2021年AI五大趋势下，MathWorks提供全套工具分化企业级问题

据权威资讯 公司Gartner给出的2021年数据科学和 机器学习的魔力象限中， MathWorks再度占据了领导位置，在执行力和前瞻性上超过了谷歌、 亚马逊和微软等巨头公司。MathWorks 首席战略师Jim Tung在媒体交流会上分享了2021年的五大 AI趋势，介绍了MathWorks是如何打造一个企业级AI解决方案平台的。

MathWorks预测第一大趋势就是 人工智能会成为 工程师和科学家的应用主流，并投入实际的 产品和研究中。第二个趋势则是人工智能会将工程学、计算科学、数据科学和IT等方向结合起来，实现一个跨学科的领域。第三个趋势是人工智能模型的可解释性，将减少安全敏感领域对人工智能的排斥。第四个趋势是人工智能的 仿真和测试将走向3D化和真实化，从而更加接近于真实系统。最后一个趋势是更多的人工智能模型将部署在低功耗低成本的 嵌入式设备上。

AI专门化工具
MathWorks为多个领域提供了专门化的工具和一系列的参考案例，方便用户通过这些案例模型来了解每个行业该如何应用MathWorks产品。这其中提供的产品包括激光雷达工具箱、 自动驾驶工具箱、 无人机导航工具箱等，用户可以通过 MATLAB Simulink作为开发平台，融合更多工具完成AI产品的设计。 一个比较著名的例子就是ASML，作为全球 光刻机的领导者，ASML在 检测系统中大量使用了MathWorks的工具。ASML借助MATLAB、统计学工具箱和机器学习工具箱开发了对准测量的软件，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。

AI跨学科、跨平台、跨领域 在跨学科、跨平台、跨领域的AI开发中，MathWorks工具可与开发/部署工作流中的行业标准技术和平台相结合，减少了返工的过程。MATLAB Simulink主要集中在设计和测试阶段，而构建和部署阶段可以与git、AWS、Docker等工具无缝连接，提供全套的解决方案。

另一个鲜活的案例，那就是全球 知名的空调公司阿特拉斯，他们所设计的空调需要不间断的高性能工作。通过人工智能和MATLAB工具箱，阿特拉斯得以实现全球超过12万台机器的联网优化维护，将整个产品系列的效率提高了10%。

AI模型的可解释性和可视化进一步提高

MathWorks为各个领域都提供了AI的相关技术产品，包括航天航空、军工和汽车等应用，比如软件定义汽车等新功能，尤其是这些行业领域往往有着严格的 认证要求和很长的系统生命周期，MathWorks的产品助他们解决了真实系统与人工智能结合的挑战。这些领域同样对于系统的安全性有比较高的要求，因此AI模型的可解释性要求是非常高的，这就需要可视化技术来调查和解释 网络的预测。

MathWorks从MATLAB R2017a到R2020b都加入了相关的功能，专门为模型可视化做出了升级。通过可视化的方法，将哪些特征值参与了决策告知用户。比方说通过特征标识来分辨鼠标和键盘，狗的种类等等。

其次就是高安全性系统中的标准，比如车规ISO26262等。随着技术的发展的AI的出现，部分规定对于AI、机器学习和 深度学习等可能会出现偏差。MathWorks因此与EUROCAE和SAE合作，一同参与航空、汽车等方面适合AI的认证标准，从而满足高安全性系统的要求。

3D和虚拟化仿真测试

人工智能需要大量的数据输入，之后在通过筛选提取的特征值进行模型训练，最后找到规律投入使用。但很多工况下，尤其是极限工况下，数据的获取需要消耗大量的人力物力，甚至会对系统造成破坏，但若没有这些数据，人工智能的 算法就不会完整。比如采油的液压泵泄露发生时，造成的影响是破坏性的，且没办法采集现场数据，这时候就需要建立模型来提取这些极限工况的数据。

另一个应用就是自动驾驶汽车中常用到的激光雷达，在系统测试的过程中也很难采取到极限工况下的路测数据。这时我们可以通过系统仿真的数据导入自动驾驶的模型，也可以 vwin 传感器数据对自动驾驶进行分析。

在将AI算法转移到 硬件之前，可以先集成到整个系统范围内进行仿真，评估深度学习的算法。比如交通监测视频通过车道检测和车辆检测两个模型，从而高亮车辆和车道，得到整个系统融合算法的测试结果。
MathWorks去年推出的新产品Ro adRunner是专为自动驾驶的3D场景设计的，通过RoadRunner可以很快搭建起道路、城市和工况等外部环境，与MATLAB Simulink的算法结合，可以实现自动驾驶的仿真和测试。因为道路测试存在成本支出和风险，所以在应用于实际测试之前，可以通过这种虚拟场景的3D测试最大限度地测试出系统故障。

AI模型的全方位部署

在部署趋势上，除了高算力的数据 中心设备外，越来越多的AI算法也开始部署在边缘设备上，比如宝马生产线、化工厂的边缘系统等。通过MATLAB的代码生成，这些AI模型可以部署在各种平台上，比如 Intel或 ARM的 CPU，或是NVIDIA的 GPU和Xilinx的 FPGA等。
比如专业设计开发公司IDNEO就借助MATLAB开发测试了图像分析和机器学习的嵌入式代码，并将其部署在 智能血型卡里，为医务工作者提供自动化、可视化的血液检测结果。

Jim Tung也在会上解答了参会者的多个疑问，解释了MathWorks在推进AI路上做出的努力。

Q：MathWorks是如何帮助相关从业人员更好更快的掌握AI工具的？

A：使用MATLAB一定程度上可以让技术人员更加快速便捷地上手人工智能，并使用AI在他们的实际应用中。我们以多种方式帮助从业者学习和掌握人工智能功能:一是通过MATLAB环境使其掌握人工智能的方法，许多工程师和科学家已经熟悉MATLAB环境，有强大的文档，并得到我们全球公司的支持。另一种是通过MATLAB应用程序和工具箱，通过特定的任务或工作流程来引导用户使用人工智能。第三种方法是使工程师和科学家能够将人工智能集成到他们现有的工作流程中，以解决实际问题。包括:

•集成在特定工程应用中(例如，激光雷达、雷达、无线、预测维护)
•与流行的AI框架的互操作性
•将AI系统部署到嵌入式、边缘端和云端
•通过在系统的Simulink模型中仿真AI组件，评估大型系统中的AI功能
此外，我们为客户提供全球化的培训和支持。

Q：通过光刻机、ECU这些复杂的例子，我们也知道MATLAB在这些领域是不可替代的，目前 Python也在不少科研领域广泛使用，那么MathWorks的竞争力具体体现在哪呢？

A：首先，我明确一点，MATLAB跟Python除了在个别领域的细微竞争之外，主要还通过我们提供的跟Python的 接口合作与共荣。对比Python等开源软件，MATLAB的主要优势体现如下：

第一，MathWorks提供的是一个完整的工具链，而不是单独一环，我们提供的从小到需求分析，到系统设计，到建模，到仿真，到测试，到自动代码生成等等一系列完整的工具链。而在这个完整工具链的角度来说，可以说我们目前在这些领域里面是没有竞争对手的。可能在某一个节点，某一些工具，在某一点会比较突出，但我们提供的是一个完整的工具链，这是第一点。

第二点，大系统的整合，我们在整个AI的框架下，我们可以和很多的工具平台去进行整合，MathWorks我们所提供的工具并不是一个单单的工具种类，我们提供的是一个AI的平台，可以把更多的基于其它工具的AI的算法，统一的集成在MATLAB里面去，进行仿真、测试等等。这是第二点。

第三点，了解软件的功能，学习软件的使用以及如何投入到所用行业中，这方面的优势在于我们提供了很多的服务，包括我们的产品文档，包括我们在各个领域，各个行业推出了很多说明文档以及案例分析，某个行业中怎么样做这些算法，怎么样去做人工智能，手把手的去教客户使用我们的软件和人工智能，同时我们提供这些培训服务、咨询服务等等服务。我想这是另外一个更突出的点，相当于Python生态的开源软件，我们可以更好的服务客户，帮助这些客户去取得更快的进步，帮助客户去尽快且有效地建立起他们的开发流程和工具链。

Q：RoadRunner这些模拟的道路数据与实际路测数据有何优劣，前者可不可以替代后者，还是两者相互结合？

A：实际上我们有两点说的是非常清晰的，第一点是模拟仿真一定是不能完全替代最终的实际道路测试，这一点是非常明确的，首先模拟仿真是通过模型仿真测试出来的结果，最后所有的自动驾驶车辆一定还是要进行实际的道路测试的，这一点是毋庸置疑的，不能完全替代。所以我们没有说两个有孰优孰劣，这两个是一个结合，就是像左手跟右手一样，是通过这两种的结合，来尽量的减少工作量，减少开发成本，加快产品开发时间和迭代时间，这是第一个。

第二，在模拟数据，这个仿真数据的好坏，其实很大程度上是取决于模型的精确性，如果说你这个模型，实际上我们说世界的所有的模型都是错误的，这一点是很清晰的，模型并非100%与实际的系统一样，模型一定会跟实际的系统多少有点偏差，那么这个偏差的概率就决定了你从模型里面测试数据的偏差，如果说模型能够100%的反映你实际的系统，那么出来的测试的，从模型跑出来的数据一定是100%和你实际是合理的，所以是一定会有偏差的，这也是为什么我们最终的物理测试是一定不能省去的一个原因。所以我们所强调的仿真，是说可以通过仿真，大大减少最终测试的一些环节，包括一些我们所说的极限工况的测试，因为极限工况在最终测试的时候是很难复现的，那么我们在前期，因为前期要验证这些算法，那就可以通过仿真，把算法中的一些故障去规避掉，可以极大的减少我们的开发费用，开发时间等等。

Q：MATLAB和Simulink在三维仿真方面做出了哪些尝试？仿真三维场景想要完全取代物理测试，您认为还需要多久的时间？

A：MathWorks在3D仿真方面有着广泛和深入的投入。广度方面包括我们的RoadRunner产品，用于为自动驾驶应用程序构建3D场景，与汽车和虚幻模拟引擎集成，以及与Gazebo等 机器人模拟器的连接。深度方面在物理建模工具中表现得最为明显。

您提出了一个很好的关于物理测试的未来的问题。我们的客户在大量的使用仿真进行开发，以减少对实际物理测试的需求。此外还有协同作用，因为测试数据——以及系统运行时的实际数据——都可以集成到仿真中进行对比。我们不期望物理测试完全消失，但它会慢慢地变得越来越少见-可能只在最终测试和验收需要时进行。在此之前，该系统已经通过仿真在整个开发过程中进行了彻底的测试。