提到自主系統，人們首先聯想到的便是自動駕駛汽車、人形機器人和可用于運輸的無人機。事實上，基礎技術的持續快速成熟，將引領設計人員將自主系統應用到數百個新方向中。而自主系統應用場景的絕對數量和多樣性也引出了這個有趣的問題：

“自主”對于我們實際意味著什么？

簡單來說，自主是自我治理的力量——能夠在未經預演的情況下獨立于人類直接控制行動的能力。自動系統與自主系統之間的主要區別體現于此：在受控環境中工作的自動機器人可以每次將汽車的車身面板精確地放置在同一個位置上，而自主機器人可以通過“訓練”在它從未經歷過的環境中獨立地完成任務。

即便如此，在設計（或定義）自主系統方面還沒有一個通用的方法。在某些應用場景中，自主系統的目標是消除人的參與；而在另一些情況下，則是為了增強我們的身體和智力能力。當然，自主系統的效用會受到收集的數據量以及可以從這些數據中提取的價值所限制。

下面三個使用案例將自主系統展示應用場景的多樣性以及預期結果如何影響其設計。

自動駕駛

我們從一個常見示例開始——自動駕駛汽車。第一個要求是使汽車能夠感知周圍的世界。這包括使用攝像頭以便汽車可以看到其前進方向，以及使用GPS以便它知道其所處位置。汽車需要雷達來測量與其他物體的距離和相對運動，并且需要激光雷達來構建周圍地形的準確3D模型。這必須收集海量數據，進行分析并融合成一個可將感應數據轉化為感知現實的連貫信息流。

就本身來說，這種傳感器網絡可能看起來更像是自動化示例而不是自主示例。這是機器學習和深度學習算法開始發揮作用的情況，分析這些數據以確定車道位置以及其他車輛的相對速度和位置等現象、讀取交通信號以及（也許是最重要的）定位行人。

現在汽車知道其所處位置以及周圍環境，需要決定要做什么。如果感應到前方障礙物，那么是應該剎車還是轉彎？可以再次訓練學習算法以應對新情況。這便是為何如Google的Waymo這樣的公司使用其自動駕駛汽車行駛數百萬英里的原因。它們通過對盡可能多的情況訓練其算法來指導汽車進行自我引導。

藝術研究

真正的自主系統必須在沒有人為干預的情況下行動，由計算機負責提供最佳方案。這從根本上轉移了人的責任，讓我們可利用計算機及其能力來提供商業和社會效益。這方面的一個示例涉及許多人可能永遠不會期望將包含自主技術的主題 — 藝術史領域。

仔細觀察上面這兩幅畫：一把椅子、一組三個人和一個爐子，類似的矩形窗戶等元素并且構圖相似。以上你是否看出來其中一幅畫對另一幅的影響？恐怕許多經驗豐富的藝術史學家也做不到這一點。

事實證明，計算機（而不是藝術史學家）發現了法國印象派畫家 Jean Frédéric Bazille 對 Norman Rockwell 的可能影響。

研究藝術家和藝術作品間的影響力的挑戰便是藝術和藝術家實際上有著無限的排列需要進行探索。因此，藝術史學家嚴重依賴于藝術家生活的時間和地點及其研究對象等因素。如果計算機可以進行訓練來耐心地比較繪畫來發現所有潛在影響力，那么藝術史學家可以找出他們以前可能沒有考慮過的新調查領域。

油氣開采

創造性地應用計算機感知和自主系統還有其他好處，例如它們并不總是需要大量數據。在某些情況下，先對數據進行排序對于確定可提供最佳結果的內容更加重要。

以全球最大的油田服務提供商之一 Baker Hughes 為例。該公司的石油和天然氣開采鉆探設備的核心是一系列泵站。這些泵站依賴于任務關鍵型閥門。這些閥門每個成本僅 200 美元，但如果出現故障，則可能會導致數十萬美元的維修費用。

因此，Baker Hughes 需要一種方法來更好地決定何時對泵進行檢修以降低維護成本并改進資產管理和設備正常運行時間。是否有一種方法可以讓鉆探設備操作員監控泵運行狀況并預測故障，而不是繼續在井場存放多個閑置的備用泵？

實際情況是，Baker Hughes 一直在從多個鉆探設備收集與溫度、壓力、振動、時間和其它值有關的大量數據。事實上，如此多的數據使得難以提取可能形成可操作結果的信息。

為了鑒別這些數據集，Baker Hughes 消除了與鉆探設備、泵和流體的大型移動等相關的外部值。這可幫助他們更好地檢測來自閥門和閥座的更小、更有意義的振動。通過大幅度減少需要處理的數據集的大小，該公司發現只需要三個傳感器便可開發可以將正常運行的泵與需要檢修的泵區分開來的感知算法。

與藝術史使用案例相似，這種情況下的自主技術不采取直接行動，而是為泵操作員提供對機器狀況的深入了解。這使操作員可以制定更明智的維護決策，并確定井場需要多少備用泵 — 這些措施促使檢修成本減少了1000 萬美元。

就像這些案例所展示的那樣，在每種情況下，一系列決策將確定自主系統的形式和功能，包括：系統的自主程度；感應的內容；數據的和數據量的選取；感應數據轉化為感知現實；等等。