據權威資訊公司Gartner給出的2021年數據科學和機器學習的魔力象限中，MathWorks再度占據了領導位置，在執行力和前瞻性上超過了谷歌、亞馬遜和微軟等巨頭公司。MathWorks 首席戰略師Jim Tung在媒體交流會上分享了2021年的五大AI趨勢，介紹了MathWorks是如何打造一個企業級AI解決方案平臺的。

MathWorks預測第一大趨勢就是人工智能會成為工程師和科學家的應用主流，并投入實際的產品和研究中。第二個趨勢則是人工智能會將工程學、計算科學、數據科學和IT等方向結合起來，實現一個跨學科的領域。第三個趨勢是人工智能模型的可解釋性，將減少安全敏感領域對人工智能的排斥。第四個趨勢是人工智能的仿真和測試將走向3D化和真實化，從而更加接近于真實系統。最后一個趨勢是更多的人工智能模型將部署在低功耗低成本的嵌入式設備上。

AI專門化工具
MathWorks為多個領域提供了專門化的工具和一系列的參考案例，方便用戶通過這些案例模型來了解每個行業該如何應用MathWorks產品。這其中提供的產品包括激光雷達工具箱、自動駕駛工具箱、無人機導航工具箱等，用戶可以通過MATLAB Simulink作為開發平臺，融合更多工具完成AI產品的設計。 一個比較著名的例子就是ASML，作為全球光刻機的領導者，ASML在檢測系統中大量使用了MathWorks的工具。ASML借助MATLAB、統計學工具箱和機器學習工具箱開發了對準測量的軟件，對每個晶圓的對準數據進行預估和測量，極大地降低了生產制造的風險。

AI跨學科、跨平臺、跨領域 在跨學科、跨平臺、跨領域的AI開發中，MathWorks工具可與開發/部署工作流中的行業標準技術和平臺相結合，減少了返工的過程。MATLAB Simulink主要集中在設計和測試階段，而構建和部署階段可以與git、AWS、Docker等工具無縫連接，提供全套的解決方案。

另一個鮮活的案例，那就是全球知名的空調公司阿特拉斯，他們所設計的空調需要不間斷的高性能工作。通過人工智能和MATLAB工具箱，阿特拉斯得以實現全球超過12萬臺機器的聯網優化維護，將整個產品系列的效率提高了10%。

AI模型的可解釋性和可視化進一步提高

MathWorks為各個領域都提供了AI的相關技術產品，包括航天航空、軍工和汽車等應用，比如軟件定義汽車等新功能，尤其是這些行業領域往往有著嚴格的認證要求和很長的系統生命周期，MathWorks的產品助他們解決了真實系統與人工智能結合的挑戰。這些領域同樣對于系統的安全性有比較高的要求，因此AI模型的可解釋性要求是非常高的，這就需要可視化技術來調查和解釋網絡的預測。

MathWorks從MATLAB R2017a到R2020b都加入了相關的功能，專門為模型可視化做出了升級。通過可視化的方法，將哪些特征值參與了決策告知用戶。比方說通過特征標識來分辨鼠標和鍵盤，狗的種類等等。

其次就是高安全性系統中的標準，比如車規ISO26262等。隨著技術的發展的AI的出現，部分規定對于AI、機器學習和深度學習等可能會出現偏差。MathWorks因此與EUROCAE和SAE合作，一同參與航空、汽車等方面適合AI的認證標準，從而滿足高安全性系統的要求。

3D和虛擬化仿真測試

人工智能需要大量的數據輸入，之后在通過篩選提取的特征值進行模型訓練，最后找到規律投入使用。但很多工況下，尤其是極限工況下，數據的獲取需要消耗大量的人力物力，甚至會對系統造成破壞，但若沒有這些數據，人工智能的算法就不會完整。比如采油的液壓泵泄露發生時，造成的影響是破壞性的，且沒辦法采集現場數據，這時候就需要建立模型來提取這些極限工況的數據。

另一個應用就是自動駕駛汽車中常用到的激光雷達，在系統測試的過程中也很難采取到極限工況下的路測數據。這時我們可以通過系統仿真的數據導入自動駕駛的模型，也可以模擬傳感器數據對自動駕駛進行分析。

在將AI算法轉移到硬件之前，可以先集成到整個系統范圍內進行仿真，評估深度學習的算法。比如交通監測視頻通過車道檢測和車輛檢測兩個模型，從而高亮車輛和車道，得到整個系統融合算法的測試結果。
MathWorks去年推出的新產品RoadRunner是專為自動駕駛的3D場景設計的，通過RoadRunner可以很快搭建起道路、城市和工況等外部環境，與MATLAB Simulink的算法結合，可以實現自動駕駛的仿真和測試。因為道路測試存在成本支出和風險，所以在應用于實際測試之前，可以通過這種虛擬場景的3D測試最大限度地測試出系統故障。

AI模型的全方位部署

在部署趨勢上，除了高算力的數據中心設備外，越來越多的AI算法也開始部署在邊緣設備上，比如寶馬生產線、化工廠的邊緣系統等。通過MATLAB的代碼生成，這些AI模型可以部署在各種平臺上，比如Intel或ARM的CPU，或是NVIDIA的GPU和Xilinx的FPGA等。
比如專業設計開發公司IDNEO就借助MATLAB開發測試了圖像分析和機器學習的嵌入式代碼，并將其部署在智能血型卡里，為醫務工作者提供自動化、可視化的血液檢測結果。

Jim Tung也在會上解答了參會者的多個疑問，解釋了MathWorks在推進AI路上做出的努力。

Q：MathWorks是如何幫助相關從業人員更好更快的掌握AI工具的？

A：使用MATLAB一定程度上可以讓技術人員更加快速便捷地上手人工智能，并使用AI在他們的實際應用中。我們以多種方式幫助從業者學習和掌握人工智能功能:一是通過MATLAB環境使其掌握人工智能的方法，許多工程師和科學家已經熟悉MATLAB環境，有強大的文檔，并得到我們全球公司的支持。另一種是通過MATLAB應用程序和工具箱，通過特定的任務或工作流程來引導用戶使用人工智能。第三種方法是使工程師和科學家能夠將人工智能集成到他們現有的工作流程中，以解決實際問題。包括:

?集成在特定工程應用中(例如，激光雷達、雷達、無線、預測維護)
?與流行的AI框架的互操作性
?將AI系統部署到嵌入式、邊緣端和云端
?通過在系統的Simulink模型中仿真AI組件，評估大型系統中的AI功能
此外，我們為客戶提供全球化的培訓和支持。

Q：通過光刻機、ECU這些復雜的例子，我們也知道MATLAB在這些領域是不可替代的，目前Python也在不少科研領域廣泛使用，那么MathWorks的競爭力具體體現在哪呢？

A：首先，我明確一點，MATLAB跟Python除了在個別領域的細微競爭之外，主要還通過我們提供的跟Python的接口合作與共榮。對比Python等開源軟件，MATLAB的主要優勢體現如下：

第一，MathWorks提供的是一個完整的工具鏈，而不是單獨一環，我們提供的從小到需求分析，到系統設計，到建模，到仿真，到測試，到自動代碼生成等等一系列完整的工具鏈。而在這個完整工具鏈的角度來說，可以說我們目前在這些領域里面是沒有競爭對手的。可能在某一個節點，某一些工具，在某一點會比較突出，但我們提供的是一個完整的工具鏈，這是第一點。

第二點，大系統的整合，我們在整個AI的框架下，我們可以和很多的工具平臺去進行整合，MathWorks我們所提供的工具并不是一個單單的工具種類，我們提供的是一個AI的平臺，可以把更多的基于其它工具的AI的算法，統一的集成在MATLAB里面去，進行仿真、測試等等。這是第二點。

第三點，了解軟件的功能，學習軟件的使用以及如何投入到所用行業中，這方面的優勢在于我們提供了很多的服務，包括我們的產品文檔，包括我們在各個領域，各個行業推出了很多說明文檔以及案例分析，某個行業中怎么樣做這些算法，怎么樣去做人工智能，手把手的去教客戶使用我們的軟件和人工智能，同時我們提供這些培訓服務、咨詢服務等等服務。我想這是另外一個更突出的點，相當于Python生態的開源軟件，我們可以更好的服務客戶，幫助這些客戶去取得更快的進步，幫助客戶去盡快且有效地建立起他們的開發流程和工具鏈。

Q：RoadRunner這些模擬的道路數據與實際路測數據有何優劣，前者可不可以替代后者，還是兩者相互結合？

A：實際上我們有兩點說的是非常清晰的，第一點是模擬仿真一定是不能完全替代最終的實際道路測試，這一點是非常明確的，首先模擬仿真是通過模型仿真測試出來的結果，最后所有的自動駕駛車輛一定還是要進行實際的道路測試的，這一點是毋庸置疑的，不能完全替代。所以我們沒有說兩個有孰優孰劣，這兩個是一個結合，就是像左手跟右手一樣，是通過這兩種的結合，來盡量的減少工作量，減少開發成本，加快產品開發時間和迭代時間，這是第一個。

第二，在模擬數據，這個仿真數據的好壞，其實很大程度上是取決于模型的精確性，如果說你這個模型，實際上我們說世界的所有的模型都是錯誤的，這一點是很清晰的，模型并非100%與實際的系統一樣，模型一定會跟實際的系統多少有點偏差，那么這個偏差的概率就決定了你從模型里面測試數據的偏差，如果說模型能夠100%的反映你實際的系統，那么出來的測試的，從模型跑出來的數據一定是100%和你實際是合理的，所以是一定會有偏差的，這也是為什么我們最終的物理測試是一定不能省去的一個原因。所以我們所強調的仿真，是說可以通過仿真，大大減少最終測試的一些環節，包括一些我們所說的極限工況的測試，因為極限工況在最終測試的時候是很難復現的，那么我們在前期，因為前期要驗證這些算法，那就可以通過仿真，把算法中的一些故障去規避掉，可以極大的減少我們的開發費用，開發時間等等。

Q：MATLAB和Simulink在三維仿真方面做出了哪些嘗試？仿真三維場景想要完全取代物理測試，您認為還需要多久的時間？

A：MathWorks在3D仿真方面有著廣泛和深入的投入。廣度方面包括我們的RoadRunner產品，用于為自動駕駛應用程序構建3D場景，與汽車和虛幻模擬引擎集成，以及與Gazebo等機器人模擬器的連接。深度方面在物理建模工具中表現得最為明顯。

您提出了一個很好的關于物理測試的未來的問題。我們的客戶在大量的使用仿真進行開發，以減少對實際物理測試的需求。此外還有協同作用，因為測試數據——以及系統運行時的實際數據——都可以集成到仿真中進行對比。我們不期望物理測試完全消失，但它會慢慢地變得越來越少見-可能只在最終測試和驗收需要時進行。在此之前，該系統已經通過仿真在整個開發過程中進行了徹底的測試。