AI是當下最火的技術話題，軟件行業有以AI為特色的云服務，硬件行業有AI處理器，高端手機也用上了AI處理器，汽車的人無人駕駛技術更是AI最典型應用，取代有人駕駛，完美的解釋了什么是人工智能，就是讓機器系統具有人類的智能。

01

工業機器人手臂

圖源：Think b/stock.adobe.com

在前30年，得益于計算機技術的軟硬件發展，自動化技術在工業領域得到了大規模應用，各種自動化生產線降低了工業生產對人力的需求，以致出現了無人工廠的概念。與此同時，高度自動化的工業系統帶來了“機器將會取代人”、“機器人將會統治世界”之類的話題。其實工業自動化系統，或者工業機器人本質上只是一個計算機控制系統，所謂的取代人類在工廠的作用，僅僅停留在執行動作層面，也就是說其所有的行為只是根據相應的電信號來執行相應動作的開關處理。這在自動化系統的軟件上就是體現為分支跳轉，系統按照預想的場景編寫相應的處理對策，一切都是早已設定好的程序，不需要系統來自己思考應該怎么處理問題。這類系統在傳統的工業商業應用中用來驅動電機，自動開關門，自動貨物打包分揀，甚至飛機自動駕駛都沒有問題。從自動控制角度看，以上是相對比較簡單的任務，在這些自動化系統實現了機器為人干活，機器達到甚至超過了人的水平。

02

模式識別

圖源：Metamorworks/stock.adobe.com

如果我們想再進一步，希望機器能夠聽得懂，看得懂外語，可以做翻譯。還希望機器能夠識別圖像，能夠在海量的視頻數據中抓得到恐怖分子。最好還能夠成為頂尖水平的醫生，能夠給人類看病，使得人人享受頂級醫療診斷服務。科技造福人類，科技人員早就開始了這方面的研究，針對以上應用場景，專門誕生了一門學科，就是以語音文字、圖像、海量數據為識別對象的模式識別學科，大學和研究所幾十年前就開始了這方面的研究，也產生了許多成功的應用。在技術上基本分成兩大類，一類以純數學算法為基礎實現了機器學習、深度數據挖掘、專家系統等具有模擬人類思維模式的技術。另一類就是以神經網絡模型這一仿生學技術為基礎建立的人工智能算法，其實就是對人腦的模擬。

03

神奇的仿生學

圖源：Peshkova/stock.adobe.com 仿生學大家早已熟悉，如同雷達的回波定位技術來自蝙蝠，飛機機翼氣動外形來自飛鳥，人工神經網絡結構來自人腦。所以我們可以簡單認為，人工神經網絡系統就是人腦系統，如同我們人類一樣，通過學習訓練行為，可以掌握相應的技能，從而輕松的處理與訓練學習相關的問題。回到剛才的話題，人工神經網絡系統能夠給我們當翻譯，能夠在安防網絡中準確識別出要抓的恐怖分子，也能夠給病人提供診斷以及醫療建議。

04

BP（back propagation）神經網絡模型

圖源：AndSus/stock.adobe.com

BP（back propagation）神經網絡是1986年由Rumelhart和McClelland為首的科學家提出的概念，是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡，是應用最廣泛的神經網絡。其結構可以分層，簡單說就是輸入層、隱含層和輸出層，每個圓圈代表一個神經元，同層之間神經元不互相連接，每個神經元都與下層神經元互連。拋開煩瑣的數學描述，我們可以認為神經網絡系統就是一套打分系統，以人臉識別為例子，輸入層接收的就是一系列人臉的參數，也就是人臉的幾何信息，隱含層就是打分系統，輸出層就是輸出打分結果。

人工神經網絡智能系統看起來就是一個黑盒子，似乎在認知上無所不能，如同一個頂級聰明的天才。但是與人類一樣，再聰明的天才如果沒有受過好的教育，那也很難掌握非凡的本領，發揮王者級大腦的性能。BP人工神經智能系統經過學習訓練，并且通過識別誤差收斂的考試后才能夠上崗。學習訓練的過程，對應神經網絡系統這套打分系統就是在調整各神經元通道的打分權重，每個通道的權重都是不一樣的。不同的學習樣本，訓練出來的打分系統肯定是不一樣的，這也造成了不同人工神經網絡智能產品的不同性能。所以訓練對于神經網絡系統是極其重要的。

從上面的圖來看，這套系統似乎不復雜，那是因為我們只看到了一個簡單的結構，事實上隱含層并不只是一層，輸出層也不是一個節點。單層的隱含層并沒有實用價值，如果一個過于簡單的大腦，腦容量太低，智力就不夠。多層結構請看下圖，隱含層也不是越多越好，首先過高的隱含層，在硬件上不容易實現，計算單元過多。另外有研究表明大于20層的隱含層似乎意義也不大。

人工神經網絡最大的魅力，我個人認為就是自然的神奇。根據人腦神經網絡模型搭建的計算機模型，通過學習訓練后，竟然也可以實現人類的智能，說到這里我想到了特斯拉的老板馬斯克的觀點：對待人工智能要謹慎，因為我們還沒有完全掌握其背后的人腦相關的科學理論。

圖源：Egor/stock.adobe.com

在十幾年前，筆者的大學畢業設計題目就是基于人工神經網絡的模糊控制系統應用于航空發動機的故障診斷，其設計目的就是通過發動機的聲音判斷出是否有故障，是什么樣的故障。一個非常簡單的神經網絡模型算法模型，其訓練及工作過程需要大量的運算，把電腦跑的夠嗆。這樣海量的運算行為，所謂吃計算芯片的算力，所以傳統的CPU/MPU/MCU包括DSP都是不適合用來運行神經網絡系統的。這種大型計算需求屬于典型的云服務需求，通常可以把要處理的圖像、視頻、音頻和文字信息傳輸到AI云上，在AI服務器上進行相關的解算，不過這會帶來一個新的問題，就是網絡延遲，因為要傳上云，又要從云上獲取結果，一來一去網絡是否暢通就成了系統反應時間的關鍵。這也是5G技術的典型應用場景，低延遲，高速通信網絡保障AI的應用及時有效。

那么為什么還是有神經網絡智能芯片的終端產品，很簡單那是因為有些神經網絡的智能系統需要在終端上運行，比如汽車自動駕駛。當雷達和攝像頭獲取的實時信息不能夠得到實時的本地處理，那無人駕駛技術也就不能工作了。現在有些手機也用上了神經網絡AI芯片，因為以語音和圖像為處理對象的AI應用與上面提到的汽車應用一樣，需要高速的網絡條件。另外手機上的照片視頻還涉及到隱私問題，大數據量的圖像視頻傳輸也必然加大流量與電量的開銷，所以手機上搭載本地AI處理器還是十分有必要的。 除了云計算、汽車和手機的AI應用，最近我們還看到一些傳統的MCU廠商也推出了AI MCU，巧妙的將AI計算單元與MCU結合在一起，瞄準了物聯網市場。這些AI MCU部署到物聯網是可以快速的本地化執行AI計算，進一步將AI融入到我們的生活、在智慧能源、智慧城市市場中發揮巨大的作用，會不會帶來某些方面的AI變革？讓我們拭目以待！人工神經網絡智能系統的應用一定會越來越多的出現在我們的生活中，不斷造福人類。