我们试图完成究竟是什么?到目前为止,还不清楚。
人工智能正在蓬勃发展。这是来你可能甚至在你附近的一个设备。和AI将用于设计、制造,甚至船这些设备,不管它们是什么,使用它们的地方,或者他们是如何运输。
现在的大问题是这些系统的工作,如何——那些指标甚至是什么意思?一个人工智能系统,或增高系统,应该适应随着时间的推移。这意味着什么是验证在设计方面的签收,在各种测试插入点从实验室到工厂,应该作为电子系统正常运行。
但在AI-guided AI-rich电子的世界,系统行为程序改变。有权重应用于算法加强某些行为,和那些权重应该改变随着时间的推移使用模型的发展和训练数据更新。
老板的一个品牌的汽车多年来抱怨他们的车辆学会了驾驶习惯当他们困在红绿灯在刹车踏板上的气体和沉重的。当他们终于有机会驱动运动轿车畅通道路上,这些车辆加速比预期的要缓慢得多。同样,系统最初被用在一个环境和卖到另一个可能不表现最佳。
所有这一切变得更复杂的人工智能系统与其他人工智能系统交互,越来越多而无需人工干预。工厂重置为默认值在一个系统中可以产生意想不到的影响在其他系统中,可能有也可能没有被开发的相同的供应商,这可能会或可能不会选择重置。所以,当一个系统可能会给公平的警告取代一个模块在电子系统中,无论在一辆车,一个工厂,或者一些医疗设备,实际更换模块在整个系统的行为可能产生意想不到的后果。
到目前为止,大部分集中在AI在验证,测试,和制造对构建更加可靠和健壮的产品基于现有方法质量保证。测试和验证方法是非常好的,能够构建领域知识和转移与人工智能专家系统可以帮助大大在制造和可靠性方面。但当同样的方法应用于人工智能系统,或增高系统,事情往往会变得模糊的非常快。
基本的问题是:详细规格进化系统中不适用。工程师非常擅长瞄准一个规范并击中靶心。他们这样做与性能、电力和地区多年来,即使这需要弯曲光和加速/减速亚原子粒子,或沉淀和删除单个原子。
但目标分布,而不是一个固定数量创造了一些新的挑战。在一个分布最优面积是多少?它是在中间,还是靠近边缘?和当最初的设计最优区域的分布越少?外面更容易游荡的分布系统的预期寿命?
这些问题解决的半导体行业从来没有过去。一个分布应该是一个可以接受的范围内的行为。但当行为本身是运动的,就像针对一个移动的标靶。变得更加难以开发和应用测试策略能保证一个可接受的水平的性能和能量消耗在产品或系统的预期寿命。
这是一个全新的挑战,到目前为止,芯片行业还有很长的路要走掌握它。
|
|
|
|
|
|
|
|
|
|
留下一个回复