译者注：这年头，逢人不会聊一聊AI和机器学习，都不好意思和人打招呼，更别说我们作为搞技术的攻城狮群体了。上一篇分享的文章里，已经提到了未来仿真服务会越来越简单和傻瓜，作为一名普通的CAE攻城狮，可以说危机感爆棚，但是—工程人员的分析能力可不是随便能替代的。即便是一直致力于宣传仿真人人都能简单使用的软件代理商，关起门来也得承认仿真分析里“分析”这两个字真不是AI能实现的。且不说数量巨大的可能性，谁又愿意将自己公司的仿真数据分享出来“喂养”一个机器学习系统呢？
在玩游戏方面，AI已经把人类虐得抬不起头，但若是挑战更大的工程学呢?—这可不仅仅是一个游戏。人工智能可以用于计算机仿真，从而解决现实世界中的问题吗? AI这个词这么火爆，工程软件供应商们都迫切渴望将AI应用到他们的产品中，但现在时机足够成熟了吗？ 我们可不是在玩游戏。诚然，人工智能已经在战略游戏中打败了人类，甚至是非常复杂的围棋。但是模拟—例如如汽车的这种大规模的偏转—则要复杂得多。AI能发挥作用吗？(图片引自维基百科)。 人工智能(AI)是一年一度的工程软件未来大会(COFES)上自由讨论的主题。一间挤满了软件知识分子的房间里，满是关于人工智能的想法，他们在讨论人工智能在模拟中的应用，以及他们对AI和机器学习技术现状的看法。(这篇文章可不是AI写的。下面是笔者搜集到的会议上的一些“金点子”和即兴的观点。十分抱歉没法对被引用者进行一一备注了，我没法获取会议室里每个人的名字，所以干脆一个都不用了。毕竟我只是个人类啊！) 在我们开始做一个分析之前，我们应该思考的第一个问题是—这个分析是必要的吗？只有满足这个前提，再来看AI能否应用到这个问题中。 目前看来，AI在某些问题表现还是相当不错的。例如，用来为银行贷款进行风险评估。但是它能用在更为复杂的分析上吗？大家的共识是，AI做不到。这一类软件的架构应该是什么样子？ “AI是一种获取一组数据并生成另一组数据的函数。” 如果你想进行信用卡交易并确定它是否欺诈，这是一个非常清晰的问题。面部识别也是如此。 于是就有了这样一种感觉：人工智能迄今为止解决的问题都是容易解决的，把无法解决的问题抛在脑后—例如仿真。 所谓容易解决的问题，包括简单的模式识别。问题中的变量数大约是10。但是解决应力分析——变量的数量是各个网格自由度的总和。这可是数以百万计的变量! 即使分析可以完成，然后呢？我们仍然需要根据结果修改我们的设计，这也是AI应该涉足的领域。但是同样的问题又来了…AI到底行不行？ 通过形状优化，可以获得更轻量化的结构，来承受外力的破坏。 图1所示。这是人工智能吗? 通用汽车公司使用Autodesk生成设计优化了这个部件，使得其轻量化。 (图片由通用汽车公司提供。) 通过特定的算法来创建各种各样的形状来满足给定的条件(生成设计)或者不断去除材料直到达到“最优”的形状(拓扑优化)—究竟是不是人工智能？这是有争议的。因为计算机使用的规则是人类预先定义好的，而不是他们自己创造的，所以并不满足人工智能的定义。 什么是机器学习（ML）?举个例子，现在你有输入，规则，及输出。你把输入，输出提供给软件，他自己就能找出其中的规律来。 这可能会导致“垃圾进，垃圾出”的情形。一名研究人员讲述了他针对AI长达一年的努力，但收效甚微，软件只能在很小概率下产生有用的结果。研究人员推测，原因可能给软件提供了坏数据。这个研究项目最终只能通过手工操作数据来获得好的结果—有点像给婴儿喂奶。 真实问题中的数据实在太多，我们还是回到游戏中。几乎可以这样认为，人类迄今为止发明的所有游戏，计算机都能打败人类玩家。从井字棋开始，AI跳过了西洋棋和国际象棋，直接在围棋—这项有着2500年历史的中国棋类游戏被认为是世界上最复杂的棋类游戏中，完虐世界冠军。 AlphaGo不是一台计算机，而是一套由DeepMind（谷歌的AI子公司）研发的软件程序。在2016年，100名人工智能开发者和数据科学家联合起来击败了世界上最优秀的围棋选手—33岁的韩国人李世石(Lee Sedol)，他在围棋上的非凡才华远超其它选手。此前，AlphaGo已经以5比0的优势大胜欧洲冠军。 李世石可能原本以为这是一场可轻松赢得百万奖金的比赛，然后他错了。AlphaGo赢得了前三局比赛，五局三胜。不过李世石在第四场获胜，多少为人类挽回了一些面子。 围棋,只有黑白子，很容易学习，但可能的走法达到2.08×10 ^ 170，曾被认为已经超越了计算的范围。但阿尔法系统，记录了所有围棋游戏的经验教训，最终才能够打败人类围棋大师。尽管移动棋类游戏可能很复杂，但它们仍然基于一些小的规则集。国际象棋虽是模仿真正的战争，但它的规则只能描述在战场上可能发生的有限情况。而所有可能的组合太多，可以迅速淹没人类思维，但一台拥有足够速度和内存的计算机是可以求解的。 真正的战场，和游戏相比，变数太多，即便是一台超级电脑也至多能模拟一名步兵。 尽管如此，公众——甚至是科技知识分子——仍然认为，对游戏的掌握是AI优于HI(人类智能)的可靠证明，并认为人工智能在我们工作和非工作生活的各个方面都具有不可避免的地位。人们很容易忘记，人工智能花了数年时间才分辨出猫和仙人掌，更不用说区分不同的猫了，也不知道什么构成了人脸(婴儿几个月大时就能做到这一点)。 人工智能研究人员忙于与猫打交道，因为它们有很多工作要做——庞大的图像库。猫是Facebook上被拍照最多的东西。但数据是二维的。如果这就是AI所能做到的，那么害怕失去工作或天网启示录的人类就可以睡个好觉了。工程数据由复杂得多的数据组成。它不仅是三维的，而且随时间而变化。AI将不得不处理动态数据集、实时性能、流媒体视频——而不是一系列照片。也可能要有相当大的数据集用于抓取形状，因为机器人操作是一个被大量研究的问题。然而，并没有关于应力分析的大型的FEA模型数据集，可以用来“喂养”机器学习系统的“食物”实在太少了。 一个数码双胞胎会解决这个问题吗?其中一个人负责将现实生活中和传感器中流出的数据转换为仿真所需的数据。然而，即使工作设计(数字双胞胎)可以创造数据湖，这些湖泊也是隔离的，私人的。没有一家公司愿意分享这些数据。我们真正需要的是一个数据海，在那里，所有人都可以利用他们需要的东西。 现在，谁来设置这个?
| 
发表于 2018-7-3 16:37:14
等着看看吧
