Gartner曾在預測中表示：到2024年底，75%的企業將從試點人工智能逐步完成向運營人工智能的轉向。借助強化學習、機器學習等方法，2022年企業能夠使用人工智能應對更復雜的業務挑戰。

從2016年AlphaGO在世界圍棋棋壇上的驚鴻一瞥，到近幾年間AI與商業化世界的雙向奔赴，我們逐漸感受到AI技術的發展正在步入一個全新的階段。

在3月29日MathWorks舉辦的媒體分享會上，MathWorks中國區行業市場經理李靖遠同在場媒體分享了MathWorks預測的2022年人工智能領域的十大趨勢。李靖遠表示：我們相信不管從客戶應用、領域應用、產品部署還是企業平臺化的方向，這十大趨勢將會代表著整個人工智能領域發展的主流。

2021的“余溫”，舊五大趨勢的并行發展

在去年的媒體交流會上，MathWorks首席戰略師Jim Tung做出了2021人工智能領域的五大趨勢預測。而在這之后的一整年中，我們也逐漸印證了人工智能領域在這五大趨勢下的高速發展。而在2022年的預測中，MathWorks將去年的五大趨勢也延續到今年的預測中，并分享了全新一年迎來的更多機遇與挑戰。

趨勢一：人工智能在工程和科學學科、整個行業和學術界廣泛普及

人工智能在千行百業的落地已經成為一種大勢所趨，但是根據行業的不同發展階段，人工智能的落地情況存在著很大的區別。根據李靖遠的介紹，在自動駕駛、機器人、網絡安全、醫療設備等新興領域，由于整個行業的數字化技術基底較為扎實，人工智能技術的滲透與落地相對平滑也較為順利。而在電力、化工等傳統行業中，由于大多企業處于數字化轉型的初期階段，其數字化基礎相對落后，人工智能技術的普及化可能還需要大量數字化的積累。

趨勢二：AI將工程、計算機科學、數據科學和IT部署整合起來

科學計算、數據科學、計算科學以及IT部署長久以來處于相互相對獨立的存在，而人工智能技術的出現則為這些割裂部分的整合提供了全新的可能性。李靖遠表示：在傳統意義上的開發部署以及企業運營兩大流程之上，我們能夠通過人工智能、無代碼、低代碼等新興技術實現大范圍的整合，將其變為一個有機的整體。

趨勢三：模型可解釋性有助于增強在安全關鍵系統中使用人工智能的信心

在諸如航空航天、軍工等關鍵的安全領域，對于虛擬仿真模型的可解釋性有著非常高的要求。傳統的AI模型可解釋性相對較低，很難被這些高安全性領域所接受。，隨著人工智能技術的發展，AI模型的可解釋性也在不斷提升，增強了這些領域對于AI模型的信心和接受度。

趨勢四：仿真和測試將邁入三維時代且更加逼真

目前的仿真和測試應用不光局限于自動駕駛、機器人以及一些虛擬現實等環節中，還包括醫療行業的場景。人工智能技術將會推動3D仿真和測試技術在更多領域的應用，使場景以及模型的構建更加真實、可靠、具體。

趨勢五：將有更多的AI模型部署到更多低功耗、低成本的嵌入式設備中

在2014、2015年之前，大部分人工智能算法都需要基于GPU甚至集群上進行訓練。在實際生活中，無論是小到家用電器，大到航空航天，都有著大量嵌入式系統的應用。在之前，受限于硬件的算力、人工智能算法的代碼量等因素，人工智能很難部署在嵌入式設備之上。而隨著人工智能模型的精煉度提升以及硬件性能的提高，人工智能模型在邊緣設備的大量應用已成必然。

2022的“火熱”，新五大趨勢的燎原之勢

上文五大趨勢在2021年已經成型，但在2022年有了更深入的發展，而今年又有哪些新的趨勢，李靖遠對此進行了如下分享。

趨勢六：人工智能幫助應對全球挑戰

李靖遠表示：目前從MathWorks的全球用戶案例來看，有很多的歐美科學家使用MATLAB的數據處理和AI算法去分析我們新冠病毒的流行趨勢，以及大氣空氣質量的長期監測，和氣候變化等等。

趨勢七：以數據為中心的人工智能

之前人工智能都是專注于模型和算法本身，從2019年開始有更多的研究方向體現在數據層面。人工智能模型的基礎來源于數據，擁有更加優質的數據，不斷優化數據的獲取方式，也間接地促進了人工智能模型的發展。

趨勢八：無代碼/低代碼/自動編碼：為擴大AI用戶群體帶來巨大好處

在傳統行業領域中，有很多專家集中于該領域的專業知識，對于編程了解不多。利用一些現成的工具，比如說像MathWorks所提供的這些深度學習，機器學習，包括強化學習的工具箱，可以去自動地實現無代碼或者低代碼的人工智能學習方案，給一些領域的專家提供了更簡潔的方式，可以很快速的上手人工智能，使得人工智能算法和領域知識相結合。

趨勢九：AI驅動跨框架、跨平臺和多學科團隊之間的協作

目前市面上流行的諸如Tensorflow Pytorch, Keras, Caffe等AI框架，每一個框架所專注的領域是不同的。沒有任何一個框架可以通用到解決所有問題，所以在各個框架之間的協同就成為一個非常必要的因素。李靖遠表示：MathWorks的產品支持跨框架、跨平臺的協作，我們希望通過這種協作讓更多的跨框架之間的這些算法可以互通，把每一個的優點都充分利用起來，以MATLAB作為一個大的平臺，把其他框架的模型導入到MATLAB平臺里面去，作為整個大系統仿真的一部分，來更好地促進多學科的交流，實現整個平臺化的仿真。

趨勢十：人工智能大量用于應用科學研究

人工智能從近年來的趨勢看，越來越多的被用于應用學科的研究，遷移學習使研究人員更容易在工作中應用人工智能的現成模型。除此之外，在傳統的深度學習網絡基礎之上，研究人員在挖掘一些新的人工智能技術來推動他們的研究工作，促進AI和專業領域知識的結合，比如生成對抗網絡GANs和物理知識與機器學習的融合PIML等。

AI浪潮之下，MathWorks的實踐

在分享會上，李靖遠與在場媒體分享了MathWorks在人工智能領域與客戶合作的案例與取得的成就。

針對人工智能在工程科學領域的廣泛普及，MathWorks預測人工智能的將沿著兩條路不斷向前發展，第一個是AI模型的跨平臺化，系統級仿真；第二個則是業內會用一些降階模型來去替代那些高保真的仿真模型，來加速仿真的速度。針對這一趨勢，李靖遠分享了汽車領域的人工智能和聲學傳感器監測爆震、無線通訊領域的降噪、醫療領域的數據采集和健康監控以及能源領域的預測性維護，故障檢測四大案例，著重介紹了MathWorks與AI相關的工具箱在數據采集、模型訓練、系統仿真和平臺部署上發揮的重要作用。

談及降階模型在未來的應用，李靖遠表示：在非線性系統，包括一些流體力學的多維系統，在實際應用場景下我們不需要過度高精度的高仿真模型，但是我們需要整個系統的模型，保證它的輸入、輸出，盡量的逼近我們的真實反應。這種情況下我們就可以用到人工智能所實現的降階模型，來加快仿真速度，把它作為整個大系統的一部分，來導入整個系統里面去進行仿真。

未來會有越來越多的專家、工程技術人員使用低代碼、無代碼工具進行人工智能的算法開發。MathWorks斯提供了完整的工具鏈，從數據準備到AI建模，到仿真測試，到最后部署的整個流程。在這個過程中，從自動打標簽，數據準備，到AI建模，都是可以通過無代碼或者是低代碼的操作來完成。同時，不管是Tensorflow、Pytorch、Keras、Caffe等框架，MathWorks都可以支持將其算法導入MATLAB和Simulink之中，進行仿真測試。

除此之外，MathWorks還推出了MATLAB Production Server、Web App Server，以實現算法在企業IT、OT系統上的快速部署。李靖遠表示：在開發側我們提供豐富的數據處理，無代碼、低代碼的建模系統的軟件，在運維側我們提供的這些自動化的代碼生成，來促進在IT部署端的應用，做到開發和運營一體化部署。

總結

以上是生活随笔為你收集整理的技术浅滩到商业深海，MathWorks眼中AI的未来的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。