我曾经在一家大型电脑制造商工作，该公司自认为是总部所在地的“大奶酪”。出于某种原因，那些披着权威外衣、走在权力走廊上的人决定在当地媒体频道——包括报纸、广播和电视——发起闪电战，提醒民众我们是谁，我们做了什么。在这次活动结束时，大佬们(戴着最大假发的那些人)发起了一项调查，他们懊恼地发现，当被问及时，绝大多数当地居民都认为这家公司以生产油漆而闻名。让我告诉你，那天在行政指挥和控制食堂里，有很多人咬牙切齿，撕破了衣服。

我在这里提到这个的原因是我刚刚和Johanna Pingel聊天，她是MathWorks．在过去的几年里，这个杰出组织的小流氓一直在做所有的事情，除了上蹿下跳，挥舞旗帜，并在屋顶上大声宣布他们有强大的人工智能(AI)能力来帮助他们的用户开发和部署机器学习(ML)，深度学习(DL)和强化学习(RL)设计。所以，你可以想象，当他们的用户开始对话时，他们会说:“我们喜欢你们的MATLAB和Simulink产品……如果他们支持人工智能应用程序的创建就好了。”(你能听到风中飘来的微弱的“啊”声吗?)

我很理解他们的屈辱和屈辱。我的意思是，他们并没有试图隐瞒任何秘密。例如，如果您访问MathWork的主页，您会立即看到“人工智能的MATLAB”图例机器学习，深度学习,强化学习按钮。还有一个生动的画面，一个机器人从膝盖上站起来，学着走路。

机器人从膝盖上站起来，学着走路
(图片来源:MathWorks)

实际上，关于这个例子，我认为他们把事情搞反了。也就是说，如果我负责创建这个图形，我就会颠倒顺序，让跪着的机器人在左边，而走路的机器人在右边大步离开屏幕。当然，这是因为我习惯从左到右阅读。此外，我所熟悉的流程图和电路原理图在输入和输出方面倾向于从上到下，从左到右流动。当然，也有一些语言使用从右向左的文字，包括阿拉伯语、阿拉姆语、阿塞拜疆语、迪维希语/马尔代夫语、希伯来语两分钟哈加达)，库尔德语(索拉尼语)，波斯语/波斯语，还有——不用说，但我还是要说——乌尔都语。我突然想到，那些阅读和编写这些语言的人，如果要选择的话，是否也更喜欢他们的电路图从右向左流动。

说句题外话，这让我想起了一个真实的故事*，涉及20世纪70年代喜力啤酒(Heineken)的一系列广告(*并不是说我的故事都是假的，你明白，但我在母亲的膝下就学会了，不要让事实妨碍一个好故事)。这些广告的目的是从左到右观看，本质上是有三个面板的图片。在左边，我们有一个图像显示了一种悲伤的状态;在中间，我们看到的是一张某人大口喝着一杯或一瓶喜力啤酒的照片;而在右边，我们看到现在一切都变成了它应有的样子。其中一则广告的主角是英国板球运动员弗雷德里克·苏德斯·楚曼(1931-2006)，他曾效力于约克郡板球俱乐部和英格兰板球队。(你可能还记得我本人在约克郡出生和长大。)遗憾的是，弗雷德的牙齿并不完美，英国牙医也没有改善他的牙齿状况。喜力(Heineken)的广告中，弗雷德在左边咧着嘴笑;弗雷德在中间大口喝着喜力啤酒; and Fred flaunting a full-on splendid smile on the right. Unfortunately, Heineken sales quickly plummeted in those countries whose citizens read the story from right to left, who understood the moral of the tale to be, “Start with a great smile — drink Heineken — and say goodbye to your teeth.”

但我担心我们离题了……你可能不知道(你可能是一个经理，祝福你的小棉袜)，正如维基百科所总结的，MATLAB是由MathWorks开发的一种专有的多范例编程语言和数值计算环境。MATLAB允许矩阵操作，函数和数据的绘图，算法的实现，用户界面的创建，以及与用其他语言编写的程序的接口。同时，Simulink是一个基于matlab的图形化编程环境，用于建模、模拟和分析多域动力系统。它的主要界面是一个图形块图表工具和一组可定制的块库。

这一切的重点是MathWorks的人们有一堆工具，可以增强MATLAB和Simulink的能力，在数据准备、AI建模、仿真和测试以及最终部署这四个主要领域拥抱人工智能。

对于工程师来说，除了AI的广义定义之外，还有很多事情需要考虑，更重要的是，如何实现它。 结果将因应用程序而异，但构建一个成功的AI系统涉及导航整个工作流程，并专注于不仅仅是训练AI模型
(图片-和热情的长标题-来源:MathWorks)

例如，在数据准备的情况下，大学生通常会得到漂亮、干净的数据集(或数据集)。在我们生活的现实世界中，系统最终将不得不处理混乱的数据。关于训练系统，将需要包含好数据和坏数据的数据集，工程师经常低估了清理和准备数据所需的时间。是的，MathWorks的人当然有工具来帮助我们完成这项任务，否则他们不会在第一个地方提到它。

人工智能建模是一个有趣的领域。当听到“模型”这个词时，不同的工程师会想到不同的东西。对一些人来说，这是一个3D机械CAD模型;对于其他人来说，这是一个模拟或数字模拟模型;等等。在人工智能的背景下，术语模型可以说是指体现在人工神经网络(ANN)中的算法。重要的是要意识到人工智能不是整个系统——它必须适应一个系统，并与系统的其余部分一起工作。同样，人工智能模型不是最终结果——它必须符合最终结果。当谈到人工智能建模时，你可能不会从零开始。相反，您通常会将新项目建立在该领域的专家已经创建的模型之上。 There’s a lot of jargon to wrap your brain around here; for example, Caffe and TensorFlow are frameworks and libraries that are used to develop and train AI/ML/DL/RL models. By comparison, AlexNet and GoogLeNet are AI models in the form of convolutional neural networks (CNNs). To be honest, this stuff makes my head spin, which is why you should be talking to the folks at MathWorks and not listening to me.

我想我们都同意，如果MathWorks的家伙们和他们的工具有一件事是众所周知的，那就是模拟和测试，所以让我们跳过部署阶段，这是人工智能部署到现实世界的阶段。这真正意味着，人工智能必须转换成适合于嵌入式设备或企业系统使用的形式，从互联网边缘到云中的巨型服务器。此外，目标计算引擎可能是CPU、MPU、MCU形式的通用处理器，或GPU形式的图形处理单元，或现场可编程门阵列(FPGA)。无论目标是什么，MathWorks的人员已经介绍过了，因为MATLAB可以导出C/ c++代码用于cpu / mpu / mcu, CUDA代码用于Nvidia gpu，硬件描述语言(HDL)表示用于fpga。

最后但并非最不重要的是，你可能想知道ML(机器学习)，DL(深度学习)和RL(强化学习)之间的区别。我知道我是。我以为我知道，但我只是在没有人注意的时候快速地谷歌了一下，结果发现我看到的RL的定义并不是我记忆事物的方式。幸运的是，MathWorks提供免费的两小时自定进度的课程，他们承诺将阐明基本知识:

• 机器学习入口
• 深度学习入口
• 强化学习入口

我不知道你怎么想，但我的印象是，ML/DL和RL之间的区别在于，一旦ML/DL模型被训练和部署，它们就会使用现有的知识，但不再学习更多的知识。相比之下，我相信RL算法能够在该领域继续学习，适应环境的任何变化。遗憾的是，这似乎不是谷歌返回的图片，这就是为什么你可能会在不远的将来看到我参加前面提到的强化学习的入口。你呢?你是否已经了解了所有这些东西，或者你渴望了解更多，并加入我的人工智能浪潮?

• 
• 
• 
• 
•