人工智能似乎可以在我们周围的每一个领域看到，无论产品是先进的还是普通的。（AI）的影子。用人工智能赋能产品，光想想就让人着迷，所以你自然会相信这个想法。然而，大多数主张并没有解释人工智能的作用，也没有解释为什么制造商能够自信地做出这样的主张。我心中属于工程师的一面，总是对物品的构造方法充满好奇。这是因为我对黑匣子的概念并不感兴趣——这个概念认为我们不需要知道如何计算编程。

芯片采购网专注于整合国内外授权IC代理商现货资源，芯片库存实时查询，行业价格合理，采购方便IC芯片，国内专业芯片采购平台。

然后，让我们一起打开盒子，揭开人工智能的面纱。要实现人工智能，首先要满足两个要素：(1)能够测量某些参数并理解测量结果的含义；(2)学习能力。第一个因素涉及计量学，也称为计量科学研究。第二个要素称为机器学习（ML），它使系统能够识别不同于预期结果的测量值，并在不需要明确编程的情况下改变操作。

德科技全球企业及产品营销副总裁 Jeff Harris

数据收集能力

测量侧重于对某些特定测量的深入了解。这种测量可能像电压、接地或温度测量一样简单和独特，也可能像飞机控制面或复杂的制造线一样具有多模态功能。

● 测量深度：无论是测量单个参数还是测量多个参数，测量精度都决定了你能达到的可编程能力。例如，以 1/10 伏的精度测量 3 伏系统不会像以 1/1000 伏的精度测量和同一个系统一样有洞察力。

● 数据馈送：测量数据只有在可用于数据馈送时才有助于算法。如果传感器能够使用上述示例 1/1000 测量精度，但受数据总线的限制，其数据馈送输出只能精确到小数点后一位，因此额外的精度不能用于算法。

● 多数据馈送：在可能的情况下，测量参数越多，决策就越有效。例如，如果可以的话 1/1000 测量电压和温度的精度，可以将温度变化与电压波动联系起来。

进入机器学习

机器学习将向模仿人类学习方法的算法提供来自多个源的数据，从而逐步提高算法的准确性。在获得数据馈送后，您还需要三个基本模块来实现它 ML：解释数据的算法、响应结果的预期结果表和反馈环。

● 算法：机器学习系统的真正智能体现在它能够获取数据馈送输入，运行一组计算/指令，解释输出。解释是指它能够区分输出计算是否在预期范围内，然后根据输出执行新的命令。在前面的例子中，如果不仅电压测量结果远远超出预期范围，而且温度高于标称值，算法可能会启动内部风扇。

● 预期结果和响应结果：以最简单的方式解释，预期的结果可以是由数据馈送输入和一系列响应命令组成的搜索表。表格越全面，ML 越成熟，越有价值。互动性更高 ML 例如，无人机的航向可以根据实时感知数据逐步改变，以避免障碍物，这需要持续的感知和不断的调整。

● 反馈环：最后一个要素是反馈环。它允许系统验证其运行是否足够或需要进一步改进，并帮助系统调整参数以提高未来的性能。

为大型系统的不同方面增加多个方面 ML 在更复杂的系统层面实现机器学习，增加更多的传感器数据。先进的 ML 当遇到新的传感器输入组合时，可以将其添加到搜索表中，制定其他类型的响应结果指令，并测量执行响应的充分性。这些都是自我调节算法，从数据中获取知识，从而预测结果。训练算法越多，输出越准确。

人工智能

既然你有训练算法，你就可以在很大程度上实现它 AI 交付。你需要从一系列开始。 ML 在引擎中获得输出，然后将其与足够的标准和迭代相结合，以便算法做出实时决策。 AI 算法处理数据，

当迭代、考虑新数据进入的迭代响应和使用组合选择输出时，它进入决策状态。这个无尽的循环促进了 AI 不断学习Comchip代理并提高决策质量。整个过程可能像电压和温度传感器电路一样简单，也可能像攻击性无人机的飞行控制系统一样复杂。

人工智能的 DNA 标记

如何预测 AI 算法的性能？就像了解人类一样，你可以通过 DNA 标记来了解 AI 算法。从最基本的角度来看，人工智能机器可以模拟人类感知信息、处理信息和对信息的反应，并根据给定的条件修改工作流程，以取代人类参与决策周期。本质上，你可以看到三个常见的 DNA 标记：

1.测量和模拟效果：了解制造商的测量能力，了解他们是否有足够的知识和经验来创建数字双胞胎环境。

2.算法、分析技术和洞察力：开发人员对信号核心特征的理解以及与预期响应的关系将决定搜索表的深度。

3.工作流自动化知识:从系统层面了解多次迭代 ML 输出如何协同工作，从而优化预期结果。

有鉴于此，人工智能算法的质量与以下两个方面有关：

1.深度-理解指定测量领域测量结果的能力

2.广度-人们所拥有的深度知识所涵盖的技术和标准的数量

这向我们指出，如果实施得当，人工智能不是一种被过度炒作的新兴技术。相反，工程师可以用它来管理复杂性呈指数级增长的新设计。

就像未来的学家一样 Gray Scott 所言，“到 2035 年，人脑无法也无法与人工智能机器相比。工程师们意识到了这一点，并将开始 ML 和 AI 融入他们的系统。人工智能的诞生归功于充满智慧和进取精神的工程师。他们了解测量科学，充分了解开发人员创建数字双胞胎的系统特征，并旨在使项目达到一个新的水平。