML 可以在遇到新的传感器输入组合时将其添加到“查找表”中，制定其它类型的响应式结果指令，并衡量执行的响应的充分度。这些就成为了自我调整算法，从数据中获取知识，从而预测结果。训练的算法越多，输出就越准确。
人工智能
既然拥有了可训练的算法，那么您就在很大程度上可以实现 AI 交付。您需要从一系列 ML 引擎中获得输出，然后将它们与充足的准则和迭代相结合，以便算法做出实时决策。当 AI 算法处理数据、
迭代、考虑新数据进入的迭代响应，以及使用组合来选择输出时，它就进入了决策状态。这个永无止境的循环促使 AI 不断学习并提高决策质量。整个过程既可能像电压和温度传感器回路一样非常简单，也可能像攻击型无人机的飞行控制系统一样复杂。
人工智能的 DNA 标记
如何预测 AI 算法的性能？就像了解人类一样，您可以通过 DNA 标记来了解 AI 算法。从最基础的层面来看，具有人工智能的机器能够仿真人类感知信息、处理信息和对信息做出反应的方式，并针对给定的条件修改工作流程，从而代替人类参与决策循环。从本质上讲，您可以查看三个常见的 DNA 标记：
1. 测量和仿真的效果：了解制造商的测量能力，了解他们是否拥有创建数字孪生环境所需的充足知识和经验。
2. 算法、分析技术和洞察力：开发人员对信号核心特征的了解程度以及这种程度与预期响应的关系将决定预期结果“查找”表的深度。
3. 工作流自动化知识：从系统层面上理解多次迭代的 ML 输出如何协同工作，从而优化预期结果。
有鉴于此，人工智能算法的质量与以下两个方面有关系：
1. 深度——理解指定测量领域中测量结果的能力
2. 广度——人们拥有的深度知识所涵盖的技术和标准的数量
这向我们指出一个事实——如果实施得当的话，人工智能并不是一种被过度炒作的新兴技术。相反，工程师可以借助它来管理复杂性呈指数级增长的新设计。
正如未来学家 Gray Scott 所言，“到 2035 年，人脑不可能也没有办法与人工智能机器相匹敌。”工程师们意识到了这一点，并且开始将 ML 和 AI 融入他们的系统。人工智能的诞生要归功于充满智慧且积极进取的工程师。他们了解测量科学，充分理解为开发人员创建数字孪生可能会得到的系统特性，并志在让工程走上新台阶。
