演讲会议：MATLAB EXPO 2018
演讲人：MathWorks美国总部全球产品市场经理，赵志宏
以下为演讲实录，
大家好，很高兴能有这个机会给大家做今天的主题演讲。我们今天的主题是人工智能，Artificial Intelligence，简称AI，现在人工智能已经是家喻户晓的一个概念了。如果大家关注科技新闻的话，最近五六年的时间，人工智能几乎每天、每个月都有不停的新的突破，给我们带来新的认知，大家心里可能想，如果我们今天去讨论AI的话，是不是有点太晚了呢？
但实际上不晚，为什么呢？
因为实际上我们正在处于一个重大的技术变革的初级阶段，前不久美国著名的市场调研公司Gartner做了一次问卷调查，他们调查了不同工业里面的3000多家公司，调查结果显示，大约有50%的公司已经把这个AI做入了他们未来的产品和管理计划当中。但是只有大约4%的公司真正地把这个AI已经用到他们的产品当中，或者是管理当中。
所以如果我们大家今天去了解AI，其实并不晚，我们可以对AI的技术迎头赶上，把AI用在今后的产品开发当中。实际上，当我们谈论到AI的时候，可能很多人心里想，这些东西都是些高、大、上的东西，跟我们日常生活，跟我的工作可能没多大关系，但实际上，大家可能不了解，有很多东西已经在我们周围出现了。比如说智能语音助理，比如说自动的人脸识别，可以在你的照片里面或者视频里面认识出你熟悉的面孔。自动翻译，大家可以想象这个功能对那些爱旅游的朋友们有多大的帮助了。
另外就是自动驾驶，这个技术将来会对我们的生活产生一个质的改变。
大家可能很熟悉刚才那几个应用领域里面的技术或者是背后的一些应用场景。但是我后面想给大家讲几个例子，他们背后的道理跟刚才那几个例子是一样的，但是这几个应用，大家可能不熟悉，比如说食品的质量检测自动化，隧道开发的时候的自动地质检测，还有优化家庭能源管理。
我在讲这些实例的时候，希望大家注意，这些开发者、这些设计者是怎么利用MATLAB和Simulink，把开发出的AI算法，完全部署到他们的产品当中去的。
那我们在看这些例子之前，首先要做一个定义，我这里说到的人工智能指的是什么呢？
人工智能这个词在50年代开始出现，它最基本的定义是机器模仿人类智能行为的能力。
随着我们人们对人工智能了解的加深，我们对人工智能的期望值也有了增加，所以今天如果再问人工智能是什么，大家会解释，人工智能是说机器要接近甚至超越人类智能行为的能力。这样的话，人工智能就不仅仅能够帮助我们人类完成那些重复性很高的工作，或者机械性很强的工作，他们可以把这些工作做得更安全、更可靠、更精确。当然了，大家都知道人工智能不是一个可以通过机械加工来完成的东西，它一定要经过学习、经过训练才能获得的一项技术。
所以，一个更完整的定义应该是——机器通过训练和学习来学习到他们需要的行为，接近或者超越人类的智能行为。这句话怎么理解呢？
我想在座很多人都是软件工程师或者至少编过程序。编程、指挥计算机做事，大概有两种方式：
第一种是传统的编程方式，大家已经很熟悉了。首先给计算机写一段程序，给计算机一个输入数据，这个计算机就会按照你写的程序去处理这个输入数据，如果你程序写得对的话，输出结果会跟你预想的结果是一样的。这个就是我们传统编程的方式。通过三个要素，就是数据、程序和输出。
第二种编程方式也就是机器学习的方式，在这种方式下，你还是跟这三个要素打交道，但是他们的位置发生了变化，输入变成了数据，还有理想的输出，人工智能会自动地产生程序，这是第二种新的编程方式。
当然，这里说输出是程序，其实并不完全准确。因为真正的输出，实际上是一个叫【模型】的东西。这个模型，大部分时候是一个黑箱，也就是说，如果你给模型一个输入数据，它会给你想要的输出，但是你并不能看到这个模型里那个逻辑关系。有些人预测，最终人工智能能够产生真正意义上的程序。但是我想告诉大家，至少今天还不行，所以大家不用担心你的工作会被人工智能代替。
总结一下，机器学习这个词，实际上是人工智能这个大的范围里面的一个重要的组成部分、一个主要技术。很多时候大家把这两个词互相等同，有时甚至互相代替使用。
如果你已经有了数据了，你已经有了你想要的输出，你也有了机器学习的模型，你就可以说我都准备好了吗？你还需要其他的东西吗？这是我今天想给大家讲的一个主题。
光有这三个要素是不够的，你还需要很多的其他的东西。但是需要什么呢？
我就用这个自动驾驶作为例子给大家看一下。这个是一个自动车道检测的算法。它的输入，是摄像头采集到的车道的视频，它的输出是判断出来的车道的位置。它的算法，就是我们开发出来的人工智能的算法，能够自动去识别视频里面的车道。但是光有这些还是不够的。为什么呢？因为这个算法还需要采集其他的传感器里面的数据，比如说现在的车速是多少，比如说现在的转向灯是不是打着，现在的GPS车的位置在什么地方，这些传感器的数据，还是要采集到。
采集到的实时数据，很多情况下是要进行预处理的，因为数据里面有噪声，有坏数据或者是缺失数据，你需要根据你自己的专业知识，对数据进行预处理。
算法要经过大量的仿真，才能够确保你这个算法真正放到汽车里面能够用，所以整个开发过程会涉及到大量的仿真。最后，如果你的算法开发完了，你还需要把这个算法部署到汽车里面的实时处理器里面，这四个步骤严格来讲的话，不属于AI范畴的一部分，但是没有这几个步骤，你是没有办法把你开发出来的AI去放到你们真正的产品里面去跑的。
我们把它总结一下，我刚才提到编程三个要素，数据、输出和模型是整个AI开发流程的一个步骤。其实说得更精确一点，它们是这个步骤里面的一个部分，我们把它叫做AI模型开发。为什么呢？因为这个AI模型，整个系统往往会包括一部分AI，另外一部分很有可能是传统的控制算法。另外你会有一整套系统模型进行大量的仿真，所以开发这个步骤，应该包括AI的模型，包括其他传统的控制模型还有仿真的过程。除了这些，首先要能够访问数据，也许从传感器直接访问，也许你要从文件或者数据库里面读取你的数据。有了这个数据以后，你可能要进行一些数据的预处理，我刚才提到了。
开发完了以后，最后一步呢，你还要把你这个算法去部署到你的产品当中，我提到的部署，它包括桌面程序，包括云端那种大的企业系统。还有实施处理器嵌入式设备。AI既然这么厉害、这么庞大，我们任何一个应用都需要AI吗？这个答案其实并不是这样的，有些应用不需要。
我们来看一个具体的例子。像这个是一个机械制造的机器人，它的动作非常简单，它这里的不确定性也非常地小，像这种简单的机械动作，你完全可以用一个传统的算法去控制它，你不需要AI，AI在这个情况下是没有什么用武之地的。
但是如果我们把这个情况稍微换一下，如果我们现在有上百台同样的机器，在同一个操作线上操作，情况就不一样了。任何一台机器发生故障，这个生产线就得停掉，就会造成巨大的经济损失，如果你负责设计这条生产线，你怎么样才能把这条生产线关闭的可能性降低到最低。最好的办法，就是实时监测每一个机器人自然损耗的程度，去预测什么时候手臂机器人会发生故障，在它发生故障之前，对它进行维护，这样的话就可以减少整个生产线关闭的可能性。在这种情况下，它的可变度很高，不确定性很高，你要想准确地判断什么时候这个机器人会出问题，AI是最好的办法，这个是应用AI的非常合适的场景。
那我们回到今天的主题上，我们现在处于一个AI的时代，你如果从来没用过AI，从来没用过机器学习，你可以说，我现在准备好了吗？我怎么样能让我自己准备好去拥抱AI的时代呢？我想通过一个例子来回答这个问题。这个例子呢，是一个叫膨化食品质量检测的智能化的例子。
这个例子来自德国慕尼黑工业大学的一个博士生，他的研究课题就是找到一个能够判断这种膨化食品质量的好的方法，到底膨化食品，现在是脆呢，还是松软呢，还是很一般，我们需要找一个这种办法。
他以前用了很多种传统的办法，比如说他对这种食品来进行建模，建出物理模型来，然后去仿真、去检测。但是没有找到一个非常准确的、很好的办法。后来呢，他了解到MATLAB里面有机器学习的功能，他就决定用这个功能试一下。
他发现人在咬这个膨化食品之后有两个参数，我们可以采集。一个是声音，酥脆的声音。另一个就是牙齿咬的力度，他根据这两个参数来做机器学习。
为了做这个试验，他尝试了一百多次试验，尝试不同酥脆程度的食品，采集了所有的参数，采集了以后，他把采集的原始数据去进行特征提取。比如说他从力度里面提取到了硬度的参数，提取到了破损的参数。
另外呢，他也从这个声音里面，用各种各样的方法去提取声音里面存在的一些特征。有了这些特征以后，他下一步任务就是开发一个机器学习的分类器，这份工作对于他来说是新的，他从来没有接触过机器学习。但是好在，他非常熟悉MATLAB，所以他用到了我们MATLAB里面提供的一个非常方便的工具，叫分类学习器。有了这个工具以后，他就不需要一个一个去试各种各样的分类器的算法。而是用APP，用我们自己提供的APP去一次性尝试所有算法。大家可以看一下，这个APP在运行之后，首先在这里选择你想要用哪些数据去训练这个分类器，选择好了以后，你可以告诉MATLAB说，我要尝试这里面提供的所有的分类器，你选择的所有的分类器，他就会用这些数据去一一地训练这些分类器。
在这里面，你还可以看到每一个分类器整体的进度的结果。然后你可以选择，精确度最高的一个，然后进行更多的调查和研究。大家这里看到的这个东西叫做混淆矩阵，这个矩阵的横轴是他预测出来的酥脆度的程度。纵轴是它实际的酥脆度的程度，通过这个混淆矩阵，大家可以一目了然。这个模型跟真正的结果匹配度到底是多少，他最后做出来的结果，是它的匹配度达到了90%到95%，他非常满意。
所以通过这个例子，我就回答了刚才大家的问题。
就算你以前从来没做过人工智能，不了解机器学习是什么，从来没做过，你可以用MATLAB，用我们提供的APP去进行学习，去尝试你所有的机器学习的算法。然后你还可以用熟悉的专业工具，用你的工具和专业的算法对数据进行预处理。
这个例子里面最困难的，实际上不是开发的分类器，最困难的地方、最耗时的，是从这个数据里面提取特征值。这个特征值的工作其实有的时候会很困难，大家也许有些人知道，现在有一个词叫特征工程，特征工程主要目的就是最大程度地从原始数据里面提取特征向量，用这些特征向量去训练机器学习的模型或者深度学习的模型。
有的时候，特征工程这一步工作就会花好几个月的时间。
问题就来了，如果说我不愿意去做，或者是我没法找到数据里面的特征，我能不能去使用AI呢？
答案是“是的，你还是可以用的。
但是你用的就不是机器学习了，你需要用的是叫深度学习。深度学习的特点是，它不需要人工手动找出来特征值，它可以自动地从你的数据里面学习到特征值，这是它最大的好处、最大的特点。它也随之带来一个问题，深度学习需要大量的数据，有的时候，它需要的数据超过了我们手头能够采集到的数据.
再给大家讲一个例子，大家主要看一下这个例子里面这些工程师是怎么巧妙地解决数据不够这个问题的。
这张照片是波士顿的一个隧道，这个隧道是连接波士顿机场和波士顿市区的。
这个Mikusa隧道是由日本一家公司叫Obayashi Corporation这家公司去开发的。他们采用的开发方式是一个叫高效隧道钻探的技术去开发隧道。
我的理解，这个技术的精要就是说他用围岩自己的硬度去支撑这个隧道，可以很大地降低这个隧道开掘的成本。
这里头要求地质工作者对隧道的表面进行不停地分析，一般来说，他们对这个表面图像取三点来进行分析，比如说取左上角、右上角还有底部做分析。但是这种方法有一个巨大的问题，就是说他们每分析一次，现在人工分析每分析一次需要几个小时的时间，很不容易的。另外这个分析只有有经验的地质工作者才能做，如果他们没有这么多的地质工作者，那些钻探人员就得停工，等着地质人员来给他们做完检测以后才能再继续开发。
所以呢，他们的设计人员就考虑，我们能不能通过深度学习的方法，来自动从我们采集到的隧道表面的图像判断这些地质参数，而不是每次都需要地质人员来给我们做这个事情。
但是大家知道，你要想训练一个好的深度学习的网络的话，你至少需要上万个数据，上万张图像。现在使用比较普遍的图像识别的网络，都是上用百万张图像训练出来的，而他们手里只有70张照片，只有70张隧道表面的照片。他们怎么办呢？
首先第一个，他们采用了一个技巧，就是把每一张照片分割成15个小的照片，这样的话，他们数据量就从70个增加到了大约1000个，然后地质工作者在这1000张照片里面，手动地把他们需要的这些特征都标注出来，比如说风化蚀变，比如说断裂的间隔，还有断裂的状态，都正确地标注出来，这样的话，他们现在有了1000个标注好的数据，但是这1000个数据还是不够的，还差得很多，所以他们就在想，我们能不能不用从头去训练这个深度网络，而是能够用已经训练好的、普遍应用的能够识别图像的网络，比如说AlexNet，这个AlexNet是经过上百万图像训练的，它能够识别食品、家里用的东西，识别动物或人。但是这个网络现在没法识别地质参数。
所以他们用到了一项技术叫做迁移学习，也就是说把已经有的AlexNet，用1000个数据再进行一下定制性的训练，经过这个定制训练以后，这个新的网络就能够识别地质参数。
最终，他们的神经网络识别的结果的精度也达到了90%以上，非常地满意。开发完算法之后，下一步，他们就是要把这个开发好的算法，用我们的Production Server去部署到云端，这样的话，他们的钻探工程师就可以用一个IPAD，随时随地对隧道的表面照片进行探测，探测出地质参数，判断是不是应该继续挖掘下去，这样大大地提高了他们的挖掘效率。
针对前面刚才这个问题，如果我没法从我的数据里面找到特征向量，我能不能去用AI，答案是可以的。你需要用的是深度学习，我刚才讲的。也许你现在心里在想，在MATLAB里面做深度学习难吗？如果你没做过，可能会觉得挺难，但是我想告诉大家，你只需要写5行的MATLAB代码，你就可以建出一个能够识别食品或者其他家庭常用物品的网络，5行MATLAB代码，我想在座的所有的每一位都可以写出这5行代码，就是这么简单。我刚才已经提到了，如果你的数据不够，你可以用迁移学习的方法去重新训练一遍已经有的这些网络，比如像AlexNet。
大家可以想象一下，刚才我提的那个例子里面只有1000幅照片，他们的地质工程师手动地标注每一幅照片，其实也没什么。但是如果我让你去标注一个小时的视频，你去设想一下，一个小时的视频，每秒钟30帧，那就相当于有10万幅的照片需要去标注，这个工作量实际上也挺大。所以很多情况下，是要求助于自动标注数据这个功能去完成这个工作。因为你真的不想手动标注这么多数据，否则生活将是非常无趣。
我刚才讲的是如果你想用深度学习，又没有太多的数据，你只有一部分数据，你会怎么办？
我介绍了一个迁移学习的办法，但是有时候你会遇到的情况就是说我根本没有数据，我一点数据也没有，我能不能用AI？我能不能用深度学习？我想大家应该好多人心里现在想，你没数据还玩什么AI啊？但实际上答案是也可以的。
什么情况下，我们会找不到数据呢？比如这种情况，大家看到一个风力发电机，大家看到的这个是不想看到的风力发电机的情况。
这种情况会造成很大的经济损失，同时也很危险。这个风力发电机的制造商，现在花很大的精力，都在想用人工智能，对风力发电机的故障进行预测，他们希望能够实时地量测，能够监测每个叶片的磨损程度，能够预测什么时候这个发电机可能会发生这种故障，而不是完全依赖于现场发生故障之后再去解决这个问题。
这种情况大家可以了解了，你是基本上采集不到什么数据的。你不可能说，我等到有70次故障之后，我再开始去训练我的网络，这是不可能的。那我们怎么办呢？我们怎么能够用人工智能的方法来识别这种情况呢？
在设计这个风机的时候，设计者总是要建一个Simulink模型的。这个Simulink模型已经有了。
如果这个模型，跟你的真的风力发电机如果很接近的话，你可以利用这个模型来产生你的数据。你怎么去利用这个模型呢？你在用这个模型产生故障数据之前，首先你要把这个模型用正常运行情况的数据进行一下校正，这样的话确保你这个模型跟风力发电机的正常运行情况完全符合，或者是非常地接近。有了这个模型之后，你可以很容易地、成本很低地在你的模型里面制造一个故障，有了这个故障之后，你就可以在你的模型里面产生出故障数据，然后你可以用这个故障数据去训练你的机器学习或者深度学习的网络。
回到我们这个问题上，如果没有数据，能不能采用AI，我是不是准备好了呢？只要你有一个好的Simulink的模型，你还是可以产生数据去使用AI技术。
最后我想给大家讲一个实例。这个例子，我希望给大家讲的是在整个系统当中，AI只是一小部分，你要想把你的系统完全建好的话，除了AI，你还需要很多其他部分。这个例子是日本的丰田市的低碳生活家庭的试点项目。每个家庭有自己的太阳能发电，也有自己的储电的电池，家庭里面各种各样的电器用电。
另外，他们这个家庭还有一个电动汽车的充电桩，有电动汽车。 Denso公司的工程师就在想，我们能不能利用这个电动汽车的电池作为家用电池的备用或者是辅助电池，这样的话，等于电池容量增大了一些，充电放电会更灵活，你可以在电价高的时候，把你的电卖出去，在电价低的时候，我们可以尽量地储电，想法非常好。但这里有一个具体的问题，这是辆汽车，车是要用的，不能总是停在那里，让你当电池去用，这个用的时间、这个车开的距离，你是没有办法去预先知道的。
所以他们希望能够用AI的算法去预测一下，这个车什么时候会用，然后这个车会开多远，这样的话，避免当房屋的主人要的车开的时候，正好电池被放光了。他们在做这个项目的时候，建立了Simulink的模型。
这个模型包括两部分，右边这部分是家庭的物理模型，里面包括它的充电设备，包括它的储电设备还有用电设备。左边是它的控制器。家庭物理模型是用我们Simscape Power System这个工具来建成的，工具里面提供了各种各样的电器元件的模块。控制器里面是联合使用了预测性的建模方法还有混合整数规划这种方法来设计控制器。
同时这个控制器也要考虑到当时的电价是高是低。另外，这个控制器也要考虑到这个汽车使用的情况，这个汽车的使用情况是AI的模型，他们通过AI，通过常年采集到的数据来预测车什么时候会用，车要开多远，电池至少保持多满。把整套系统组合在一起，他们就建成了他们这套优化家庭能源管理系统。
在开发的过程中，首先要从MATLAB里面读取超过1000个文件，因为采集了很多历史数据要进行处理，然后把这些文件、把这些数据进行预处理，消除那些坏数据，对那些有噪音的数据进行滤过。然后，就用我刚才前面演示过的那个分类学习器APP，去开发了一个分类学习器，去判断什么时候这个汽车会开走。然后他把这个和其他的整套Simulink模型放在一起去仿真，确保这个系统能够正常运行，最后他们把整套系统部署在了嵌入式系统里面去工作，然后放到了家庭里面去进行尝试，效果非常地好。所以Denso的工程师，他们做完这套系统之后，他们总结说，我们之所以能够在6个月之内，就把这么一个复杂的项目完成，很大程度上是依赖于MATLAB和Simulink给我们提供的非常有利的工具。而且他们也意识到，使用MATLAB，使用Simulink，可以使他们的这些技术领域的专家很快地学会了怎么去做数据处理，而不需要从头开始学起。
所以通过刚才那几个例子，我想大家都看到了，即使你以前从来没有使用过机器学习也没关系，你可以用MATLAB里面提供的APP去进行自动地找到适合你的机器学习的算法和模型，然后你可以用自己的专业知识，从你的数据里面提取特征向量。
如果你没有办法从你的数据里面提取特征向量，你还可以用深度学习的方法来训练你的网络，如果你的数据不够，你还可以采用迁移学习来解决这个问题。
如果你根本没有合适的数据，但是你有Simulink的模型，你可以利用这个模型来产生出数据，帮你去训练你的网络。当然了作为工程人员，作为科学研究人员，我们一定要知道AI只是你的整个系统里的一部分，你要想你的整个系统完全做好，很快地开发出来，你需要的不仅仅是AI的部分，你需要了解AI以外的其他的技术。我们MATLAB和Simulink就是给你们提供这样一个很好的平台，所以说如果大家今天听完了我讲的东西，都理解了，下午再听几个关于深度学习的讲座，如果再有人问，在这个拥抱AI的时代里面，你们准备好了吗？你们就可以信心满满地告诉大家，只要MATLAB在手，我准备好了，好，谢谢大家。（完）
演讲者介绍：
赵志宏（John Zhao）
MathWorks美国总部的全球产品市场经理，负责信号处理和通讯产品在全球的战略定位和技术推广，毕业于清华大学电机工程系，获得硕士学位，并拥有美国柏森大学的MBA学位。在MathWorks工作的十几年中，曾任HDL Coder产品的主要设计师、开发团队经理，负责开发HDL Coder™ 产品, 从MATLAB 和Simulink 算法产生RTL代码。
亲爱的数据
出品：谭婧
美编：陈泓宇
关注亲爱的数据公众号，回复 “ 膨化食品 ” 获得演讲全套PPT
閱讀更多 親愛的數據 的文章
