人工智能在過去兩年被谷歌引爆，于是該領域的創業公司如雨后春筍般生長起來，有的做專用芯片，有的做算法，有的做機器人…人工智能到底是什么？是讓機器代替人類完成重復的生產線勞動嗎？這樣理解為免太簡單。人工智能絕對不只是讓機器完成模仿，從而替代重復性工作，真正的人工智能需要機器經過訓練和學習，接近或者超越人類的智能行為。

人工智能訓練模型的時候，數據是最重要的因素，只有通過大數據訓練，才能讓訓練的模型更接近于實際需求。比如，自動駕駛的模型訓練，現在基本是靠自動駕駛汽車上路測試收集數據訓練模型，路上的汽車只有采集到更多可能的場景，才能確保訓練出的模型更接近實際路況。在人工智能訓練中一般會遇到兩個問題：第一，數據量不夠如何訓練模型？第二，數據量太大如何快速進行標注？

MathWorks產品市場經理趙志宏

遷移學習：通過模型產生數據訓練神經網絡

如果沒有數據能做人工智能嗎？這是很多初創公司的困惑。在筆者的概念里，正常的AI開發流程是，先采集數據，再訓練模型。在最近的Matlab大會上，MathWorks產品市場經理趙志宏先生給出了一個不一樣的答案，他表示，“數據、輸出和模型是整個AI開發流程的一個步驟。如果開發者想做人工智能，又沒有太多的數據，可以采用遷移學習的方法。”遷移學習又是什么概念？不防從實際例子來理解。比如：通過人工智能的方式來預測風力發電機的故障，用戶不能等到采集到大量故障數據以后再預測，這樣不符合設備維護的目標，而是先用Simulink模型建立一個風里發電機的模型，通過校正讓這個模型非常接近風力發電機，然后通過該模型產生故障數據，進而訓練機器學習或者深度學習的神經網絡。

趙志宏先生表示，“基于模型設計的優勢是，它是在真正做出產品之前建好一個模型，這個模型與實際產品非常的接近，不管是從數字計算、行為計算產生的結果與真正的結果都非常接近。很多工程師在設計產品的時候已經把這個模型建好了，在這個模型上加入故障情況就很容易產生故障數據，這比在實際設備上產生的故障要容易很多。因此，可以進行故障預測和維護。”

通過深度學習對大數據進行標注

隨著傳感器的大量采用，數據量進入洪荒時代，給人工智能進行特征標記帶來困難，這時候可以采用深度學習進行標記。趙志宏先生解釋，“深度學習的特點是不需要人工手動找出特征值，系統可以自動從數據里提取特征值。MATLAB里面有很多自動標記的工具和功能。LiDAR三維點云技術可以對每一點進行標注，把這個點聚類在一起聚成一個目標模型，然后再把目標具體代表的實物辨別出來。有些用戶已經采用MATLAB的工具進行了開發，著名的汽車配件公司AUTOLIV就在用這種方式進行自動數據標注。”

以膨化食品智能檢測為例，研究人員可以在用戶咬食品的時候提取特征，用咬合聲音和咬合力度衡量食品的松脆度，有了這兩個特征，還需要開發一個機器學習的分類器，而MATLAB提供了分類學習器。開發者通過這個工具不需要一個一個去試各種分類器的算法，使用MATLAB提供的APP去一次性嘗試所有算法。開始運行APP后，用戶選好數據和需要訓練的分類器，然后進行訓練。在訓練過程中，用戶可以看到每個分類器的整體結果，選擇精確度最高的一個，然后進行更多的調查和研究。如果用戶沒有研究過AI，可以用MATLAB提供的APP進行學習，去嘗試所有機器學習的算法。

在MATLAB里面做深度學習難嗎？用趙志宏先生的話說，只需要寫5行的MATLAB代碼，用戶就可以建出一個能夠識別食品的網絡。筆者已經多年沒接觸過MATLAB了，所以無從考證，工程師朋友們如果需要可以進行嘗試。

和開源代碼如何協作？
現在市面上的開源非常熱，工程師們可以在開源社區快速獲得需要的代碼，在人工智能領域也有很多開源資源，作為封閉資源的MATLAB和開源代碼相比更新速度可能會較慢，而且加上是收費模式，工程師們也擔心兩者的融合問題。當筆者問到這個問題的時候，趙志宏先生解釋，“開源代碼背后有很多的開發團隊，他們自愿進行開發，我們也有自己的開發團隊。我們并不把開源代碼和MATLAB定義為競爭關系，實際上我們各有特點和長處，有時候我們是可以與開源代碼共用。有一些開源代碼可以在MATLAB里面運行或者直接調用，我們在共同為科技進步做貢獻。我們雖然是付費軟件，但是提供的不僅是工具，還有很多的服務。”

“當用戶使用MATLAB時遇到問題，我們后面有很強的技術支持團隊幫用戶解決這些問題。另外，我們的工具不僅是針對某一功能產生正確的結果，我們還考慮把這個功能做得非常的容易使用。比如針對AI應用，我們把界面做得非常適合該專業領域，而且兼顧讓用戶感覺在使用熟悉的MATLAB或者Simulink的界面。這是我們的優勢，如果用戶在MATLAB或者Simulink中增加新功能，學習門檻不會很高，容易上手設計。除了提供工具，我們還給用戶提供了很多便利，這是從開源工具中所得不到的東西。”趙志宏先生補充。