人工智能/機(jī)器學(xué)習(xí)技術(shù)推動(dòng)全球產(chǎn)業(yè)變革

如今，人們迫切期待著基于IIoT（工業(yè)物聯(lián)網(wǎng)）的工業(yè)自動(dòng)化新時(shí)代的到來，這是數(shù)字化轉(zhuǎn)型的主要驅(qū)動(dòng)力。工業(yè)物聯(lián)網(wǎng)將帶給我們重大好處，并且像任何技術(shù)/數(shù)字操作模型的演進(jìn)過程一樣，優(yōu)化這些功能將面臨挑戰(zhàn)。關(guān)于工業(yè)物聯(lián)網(wǎng)，目前在數(shù)據(jù)換算和運(yùn)行速度方面有局限性，影響工業(yè)物聯(lián)網(wǎng)的成功。難怪在該領(lǐng)域中，我們加強(qiáng)了"機(jī)器學(xué)習(xí)和訓(xùn)練"和"推斷"，這些努力共同促成規(guī)?；徒咏磿r(shí)的決策?？偟膩碚f，這統(tǒng)稱為人工智能或“AI”。

人工智能理論最初由達(dá)特茅斯學(xué)院的約翰·麥卡錫（John McCarthy）于1956年提出，涉及到開發(fā)利用計(jì)算機(jī)系統(tǒng)執(zhí)行通常需要利用人類智慧才能完成的任務(wù)。例如，高級(jí)人類活動(dòng)包括：視覺感知、決策和語言翻譯。雖然人腦毫不費(fèi)力地同時(shí)處理許多這些事務(wù)，但計(jì)算機(jī)在歷史上一直難以實(shí)現(xiàn)類似人類的認(rèn)知。

然而，55年后，特別是在過去10年中，人工智能所依仗的底層技術(shù)，如計(jì)算機(jī)科學(xué)、先進(jìn)的芯片、強(qiáng)大的計(jì)算能力，以及傳輸并處理現(xiàn)代世界豐富通信信號(hào)所需的連接，改變了人工智能的現(xiàn)狀。人工智能不再局限于于認(rèn)知任務(wù)。

人工智能在B2B領(lǐng)域得到日益廣泛的應(yīng)用，其中的一個(gè)分支是機(jī)器學(xué)習(xí)（ML），這是一套技術(shù)，其特點(diǎn)是采用類似于針織物編織的算法：將多個(gè)部件拼接在一起，以加速計(jì)算機(jī)的學(xué)習(xí)過程。為此，ML采用自我糾正決策，并加倍采用成功策略，同時(shí)隨著時(shí)間的推移削減效率較低的模式。它是一個(gè)強(qiáng)大的數(shù)字化轉(zhuǎn)型工具，使我們更接近與實(shí)現(xiàn)工業(yè)4.0的所有潛力，而工業(yè)4.0是以更有力或極端的方式運(yùn)行的工業(yè)物聯(lián)網(wǎng)。

這種技術(shù)的特點(diǎn)是非常全球化，AI/ML中的巨大潛能，可促使全球工業(yè)取得巨大進(jìn)步。顯然，那些能夠在人工智能和機(jī)器學(xué)習(xí)（AI/ML）方面取得領(lǐng)先的國家，將會(huì)在工業(yè)演進(jìn)中占據(jù)市場份額。但是，我們的底線在哪里？誰在我們前面？誰是主要競爭者，在邁向工業(yè)4.0未來過程中，關(guān)鍵驅(qū)動(dòng)力是什么？

全球拐點(diǎn)

最近的研究1表明，雖然美國/歐盟一直處于探索時(shí)代的領(lǐng)先地位，但日本和韓國的科技公司擁有數(shù)量最多的人工智能專利申請(qǐng)2，而中國則在實(shí)施1方面走在了前列。在人工智能系統(tǒng)方面，美國專注于對(duì)初創(chuàng)企業(yè)的投資、研發(fā)資金和芯片設(shè)計(jì)等關(guān)鍵領(lǐng)域，但亞洲卻擁有龐大的人口和相應(yīng)的產(chǎn)業(yè)基礎(chǔ)，可以通過ML促進(jìn)工業(yè)自動(dòng)化的發(fā)展和數(shù)字化轉(zhuǎn)型。

中國國家高層的"中國制造2025"戰(zhàn)略是在此前提下制定的。在最初構(gòu)思和定義時(shí)，該戰(zhàn)略的預(yù)期效果不如工業(yè)4.0，但AI和ML技術(shù)的進(jìn)步正在最終加速工業(yè)自動(dòng)化的轉(zhuǎn)型，工業(yè)4.0及其對(duì)大量數(shù)據(jù)集的操作處理是一個(gè)越來越現(xiàn)實(shí)的目標(biāo)。

那么，盡管中國可能正在公共人工智能領(lǐng)域占據(jù)頭條新聞，但從目前情況來看，臺(tái)灣的信息通訊技術(shù)和半導(dǎo)體產(chǎn)業(yè)是智能技術(shù)發(fā)展的堅(jiān)實(shí)基礎(chǔ)。在東亞其它地區(qū)，重點(diǎn)是擴(kuò)大該技術(shù)在工業(yè)和家用機(jī)器人、自動(dòng)駕駛汽車、智能醫(yī)療保健、智能制造和智能城市項(xiàng)目中的應(yīng)用，就像一家大型汽車開發(fā)商在富士山腳下規(guī)劃的項(xiàng)目一樣。

中國的相關(guān)發(fā)展是強(qiáng)勁和先進(jìn)的，中央和企業(yè)家有決心在這方面在全球占據(jù)主導(dǎo)地位。更具體地說，在中國和其它地方，縮小IT與OT之間的差距是一個(gè)關(guān)鍵因素，它決定了工業(yè)4.0的實(shí)現(xiàn)速度或成功程度，而在這方面AI/ML非常重要，因?yàn)椴煌?guī)模的工業(yè)公司尋求將其運(yùn)營和數(shù)據(jù)程序進(jìn)行高效結(jié)合。簡言之，通過數(shù)據(jù)處理、分析和模式/趨勢(shì)分析，謹(jǐn)慎實(shí)施AI/ML將提高運(yùn)營效率并加快加工速度。AI/ML和工業(yè)4.0的魅力當(dāng)然適合中國（和全球）大多數(shù)行業(yè)，可突顯這些行業(yè)的潛力和實(shí)力。

中國針對(duì)人工智能宣布了雄心勃勃的目標(biāo)。他們要在這項(xiàng)技術(shù)中占據(jù)重要地位，然后走向全球領(lǐng)先地位，這將是國家當(dāng)務(wù)之急。在推動(dòng)優(yōu)先考慮人工智能和領(lǐng)導(dǎo)爆炸式發(fā)展方面，政府并不掩飾其積極姿態(tài)。

BAT（百度、阿里、騰訊）的人工智能

因此，抓住機(jī)遇去實(shí)現(xiàn)這方面的目標(biāo)似乎是中國目前針對(duì)AI/ML的做法，因?yàn)樗诖诎俣龋⒗锇桶秃万v訊這三家老牌互聯(lián)網(wǎng)龍頭的幫助下實(shí)現(xiàn)工業(yè)4.0的超高效生產(chǎn)目標(biāo)，這三家龍頭企業(yè)統(tǒng)稱為BAT。他們都積極投資于人工智能技術(shù)。

搜索引擎龍頭百度開展了三大人工智能相關(guān)投資項(xiàng)目：Apollo，一個(gè)雄心勃勃的全球性自動(dòng)駕駛開源項(xiàng)目；DuerOS，一個(gè)支持語音的數(shù)字助理；百度ABC，一個(gè)面向企業(yè)的云平臺(tái)。

2019年9月，阿里巴巴宣布了其人工智能加速器芯片漢光800。漢光800采用12納米的工藝制造，包含170億個(gè)晶體管，能夠處理每秒78，563張圖片（IPS）和每瓦每秒500張圖片（IPS/W），這是以ResNet-50為基準(zhǔn)的評(píng)測結(jié)果。

騰訊擁有用戶群最大的社交媒體平臺(tái)-微信，并作為全球最大的視頻游戲發(fā)行商，于2016年在中國啟動(dòng)了人工智能實(shí)驗(yàn)室，隨后于2017年在美國華盛頓貝爾維尤開設(shè)了人工智能研發(fā)中心，致力于語音識(shí)別和自然語言處理（NLP）。

B2B中AI/ML的潛力

可以說，AI/ML背后的關(guān)鍵成分或構(gòu)件是數(shù)據(jù)，而連接性是將數(shù)據(jù)帶向有意義和影響力方向的"膠水"。如果沒有連接功能來傳輸數(shù)據(jù)，成功推進(jìn)工業(yè)4.0這一趨勢(shì)將受到限制。

作為一個(gè)概念和現(xiàn)實(shí)，機(jī)器學(xué)習(xí)（ML）在全球和地方兩個(gè)層面都提供了非常高效的經(jīng)濟(jì)模式。數(shù)據(jù)集可以通過ML快速和大規(guī)模構(gòu)建，方法是算法"訓(xùn)練"，然后產(chǎn)生有見解的"推斷"以支持戰(zhàn)略決策。通信的進(jìn)步非常接近實(shí)時(shí)傳送水平，就像5G的快速發(fā)展和推出一樣，這推動(dòng)了人工智能（AI）以驚人速度進(jìn)入應(yīng)用階段。

這些潛在應(yīng)用既分散又高度本地化，類似于自動(dòng)駕駛汽車的發(fā)展，以及在更大范圍內(nèi)類似于金融科技（fintech）和供應(yīng)鏈管理（SCM）。目的是實(shí)現(xiàn)自動(dòng)化和生產(chǎn)效率的創(chuàng)新飛躍。

在可擴(kuò)展性方面，AI服務(wù)（AIaaS）和ML服務(wù)(MlaaS)已經(jīng)建立，其相比SaaS（軟件服務(wù)）能提供更準(zhǔn)確的解決方案來滿足客戶需求。軟硬件的結(jié)合將提高計(jì)算能力和學(xué)習(xí)潛力，最重要的是加強(qiáng)數(shù)據(jù)管理，這反過來又將促使AI/ML在深度和多樣性方面都能順暢擴(kuò)展。例如，中國通過5G來推進(jìn)實(shí)現(xiàn)先進(jìn)的連接性和較低的延遲度，并挖掘更大的數(shù)據(jù)潛力，中國在量子計(jì)算等領(lǐng)域也取得進(jìn)步，這些進(jìn)步使其具有計(jì)算能力優(yōu)勢(shì)，因此可擴(kuò)大其AI/ML成就。

事實(shí)上，最近針對(duì)AI/ML對(duì)SCM（供應(yīng)鏈管理）的影響所做的市場分析3得出結(jié)論，人工智能型供應(yīng)鏈的效率可提高60%，該供應(yīng)鏈降低了風(fēng)險(xiǎn)和整體成本。到2025年，服務(wù)于SCM的基于云的AIaaS市場將在全球達(dá)到19億美元規(guī)模。到2025年，服務(wù)于SCM且涉及到背景感知計(jì)算的AI市場將達(dá)到13億美元規(guī)模。到2025年，涉及物聯(lián)網(wǎng)解決方案前沿計(jì)算的人工智能型SCM市場將達(dá)到32億美元。

B2B背景

在Molex莫仕，我們看到AI/ML的價(jià)值可能會(huì)呈指數(shù)級(jí)增長。計(jì)算機(jī)不僅會(huì)判別模式，而且還會(huì)證明和解釋決策，并提出新的建議。這些功能具有巨大的潛力來推薦新產(chǎn)品功能，同時(shí)在增加產(chǎn)量之前預(yù)測產(chǎn)品需求，以確保在該過程中改善客戶體驗(yàn)。

雖然AI/ML將提高B2B決策的效率和準(zhǔn)確性，但我們必須認(rèn)識(shí)到：數(shù)據(jù)服務(wù)、功耗和訓(xùn)練模型等關(guān)鍵因素還是不同于人類的智慧、判斷和輸入。在許多情況下，在B2B領(lǐng)域的決策中，情感和創(chuàng)造性的輸入比其它領(lǐng)域更被需要。關(guān)鍵是啟用UI（用戶界面）功能，以促進(jìn)適當(dāng)?shù)膶Ｗ⒑蛨?zhí)行，來獲得AL/ML帶來的好處。

一個(gè)更加互聯(lián)的未來

AI/ML處于全球拐點(diǎn)，可以收集數(shù)據(jù)并將其大規(guī)模使用。AI/ML是未來。然而，云在通信中呈現(xiàn)延遲，AI/ML處理正逐漸遷移到"前沿計(jì)算"。例如，在汽車中，智能手機(jī)和筆記本電腦以及相關(guān)的各種本地設(shè)備和場合都需要具有前沿計(jì)算速度的AI/ML。作為工業(yè)互聯(lián)網(wǎng)轉(zhuǎn)型版的工業(yè)4.0需要采用具有前沿計(jì)算速度的AI/ML，無數(shù)本地設(shè)備必須以接近實(shí)時(shí)的速度進(jìn)行互連、聯(lián)網(wǎng)和互操作，而數(shù)據(jù)包不會(huì)丟失或被破壞。

這僅僅是因?yàn)楣I(yè)4.0尋求超高效的生產(chǎn)效率，它采用一個(gè)恒定過程來從部署在生產(chǎn)過程每個(gè)點(diǎn)的傳感器陣列中獲取數(shù)據(jù)反饋。這形成了巨大的數(shù)據(jù)集，為機(jī)器學(xué)習(xí)提供基礎(chǔ)，然后進(jìn)行人工智能的推斷，以促成B2B決策。

正是隨著向本地、前沿和無處不在的計(jì)算的遷移，電子和半導(dǎo)體世界的供應(yīng)商和分銷商將確保通過數(shù)字化轉(zhuǎn)型為企業(yè)戰(zhàn)略提供AI/ML技術(shù)的巨大潛力，并使AI/ML成為B2B級(jí)別的變革性工具箱和成套技能。

隨著這些數(shù)字化轉(zhuǎn)型技術(shù)重新定義系統(tǒng)和控制基礎(chǔ)設(shè)施的部署和未來用途，連接功能在整個(gè)這些轉(zhuǎn)型的設(shè)計(jì)和實(shí)施鏈條中變得越來越基本。模塊化技術(shù)的進(jìn)步使機(jī)器的連接程度比以往更加高。簡單地說，一切東西都必須能夠"說話"，必須能有效地相互溝通和互動(dòng)，而高效的連接在成功實(shí)現(xiàn)工業(yè)4.0中起著至關(guān)重要的作用。Molex在AI的演進(jìn)中發(fā)揮著至關(guān)重要的作用，支持開發(fā)并應(yīng)用AI功能來實(shí)現(xiàn)客戶的產(chǎn)品創(chuàng)新、質(zhì)量、效率等，確保我們的客戶把有效的數(shù)據(jù)和連接功能放在其戰(zhàn)略目標(biāo)的核心地位，能夠積極關(guān)注工業(yè)4.0及隨后的發(fā)展。

文章來源：ednchina Mike Giresi, Chief Digital Officer, Molex

編輯：ymf