,,

揭開人工智能的面紗

（2024年11月23日更新）

人工智能似乎可以在我們周圍的每一個領域看到，無論產品是先進的還是普通的。（AI）的影子。用人工智能賦能產品，光想想就讓人著迷，所以你自然會相信這個想法。然而，大多數主張并沒有解釋人工智能的作用，也沒有解釋為什么制造商能夠自信地做出這樣的主張。我心中屬于工程師的一面，總是對物品的構造方法充滿好奇。這是因為我對黑匣子的概念并不感興趣——這個概念認為我們不需要知道如何計算編程。

芯片采購網專注于整合國內外授權IC代理商現貨資源，芯片庫存實時查詢，行業價格合理，采購方便IC芯片，國內專業芯片采購平臺。

然后，讓我們一起打開盒子，揭開人工智能的面紗。要實現人工智能，首先要滿足兩個要素：(1)能夠測量某些參數并理解測量結果的含義；(2)學習能力。第一個因素涉及計量學，也稱為計量科學研究。第二個要素稱為機器學習（ML），它使系統能夠識別不同于預期結果的測量值，并在不需要明確編程的情況下改變操作。

德科技全球企業及產品營銷副總裁 Jeff Harris

數據收集能力

測量側重于對某些特定測量的深入了解。這種測量可能像電壓、接地或溫度測量一樣簡單和獨特，也可能像飛機控制面或復雜的制造線一樣具有多模態功能。

● 測量深度：無論是測量單個參數還是測量多個參數，測量精度都決定了你能達到的可編程能力。例如，以 1/10 伏的精度測量 3 伏系統不會像以 1/1000 伏的精度測量和同一個系統一樣有洞察力。

● 數據饋送：測量數據只有在可用于數據饋送時才有助于算法。如果傳感器能夠使用上述示例 1/1000 測量精度，但受數據總線的限制，其數據饋送輸出只能精確到小數點后一位，因此額外的精度不能用于算法。

● 多數據饋送：在可能的情況下，測量參數越多，決策就越有效。例如，如果可以的話 1/1000 測量電壓和溫度的精度，可以將溫度變化與電壓波動聯系起來。

進入機器學習

機器學習將向模仿人類學習方法的算法提供來自多個源的數據，從而逐步提高算法的準確性。在獲得數據饋送后，您還需要三個基本模塊來實現它 ML：解釋數據的算法、響應結果的預期結果表和反饋環。

● 算法：機器學習系統的真正智能體現在它能夠獲取數據饋送輸入，運行一組計算/指令，解釋輸出。解釋是指它能夠區分輸出計算是否在預期范圍內，然后根據輸出執行新的命令。在前面的例子中，如果不僅電壓測量結果遠遠超出預期范圍，而且溫度高于標稱值，算法可能會啟動內部風扇。

● 預期結果和響應結果：以最簡單的方式解釋，預期的結果可以是由數據饋送輸入和一系列響應命令組成的搜索表。表格越全面，ML 越成熟，越有價值。互動性更高 ML 例如，無人機的航向可以根據實時感知數據逐步改變，以避免障礙物，這需要持續的感知和不斷的調整。

● 反饋環：最后一個要素是反饋環。它允許系統驗證其運行是否足夠或需要進一步改進，并幫助系統調整參數以提高未來的性能。

為大型系統的不同方面增加多個方面 ML 在更復雜的系統層面實現機器學習，增加更多的傳感器數據。先進的 ML 當遇到新的傳感器輸入組合時，可以將其添加到搜索表中，制定其他類型的響應結果指令，并測量執行響應的充分性。這些都是自我調節算法，從數據中獲取知識，從而預測結果。訓練算法越多，輸出越準確。

人工智能

既然你有訓練算法，你就可以在很大程度上實現它 AI 交付。你需要從一系列開始。 ML 在引擎中獲得輸出，然后將其與足夠的標準和迭代相結合，以便算法做出實時決策。 AI 算法處理數據，

當迭代、考慮新數據進入的迭代響應和使用組合選擇輸出時，它進入決策狀態。這個無盡的循環促進了 AI 不斷學習Comchip代理并提高決策質量。整個過程可能像電壓和溫度傳感器電路一樣簡單，也可能像攻擊性無人機的飛行控制系統一樣復雜。

人工智能的 DNA 標記

如何預測 AI 算法的性能？就像了解人類一樣，你可以通過 DNA 標記來了解 AI 算法。從最基本的角度來看，人工智能機器可以模擬人類感知信息、處理信息和對信息的反應，并根據給定的條件修改工作流程，以取代人類參與決策周期。本質上，你可以看到三個常見的 DNA 標記：

1.測量和模擬效果：了解制造商的測量能力，了解他們是否有足夠的知識和經驗來創建數字雙胞胎環境。

2.算法、分析技術和洞察力：開發人員對信號核心特征的理解以及與預期響應的關系將決定搜索表的深度。

3.工作流自動化知識:從系統層面了解多次迭代 ML 輸出如何協同工作，從而優化預期結果。

有鑒于此，人工智能算法的質量與以下兩個方面有關：

1.深度-理解指定測量領域測量結果的能力

2.廣度-人們所擁有的深度知識所涵蓋的技術和標準的數量

這向我們指出，如果實施得當，人工智能不是一種被過度炒作的新興技術。相反，工程師可以用它來管理復雜性呈指數級增長的新設計。

就像未來的學家一樣 Gray Scott 所言，“到 2035 年，人腦無法也無法與人工智能機器相比。工程師們意識到了這一點，并將開始 ML 和 AI 融入他們的系統。人工智能的誕生歸功于充滿智慧和進取精神的工程師。他們了解測量科學，充分了解開發人員創建數字雙胞胎的系統特征，并旨在使項目達到一個新的水平。