趋势一：劳动力技能和数据质量壁垒开始消弭

随着越来越多的工程师和科学家(不局限于数据科学家)参与到AI项目当中，他们带来了AI项目成功所必需的特定领域技能和知识。Jim Tung认为领域专家对AI项目的成功至关重要，因为他们能够利用自己的专长选择合适的数据，决定如何为AI建模准备数据，选择对于应用简化而有效的模型，通过评估结果判断模型是否合适，并能够识别在系统中可能出现的故障模式。

这些数据不局限于深度学习常用的图像数据，还包括时间序列数据、文本和雷达信号。因此如果能打出一套包括应用程序、自动标注工具、完备AI算法、预训练模型、参考设计在内的“组合拳”，将能够极大帮助用户加快高质量大型数据集的准备。而与之相对应的是，高质量数据越多，AI模型准确度高的可能性越大，成功概率也会越高。

考虑到很多人并不是AI方面的专家，应用程序会是帮助非AI领域专家高效使用相关技术的利器，Deep Network Designer、Classification Learner和Experiment Manager就是三个典型的应用程序，用户通过点击的方式，就能完成工作流当中的设计、分析等各个步骤。

例如在Deep Network Designer中，“访问预训练模型—导入导出网络—训练图像分类网络—生成MATLAB代码用于训练”，都是以按键点击的方式来执行的；Experiment Manager可以管理多组实验，记录参数并分析比较结果；Diagnostic Feature Designer可以实现信号的特征提取和特征排序任务的自动化，并生成MATLAB代码；Classification Learner具备超参数调优等***功能，可以一键训练并比较多个模型。

***新的用户案例是复旦大学利用MATLAB来开发相应的数学模型，用于预测新冠肺炎的传染趋势，为中国的政府提供相应的公共措施方面的指导。MATLAB在这个项目当中的主要应用包括数据可视化和预处理、模型拟合和开发、参数调优、数值仿真和测试、应用程序开发、Web系统的模型部署。

趋势二：AI驱动系统的兴起使设计复杂度进一步提高

工程师们正积极将AI推广应用于各种系统，包括自动驾驶汽车、飞机引擎、工业厂房、风力发电机、以及其他所有涉及嵌入式系统、边缘计算和企业系统的领域。AI模型的行为对于这些复杂多域系统的整体性能具有重大影响，因此设计人员期望利用基于模型的设计方法，通过仿真、AI模型集成以及持续测试理解如何创建鲁棒的AI驱动系统。

在谈及将AI部署到边缘侧时有哪些要素是需要考虑的时候，Jim Tung表示，边缘侧的含义很丰富，基于Linux的服务器、工控系统、低端网关设备都可以看作是边缘侧设备，对这些系统编程是需要多种技术的，要提前思考；其次，AI大多用于处理传输到边缘的数据，需要将特殊的技术和协议进行标准化；第三点，算法***和负责边缘系统的系统工程师、嵌入式工程师或IT专家之间要有足够的默契；***后，必须确保网络安全，例如保护软件源代码的鲁棒性和安全性、进行威胁建模等。

趋势三：将AI部署到低功耗、低成本的嵌入式设备的过程日益简便

AI通常采用32位浮点运算，这在GPU、集群和数据中心等高性能计算系统中广为应用。但软件工具的***新发展已经开始支持采用不同级别定点运算的AI推理模型，这使得在低成本、低功耗嵌入式设备中部署AI成为可能，并为工程师在应用AI技术时提供了更多的选择，例如车辆及其他嵌入式工业应用中的低成本电子控制单元(ECU)。

将AI算法应用在不同的嵌入式处理器中，以往的工作模式通常是算法或模型***与程序员合作。如今，使用软件工具，特别是自动代码生成功能，可以在开发一次模型后，使用代码生成功能将其部署到各种不同的平台上，例如生成C++代码，或生成CUDA代码应用于NVIDIA GPU上，生成HDL代码用于FPGA上等等，一个来源，多个目标，全部自动实现。

但另一方面，将浮点运算转换为定点运算，并不能一蹴而就，要求对代码有很好的理解，以保证结果可预测并且可靠。在Deep Network Quantizer工具中，用户可以快速导入一个预训练好的模型，根据真实数据对模型进行校准，显示校准统计量及其精度范围，并对网络各层进行量化，或创建定点运算表达，***后进行验证。不仅是深度学习网络，Deep Network Quantizer还支持其他传统的机器学习算法的定点代码生成，例如决策树，支持向量机模型，这些模型的自动代码生成是可靠性和速度的关键。

趋势四：强化学习开始从游戏领域转向现实世界的工业应用领域

强化学习需要大量数据，通常通过虚拟模型产生，虚拟模型可以融入现实世界中难以模拟的条件。为了迎合这一趋势，通过MATLAB和Simulink当中的强化学习工具箱，用户可以对环境进行建模，利用GPU和云计算加速训练过程，通过仿真验证完成训练的策略。

下图是无人驾驶汽车的强化学习应用示意图。Simulink模型中包括车辆模型、软件控制器模型、感知算法模型，在强化学习部分，根据车载摄像头采集的图像仿真数据，车辆可智能识别车道，感知周围路况。

“现实世界中的工业用户确实是保守的。”在Jim Tung看来，工业企业不但要确定生产系统是鲁棒的，在面对包括AI在内的新技术时，还需要充分了解其优点和缺点。而在寻找新的商业模式方面，大多数企业都失败或者进展很慢，没有达到期望的结果。错误之一在于花了太多的时间、人力和成本为所需的数据构建IT基础设施，但到头来发现方向是错误的；错误之二在于一些企业尝试跃进式转变，反而流失了大量了解其现有商业模式的人才；错误之三在于企业内部不同的群体都从自己的角度推进数字化转型，导致转型只出现在企业内部的某一部分。

而那些能够成功进行数字转型的企业，往往是非常务实的。他们识别出一些特定项目，以此为起点进行管理，逐步递增，项目体量适当，既具有足够的挑战性，能产生***，又不会风险过高，能够系统地使用工具、工作流和模型、以及来自各个部件和整个生命周期的数据，然后在此基础上完成下一个项目。

“AI工业应用成功***重要的要素在于充分地利用领域专家他们的经验积累，利用他们在创建、维护系统时积累的专业知识，同时结合数据科学和AI知识，可以