【產通社，4月22日訊】未來學家GrayScott表示，到2035年，人腦不可能也沒有辦法與人工智能機器相匹敵。雖然利用人工智能（AI）為產品賦能是趨勢，但是，實現人工智能須滿足兩個要素：能夠測量某些參數并且了解測量結果的含義；學習能力。

第一個要素涉及計量學，也稱為計量科學研究。第二個要素稱為機器學習（ML），讓系統能夠辨別不同于預期結果的測量值，并且在不需要明確編程的情況下改變操作。
　　
計量學側重于深入了解某種特定的測量。這種測量既可能是像電壓、接地或溫度測量一樣簡單而獨特，也可能像飛行器控制面或復雜的制造裝配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，測量精度決定了您能夠達到哪種程度的可編程能力。例如，以1/10伏的精度測量3伏系統就不會像以1/1000伏的精度測量同一個系統那樣有洞察力。
·數據饋送：測量數據只有在可用于數據饋送時才對算法有幫助。在上面的示例中，如果傳感器能夠以1/1000的精度進行測量，但受到數據總線的限制，其數據饋送輸出只能精確到小數點后一位，那么額外的精度就不能為算法所用。
·多個數據饋送：在可能的情況下，測量的參數越多，做出的決策就越有效。舉個例子，如果能夠以1/1000的精度測量電壓和溫度，您就能夠將溫度變化與電壓波動聯系起來。
　　
　　機器學習會把來自多個源頭的數據提供給用以模仿人類學習方式的算法，從而逐步提高算法的準確性。獲得數據饋送后，您還需要三個基礎模塊才能實現ML：解釋數據的算法、具有響應式結果的預期結果表、反饋環。　　
·算法：一個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，并解釋輸出。解釋指的是它能夠分辨輸出計算是否在預期范圍之內，然后根據該輸出執行新命令。在前面的示例中，如果不僅電壓測量結果遠超預期范圍，而且溫度也高于標稱值，那么算法可能會啟動內部風扇。
·預期結果和響應式結果：以最簡單的方式來解釋的話，預期結果可以是數據饋送輸入與一系列響應式命令組合而成的“查找”表。表格越全面，ML就越成熟、越有價值。交互性更高的ML可以執行一步步變更，例如根據實時感知數據改變無人機的航向，從而避開障礙物，這一操作同時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。它允許系統驗證其操作是足夠的還是需要進一步改進，并且能夠幫助系統調整參數，從而提高未來的性能。
　　
增添多個針對大型系統不同方面的ML功能，增加更多傳感器數據，從而在更復雜的系統層面實現機器學習。先進的ML可以在遇到新的傳感器輸入組合時將其添加到“查找表”中，制定其它類型的響應式結果指令，并衡量執行的響應的充分度。這些就成為了自我調整算法，從數據中獲取知識，從而預測結果。訓練的算法越多，輸出就越準確。
　　

人工智能交付
　　

既然擁有了可訓練的算法，那么您就在很大程度上可以實現AI交付。您需要從一系列ML引擎中獲得輸出，然后將它們與充足的準則和迭代相結合，以便算法做出實時決策。當AI算法處理數據、
　　
迭代、考慮新數據進入的迭代響應，以及使用組合來選擇輸出時，它就進入了決策狀態。這個永無止境的循環促使AI不斷學習并提高決策質量。整個過程既可能像電壓和溫度傳感器回路一樣非常簡單，也可能像攻擊型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，您可以通過DNA標記來了解AI算法。從最基礎的層面來看，具有人工智能的機器能夠仿真人類感知信息、處理信息和對信息做出反應的方式，并針對給定的條件修改工作流程，從而代替人類參與決策循環。從本質上講，您可以查看三個常見的DNA標記：　　
1.測量和仿真的效果：了解制造商的測量能力，了解他們是否擁有創建數字孿生環境所需的充足知識和經驗。　　
2.算法、分析技術和洞察力：開發人員對信號核心特征的了解程度以及這種程度與預期響應的關系將決定預期結果“查找”表的深度。　　
3.工作流自動化知識：從系統層面上理解多次迭代的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系：　　
1.深度——理解指定測量領域中測量結果的能力　　
2.廣度——人們擁有的深度知識所涵蓋的技術和標準的數量
　　
這向我們指出一個事實——如果實施得當的話，人工智能并不是一種被過度炒作的新興技術。相反，工程師可以借助它來管理復雜性呈指數級增長的新設計。（robin zhang, 張底剪報）