從對未來的好奇到關鍵的企業(yè)工具，人工智能的發(fā)展證明了它對工程師的價值。不久前，Gartner 預測，采用人工智能工程實踐來構(gòu)建和管理自適應人工智能系統(tǒng)的企業(yè)，在實施人工智能模型方面的表現(xiàn)將優(yōu)于同行至少 25%，這為各組織繼續(xù)推動人工智能的采用增加了外部壓力。隨著工程師不斷發(fā)現(xiàn)能夠為其組織帶來價值的新用例，2023 年將成為人工智能發(fā)展的重要一年。

以下是 2023 年工程師可采用或為其制定計劃的四大人工智能發(fā)展趨勢。

▼1. 教機器認識現(xiàn)實世界：基于物理信息的 AI

除了以數(shù)據(jù)為中心的 AI 方法外，以模型為中心的 AI 方法也越來越受歡迎。大多數(shù)以數(shù)據(jù)為中心的 AI 模型都試圖根據(jù)接收到的數(shù)據(jù)不斷優(yōu)化以提高準確度，這使得模型在推斷時不需要考慮現(xiàn)實世界的規(guī)則和原則。而隨著 AI 繼續(xù)擴展到越來越多的研究領域，例如復雜工程系統(tǒng)，模型需要考慮各種物理約束。例如，麻省理工學院的一名首席研究員使用基于物理信息的 AI 來設計新型生物醫(yī)學設備，以改善對輕度創(chuàng)傷性腦損傷的檢測結(jié)果。

與此類似，使用基于物理原理簡化模型的模型降階 （ROM） 方法作為新趨勢也正在興起。高保真模型由于計算量太大而無法用于系統(tǒng)級設計，降階模型能夠替代高保真模型從而降低計算門檻。使用 AI 可以在保持系統(tǒng)的預期保真度的同時，通過取代系統(tǒng)的第一性原理模型來加速仿真。在 ROM 和其他基于物理信息的應用中，AI 將促進模型計算收斂，同時由于引入規(guī)則的算法，可提高模型的可解釋性。

基于物理信息的 AI 其核心是對仿真的需求：這些復雜的模型可以配置為仿真中的變體，使工程師能夠在模型之間快速切換，以獲得最佳且最準確的計算結(jié)果。

▼2. 對跨 AI 協(xié)作的需求：對 AI 的開放訪問將繼續(xù)擴大

研究人員、工程師和數(shù)據(jù)科學家在彼此工作成果的基礎上繼續(xù)創(chuàng)新的趨勢日漸盛行。根據(jù)工程師工作流程和職責的幾種變化，我們看到了更多對于合作的需求。

推動交叉協(xié)作的主要趨勢是使用 AI 開展的研究越來越多，這也使得最新模型的按需提供變得更加緊迫。GitHub 是獲得即時可用的最新研究模型的首選平臺。在 GitHub 新發(fā)布的模型在幾個小時后就有了一個以其為基礎的全新解決方案，這種現(xiàn)象并不罕見。大量優(yōu)質(zhì)模型使所有從業(yè)者都能在比以往更短的時間內(nèi)利用上最新的研究。

第二個趨勢是對開源解決方案的依賴越來越大。模型可能來自幾個不同的框架，因此工程團隊需要的解決方案要能夠彌合其首選系統(tǒng)和最終解決方案之間的差距。這就要說到不同框架之間的互操作性，它使得 AI 能夠被納入到更多樣化的研究領域中。

最后，企業(yè)正在不斷增加與學術界的合作，以便其特定的應用能夠利用上日益加速的 AI 研究成果。在 AI 領域與學術界的合作可以幫助企業(yè)應對新的挑戰(zhàn)，例如利用基于物理信息的機器學習和生物醫(yī)學圖像處理等主題的學術研究。

▼3. 企業(yè)將專注于更小、更易于解釋的 AI 模型

在早期探索模型時，準確度是工程師和科學家的主要關注點，而模型其他方面的優(yōu)缺點則可能不是重點。然而，AI 從業(yè)者發(fā)現(xiàn)，要想讓模型具有現(xiàn)實意義，它們必須能夠部署，匹配硬件要求，并且能夠讓其決策易于解釋和理解。

一個逐漸流行的趨勢是使用傳統(tǒng)的機器學習模型來滿足低成本、低功耗設備的要求，并輸出具有可解釋性的結(jié)果。越來越多的公司希望使用特定的公式和參數(shù)以獲得有保障的結(jié)果，這使得參數(shù)化模型再度煥發(fā)生機。傳統(tǒng)的機器學習技術雖然不是最先進的，但它們能夠以可理解且可重復的方式完成工作。這些模型本身就很緊湊，從而可滿足低內(nèi)存占用的硬件需求，并且其容易解釋的輸出也為用戶提供了模型可以滿足應用預期的信心。

如果需要更新、內(nèi)存占用更大的模型，量化和剪枝技術則提供了壓縮模型的方法，可在對準確度影響最小的情況下降低模型大小。此外，可解釋性方法也被用于更復雜的模型，以解釋模型的決策，從而提高輸出的置信度。

通過可解釋性、量化和剪枝，工程師和科學家有了更多將人工智能（包括深度學習和傳統(tǒng)的機器學習模型）擴展到主流模型開發(fā)中的選擇。

▼4. AI 在最先進的工程系統(tǒng)的設計、開發(fā)和運行中變得至關重要

突破性的工程創(chuàng)新中不太可能缺少人工智能的身影。人工智能將繼續(xù)影響現(xiàn)有領域，包括那些涉及時間序列和傳感器數(shù)據(jù)的領域。隨著人工智能在所有行業(yè)和應用中走向主流，不使用任何人工智能的復雜工程系統(tǒng)將成為異類。

電氣化趨勢就是一個人工智能讓諸如電池管理、虛擬傳感和模型降階等更多應用成為可能的例子。不過，在新近集成了人工智能技術的成熟領域工作的工程師可能需要具備人工智能技術的相關背景。這催生了對特定參考示例的需求。這些示例可以方便工程師確定如何在干擾最小的情況下將人工智能整合到其工作中。例如，開發(fā)電池管理系統(tǒng)的工程師會希望從經(jīng)過驗證的示例開始，然后使用數(shù)據(jù)和專業(yè)知識修改示例以應對他們特定的情況。

▼如今的問題不再是人工智能是否會影響企業(yè)，而是這種影響何時會發(fā)生，以及各個組織面臨的具體影響是什么。從跨學科合作到獨特的組件設計，人工智能的持續(xù)采用對整個組織都有影響。因此對工程師來說，確定與其短期和長期目標一致的用例并相應地實現(xiàn)這些用例至關重要。