了解一下什么是神经网络AI及其应用

AI是当下最火的技术话题，软件行业有以AI为特色的云服务，硬件行业有AI处理器，高端手机也用上了AI处理器，汽车的人无人驾驶技术更是AI最典型应用，取代有人驾驶，完美的解释了什么是人工智能，就是让机器系统具有人类的智能。

01

工业机器人手臂

图源：Think b/stock.adobe.com

在前30年，得益于计算机技术的软硬件发展，自动化技术在工业领域得到了大规模应用，各种自动化生产线降低了工业生产对人力的需求，以致出现了无人工厂的概念。与此同时，高度自动化的工业系统带来了“机器将会取代人”、“机器人将会统治世界”之类的话题。其实工业自动化系统，或者工业机器人本质上只是一个计算机控制系统，所谓的取代人类在工厂的作用，仅仅停留在执行动作层面，也就是说其所有的行为只是根据相应的电信号来执行相应动作的开关处理。这在自动化系统的软件上就是体现为分支跳转，系统按照预想的场景编写相应的处理对策，一切都是早已设定好的程序，不需要系统来自己思考应该怎么处理问题。这类系统在传统的工业商业应用中用来驱动电机，自动开关门，自动货物打包分拣，甚至飞机自动驾驶都没有问题。从自动控制角度看，以上是相对比较简单的任务，在这些自动化系统实现了机器为人干活，机器达到甚至超过了人的水平。

02

模式识别

图源：Metamorworks/stock.adobe.com

如果我们想再进一步，希望机器能够听得懂，看得懂外语，可以做翻译。还希望机器能够识别图像，能够在海量的视频数据中抓得到恐怖分子。最好还能够成为顶尖水平的医生，能够给人类看病，使得人人享受顶级医疗诊断服务。科技造福人类，科技人员早就开始了这方面的研究，针对以上应用场景，专门诞生了一门学科，就是以语音文字、图像、海量数据为识别对象的模式识别学科，大学和研究所几十年前就开始了这方面的研究，也产生了许多成功的应用。在技术上基本分成两大类，一类以纯数学算法为基础实现了机器学习、深度数据挖掘、专家系统等具有模拟人类思维模式的技术。另一类就是以神经网络模型这一仿生学技术为基础建立的人工智能算法，其实就是对人脑的模拟。

03

神奇的仿生学

图源：Peshkova/stock.adobe.com 仿生学大家早已熟悉，如同雷达的回波定位技术来自蝙蝠，飞机机翼气动外形来自飞鸟，人工神经网络结构来自人脑。所以我们可以简单认为，人工神经网络系统就是人脑系统，如同我们人类一样，通过学习训练行为，可以掌握相应的技能，从而轻松的处理与训练学习相关的问题。回到刚才的话题，人工神经网络系统能够给我们当翻译，能够在安防网络中准确识别出要抓的恐怖分子，也能够给病人提供诊断以及医疗建议。

04

BP（back propagation）神经网络模型

图源：AndSus/stock.adobe.com

BP（back propagation）神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络。其结构可以分层，简单说就是输入层、隐含层和输出层，每个圆圈代表一个神经元，同层之间神经元不互相连接，每个神经元都与下层神经元互连。抛开烦琐的数学描述，我们可以认为神经网络系统就是一套打分系统，以人脸识别为例子，输入层接收的就是一系列人脸的参数，也就是人脸的几何信息，隐含层就是打分系统，输出层就是输出打分结果。

人工神经网络智能系统看起来就是一个黑盒子，似乎在认知上无所不能，如同一个顶级聪明的天才。但是与人类一样，再聪明的天才如果没有受过好的教育，那也很难掌握非凡的本领，发挥王者级大脑的性能。BP人工神经智能系统经过学习训练，并且通过识别误差收敛的考试后才能够上岗。学习训练的过程，对应神经网络系统这套打分系统就是在调整各神经元通道的打分权重，每个通道的权重都是不一样的。不同的学习样本，训练出来的打分系统肯定是不一样的，这也造成了不同人工神经网络智能产品的不同性能。所以训练对于神经网络系统是极其重要的。

从上面的图来看，这套系统似乎不复杂，那是因为我们只看到了一个简单的结构，事实上隐含层并不只是一层，输出层也不是一个节点。单层的隐含层并没有实用价值，如果一个过于简单的大脑，脑容量太低，智力就不够。多层结构请看下图，隐含层也不是越多越好，首先过高的隐含层，在硬件上不容易实现，计算单元过多。另外有研究表明大于20层的隐含层似乎意义也不大。

人工神经网络最大的魅力，我个人认为就是自然的神奇。根据人脑神经网络模型搭建的计算机模型，通过学习训练后，竟然也可以实现人类的智能，说到这里我想到了特斯拉的老板马斯克的观点：对待人工智能要谨慎，因为我们还没有完全掌握其背后的人脑相关的科学理论。

图源：Egor/stock.adobe.com

在十几年前，笔者的大学毕业设计题目就是基于人工神经网络的模糊控制系统应用于航空发动机的故障诊断，其设计目的就是通过发动机的声音判断出是否有故障，是什么样的故障。一个非常简单的神经网络模型算法模型，其训练及工作过程需要大量的运算，把电脑跑的够呛。这样海量的运算行为，所谓吃计算芯片的算力，所以传统的CPU/MPU/MCU包括DSP都是不适合用来运行神经网络系统的。这种大型计算需求属于典型的云服务需求，通常可以把要处理的图像、视频、音频和文字信息传输到AI云上，在AI服务器上进行相关的解算，不过这会带来一个新的问题，就是网络延迟，因为要传上云，又要从云上获取结果，一来一去网络是否畅通就成了系统反应时间的关键。这也是5G技术的典型应用场景，低延迟，高速通信网络保障AI的应用及时有效。

那么为什么还是有神经网络智能芯片的终端产品，很简单那是因为有些神经网络的智能系统需要在终端上运行，比如汽车自动驾驶。当雷达和摄像头获取的实时信息不能够得到实时的本地处理，那无人驾驶技术也就不能工作了。现在有些手机也用上了神经网络AI芯片，因为以语音和图像为处理对象的AI应用与上面提到的汽车应用一样，需要高速的网络条件。另外手机上的照片视频还涉及到隐私问题，大数据量的图像视频传输也必然加大流量与电量的开销，所以手机上搭载本地AI处理器还是十分有必要的。 除了云计算、汽车和手机的AI应用，最近我们还看到一些传统的MCU厂商也推出了AI MCU，巧妙的将AI计算单元与MCU结合在一起，瞄准了物联网市场。这些AI MCU部署到物联网是可以快速的本地化执行AI计算，进一步将AI融入到我们的生活、在智慧能源、智慧城市市场中发挥巨大的作用，会不会带来某些方面的AI变革？让我们拭目以待！人工神经网络智能系统的应用一定会越来越多的出现在我们的生活中，不断造福人类。