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

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(yè)化世界的雙向奔赴，我們逐漸感受到AI技術的發(fā)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(qū)行業(yè)市場經(jīng)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(chǎn)品部署還是企業(yè)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(fā)展的主流。

2021的“余溫”，舊五大趨勢的并行發(fā)展

在去年的媒體交流會上，MathWorks首席戰(zhàn)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(fā)展。而在2022年的預測中，MathWorks將去年的五大趨勢也延續(xù)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(zhàn)。

趨勢一：人工智能在工程和科學學科、整個行業(yè)和學術界廣泛普及

人工智能在千行百業(yè)的落地已經(jīng)成為一種大勢所趨，但是根據(jù)行業(yè)的不同發(fā)展階段，人工智能的落地情況存在著很大的區(qū)別。根據(jù)李靖遠的介紹，在自動駕駛、機器人、網(wǎng)絡安全、醫(yī)療設備等新興領域，由于整個行業(yè)的數(shù)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(tǒng)行業(yè)中，由于大多企業(yè)處于數(shù)字化轉(zhuǎn)型的初期階段，其數(shù)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(shù)字化的積累。

趨勢二：AI將工程、計算機科學、數(shù)據(jù)科學和IT部署整合起來

科學計算、數(shù)據(jù)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(xiàn)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(tǒng)意義上的開發(fā)部署以及企業(yè)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(xiàn)大范圍的整合，將其變?yōu)橐粋€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(tǒng)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(tǒng)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(fā)展，AI模型的可解釋性也在不斷提升，增強了這些領域?qū)τ贏I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(xiàn)實等環(huán)節(jié)中，還包括醫(yī)療行業(yè)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(tǒng)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(jīng)成型，但在2022年有了更深入的發(fā)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(zhàn)

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(shù)據(jù)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(zhì)量的長期監(jiān)測，和氣候變化等等。

趨勢七：以數(shù)據(jù)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(xiàn)在數(shù)據(jù)層面。人工智能模型的基礎來源于數(shù)據(jù)，擁有更加優(yōu)質(zhì)的數(shù)據(jù)，不斷優(yōu)化數(shù)據(jù)的獲取方式，也間接地促進了人工智能模型的發(fā)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(tǒng)行業(yè)領域中，有很多專家集中于該領域的專業(yè)知識，對于編程了解不多。利用一些現(xiàn)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(xiàn)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(qū)動跨框架、跨平臺和多學科團隊之間的協(xié)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(xié)同就成為一個非常必要的因素。李靖遠表示：MathWorks的產(chǎn)品支持跨框架、跨平臺的協(xié)作，我們希望通過這種協(xié)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(yōu)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(tǒng)仿真的一部分，來更好地促進多學科的交流，實現(xiàn)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(xiàn)成模型。除此之外，在傳統(tǒng)的深度學習網(wǎng)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(yè)領域知識的結合，比如生成對抗網(wǎng)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(fā)展，第一個是AI模型的跨平臺化，系統(tǒng)級仿真；第二個則是業(yè)內(nèi)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(jiān)測爆震、無線通訊領域的降噪、醫(yī)療領域的數(shù)據(jù)采集和健康監(jiān)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(shù)據(jù)采集、模型訓練、系統(tǒng)仿真和平臺部署上發(fā)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(tǒng)，包括一些流體力學的多維系統(tǒng)，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(tǒng)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(xiàn)的降階模型，來加快仿真速度，把它作為整個大系統(tǒng)的一部分，來導入整個系統(tǒng)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(fā)。MathWorks斯提供了完整的工具鏈，從數(shù)據(jù)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(shù)據(jù)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(xiàn)算法在企業(yè)IT、OT系統(tǒng)上的快速部署。李靖遠表示：在開發(fā)側我們提供豐富的數(shù)據(jù)處理，無代碼、低代碼的建模系統(tǒng)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(fā)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(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。