作者：貿澤電子Mark Patrick

復雜的人工智能（AI）曾經僅限于研發實驗室和超級計算機領域，但現在已成為消費類產品和服務的重要組成部分，這其中包括體積更小、價格更便宜、功耗更低的設備和物聯網產品。無可否認，在某些情況下，人工智能主要用于用表面的流行語來提升產品價值，但更多的情況下是啟用真正的新功能和新特性。

蘋果最新的iPhone CPU A11包括一個“神經引擎”，其中有兩個處理器內核，用于運行機器學習算法，并提供諸如人臉識別解鎖和面部表情追蹤等功能。LG公司展示了具有人工智能的家用電器，包括機器人吸塵器、冰箱、空調和洗衣機等。美國初創公司Buoy表示，即將推出的水泵將采用機器學習算法優化水流量，并能夠檢測泄漏等異常情況，以便在緊急情況下遠程或自動關閉供水。

目前有數量眾多的公司都在從事各種具有人工智能的助理產品開發，蘋果、谷歌、亞馬遜和微軟等都包括在其中，這些產品能夠以專有的硬件和應用程序，通過使用人工智能來更好地理解人的要求，并可以更自然地回應他們。未來的閥門、嬰兒監視器、相機或耳機等許多日常設備的功能在某種程度上將依賴于現代人工智能技術，與傳統的愚笨產品相比，這些新產品能夠以更細致和更有益的方式來對事件做出反應并處理數據，我們距離這一天已經為時不遠。

人工智能是如何以及為什么能夠走出實驗室并進入主流社會？正是幾種趨勢的組合推動了這一深遠的變化。

互聯網、視頻游戲和科學推動了AI革命

在過去的十年中，我們已經看到許多由研發而驅動的重大實用突破，這大大提高了AI軟件的有效性。將深度學習技術應用于訓練神經網絡已經使它們從一個有趣的玩具變成了一個偶爾能夠勝過人類的強大工具。這項研究突破的影響力由于最近的兩個最新進展而得到了進一步加強，一個進展是互聯網提供的大量現實世界訓練數據，另一個進展則是最初為3D視頻游戲圖形開發的功能強大、低成本、并行處理硬件恰好正是AI的理想選擇。

鑒于這種新AI研究的優點和實際應用已經從實驗室過渡到產業，目前業界已經開發了易于使用的軟件工具，而且培訓計劃和相關文檔也大大改善。現在的開發人員、設計師和工程師已經對AI技術以及如何使用它們有了更好的理解。

在產業意識到圖形處理器單元（GPU）對AI的價值后，GPU制造商就開始致力于開發專門針對AI的功能和軟件工具。這種趨勢的第一波浪潮是利用GPU的并行處理能力，但下一波則包括運行AI軟件的通用處理器、GPU和專用AI芯片。蘋果公司的新型iPhone CPU神經引擎內核就是其中的例子，而ARM和Qualcomm都在開發專門針對AI的處理器和處理器內核，這些專用芯片自然可以提供更高能效、更加緊湊的AI功能，適用于移動、物聯網和嵌入式設備等領域。

AI：在板上還是在云端？

在可能的情況下，把人工智能置于板上是一個明顯的趨勢，因為這可以消除連接性、延遲和隱私等顧慮（因為人工智能通常需要處理相機和音頻輸入等私密的或個人的數據，因而最后一個方面很重要）。但即使將AI構建到設備中不太實際時，無處不在的低延遲、高帶寬互聯網連接將可使幾乎任何設備都能夠充分利用數據中心的集中式AI功能。例如，移動電話的翻譯apps（如Google翻譯）可以將處理任務卸載到中央服務器，個人助理apps和設備通常會在云端執行一些處理功能，導航apps則可能會使用類似的方法進行高級路線規劃。

亞馬遜網絡服務（Amazon Web Services）等云計算提供商宣稱能夠利用虛擬化GPU條件來運行深度學習應用。目前，客戶仍然有責任提供運行在這些云服務上的軟件，但這種趨勢最終會采用更為通用的形式，可能被稱為“人工智能服務（AI as a service）”。在這種模式下，設備會將數據發送給有用的基于AI的固定處理服務（canned processing services），這些服務功耗太大，無法在本地運行，并在幾分之一秒內才會收到反饋結果。

無處不在AI的挑戰

在AI這個瞬息萬變、不斷發展的領域，那些希望在產品中集成AI技術的公司可能會受到資深工程師和軟件開發人員稀缺的困擾。如上所述，隨著時間的推移，AI知識的不斷傳播，以及教育資源的改善，這種技能的短缺已變得越來越不成問題。但在短期內，雇傭優秀的AI開發人員需要付出高于平均水平的薪金，而且許多開發人員仍缺乏實際經驗。

另一個重大挑戰是，盡管AI可以產生一些顯著的、幾乎是神奇的結果，但它也會對調試過程帶來一些根本性的變化，產生一些不可預知的行為，并且可能使制造商無法保證其產品始終按事先的預期來運行。事實上，任何軟件程序都可能出錯，但AI卻增大了產品性能可能會超出預期參數的風險。

一些開發人員將高級人工智能看作是一個神秘的“黑盒子”，輸入的是數據，輸出的是決定。但即使是設計人員也不能完全理解這些決定是如何做出的，或者“黑盒子”內到底發生了什么。

AI黑盒子透視

自動駕駛汽車軟件開發商Drive.ai的共同創始人兼首席執行官Sameep Tandon最近在接受IEEE Spectrum采訪時將黑盒子困境描述為“一個嚴重問題”，但他也提到了一些控制風險、監控黑盒子以及調試AI系統的技術。Tandon的公司采用具有不同功能的獨立部件或模塊來構建其駕駛系統，其中一些可能不是基于AI的部件，目的是不要創建一個全部大規模基于AI的車輛駕駛系統。這種模塊化方法可幫助開發人員隔離和調試有問題的組件

此外，該公司經常以嚴格限制的輸入數據來測試其系統。例如，某些圖像識別測試可能會遮蔽場景的大部分區域，以便讓系統集中在某個細節及其反應，這是一種與傳統調試方法有些類似的隔離方法。最后，Drive.ai將這種技術與廣泛的仿真結合起來，來測試在出現AI問題的駕駛場景中大量的微小變化，以便尋找不正常的行為并訓練系統以最佳方式運行。

盡管AI還有明顯的改進空間，但人工智能的本質是這些應用會在學習過程中被“訓練”或“成長”，而不像傳統程序那樣被“書寫”或“構建”，因而意想不到的行為可能總是一個難以應對的問題。對于安全至關重要的應用，可能需要增大冗余量，由兩個或多個單獨的程序或設備“投票”決定最佳的行動方案，或者至少監視彼此的行為，并在檢測到特殊情況時發出警告或實施關閉。

和技術發展歷程中的任何根本性轉變一樣，AI雖然會帶來一些革命性的變化，但為了充分利用其潛力，設計師和工程師也需要學習并改變產品開發的方式。事實上，即使是最終用戶，如果他們能夠學習適應這種新技術，而不是以對待簡單老式設備的方式來應對AI增強型產品，那么他們也會從強大的AI新工具中獲益更多。這種觀念上的改變需要經過深思熟慮的設計和市場推廣，以及大量的終端用戶教育。