米樂M6 M6米樂自動化專業(yè)與人工智能是什么關系？

　　要解決這個問題，實際從兩方面來入手，一是對自動化的理解，二是對人工智能的理解。自動化的一級學科～控制科學與工程涵蓋多個方向，人工智能是一個大型的研究領域，必須細分來談二者的關聯(lián)。

　　人工智能，核心是通過計算機，米樂M6 M6米樂來實現(xiàn)智能，當下談到的智能，當然是人的智能，細分一下包含這樣幾個方面：

　　1.對信息的獲取和感知，換句話說就是識別和學習，識別方面具體包括，語音識別、圖像識別、物體識別等等。

　　識別的核心是兩塊，一是獲取信息的傳感器，二是相應的識別算法與程序設計，控制科學中的檢測裝置及其自動化涉及傳感器的設計，和儀器專業(yè)有交叉，一般本科是測控的做這方面的多，而模式識別自然就專注于后者了，其中涉及到圖像語音等多個方面的軟件及算法設計。

　　而學習，就是計算機學科做的比較多的機器學習了，當然控制科學里也有很多導師做機器學習，這個方面還涉及到搜索和分析等等多個方面，知乎還有各路大神，水平不足就不贅述了。

　　2.對信息的處理和決策，什么叫決策，實際上就是構建控制系統(tǒng)的過程，對于獲取到的信息，如何控制達到相應的目標，當然這是一個非常復雜的非線性系統(tǒng)和混沌系統(tǒng)的控制問題，無論是神經(jīng)網(wǎng)絡還是控制論的其他方法在這方面都有大量的研究課題，而系統(tǒng)工程和智能系統(tǒng)也是這方面的核心。

　　3.運動和控制，換句話說就是機器人學，機器人本身結合了機械、電子、計算機、自動化等多個學科，但在大部分學校都是自動化學科在主導，因為涉及到整體的運動控制與協(xié)調(diào)，而大部分機器人的研究都是歸于控制理論與控制工程的范疇內(nèi)。

　　以上三個方面我認為也就是我們工程學科接觸最多的方向了，至于什么倫理哲學之類的就不是我們的事情了，那么下面結合一下控制學科，也要結合你個人的選擇。

　　在自動化的研究生階段，你可以選擇在模式識別方向去做語音、圖像、人臉、物體、虹膜等等各個方面的識別，可以在系統(tǒng)工程、雙控、智能系統(tǒng)研究系統(tǒng)協(xié)調(diào)與智能決策，可以在檢測自動化學習外部傳感器的設計，可以在機器人學研究運動控制，這些都可以算作人工智能的范疇，但它們也是自動化的二級學科。

　　作為一個有五個二級學科的大學科，自動化并不是只有傳統(tǒng)的工控嵌入式，那樣的話它也不會在那么多的學校單獨設院，因此對于擇校，我的建議就是，不要籠統(tǒng)地說我要學人工智能，而是要明確到我要做人工智能的哪個領域？哪個方向？再針對性地去選擇學校，而每一個方向在選定之后在學習上當然要有側重。

　　考研的話，還是建議考控制科學吧，因為對于大部分自動化本科生來說編程基礎相較于計算機來說還是要薄弱許多的，二級學科以模式識別為主，當然不必拘泥于此，核心就是找到一個導師的研究方向是你想去做的，他歸屬于哪個二級學科其實并不是很重要。

　　人工智能的范圍很大很大，自動化的范圍也很大，二者的交集不小，但也說不上包含，我建議多去讀一點相關的論文，加深一下對他們的了解，可能對個人發(fā)展會更好。

　　謝邀！自動化是個萬金油專業(yè)。不過萬金油也有萬金油的好處。嚴格意義上來說AI不對應現(xiàn)在本科專業(yè)設置中的任何一個專業(yè)，所以讀研從事AI方向信息類學科都可以不算跨專業(yè)，也可以都算跨專業(yè)(是的，AI絕對不是本科中計算機專業(yè)的對口專業(yè))。自動化專業(yè)讀AI很合適，你看中國做AI最早的，也是目前AI方向國內(nèi)實力最強的(加個之一吧)機構叫做中科院自動化所。

　　目前AI主要的應用領域，圖像/視頻，語音處理，嚴格意義上來說更適合二級學科信號與信息處理(屬于一級學科信息與通信工程)的方向。不過學科劃分那么細沒什么意義，等你讀了研究生就會發(fā)現(xiàn)，計算機專業(yè)的老師在搞AI，通信的老師在搞AI，自動化專業(yè)的老師在搞AI，檢測專業(yè)的老師在搞AI，電路系統(tǒng)的還有在搞AI。所以什么專業(yè)沒關系，有沒有搞AI的愿望和能力才是最重要的。何必讓自己被專業(yè)名稱限制的過死了。

　　另外，AI更準確來說是一個概念，而且不是一個全新的概念。比如現(xiàn)在百度和谷歌在搞得自動駕駛，你覺得它是AI嗎，按照一般人的理解它肯定算AI的一個應用方向，可是自動駕駛中用到的大部分知識都還是傳統(tǒng)的控制決策理論，信號處理理論。所以不要覺得AI多高大上，跟傳統(tǒng)學科知識區(qū)別多大，其實他們都不是憑空而來的。個人感覺AI更多的是給賦予機器以部分人的學習和決策能力的應用所起的一個寬泛的名稱吧。除了所謂的深度學習，AI中其他的的知識絕大多數(shù)都是很多年前都有的了。

　　可能不少人有一種誤解，認為輸入和輸出是一個具體的情況。又怎么能說知識在壓縮信息呢？ 然而輸入和輸出的可能情況并非只有一個，往往是無數(shù)個。

　　例3：每次炒菜時的所用的食材量，火候，調(diào)味料也都千差萬別，但我們卻可以對應的進行調(diào)整，做出叫同個菜名的食物。

　　你可以感覺出這里想要描述的是一類事物，每一次的輸入可以是這一類事物中的任意一種情況。我們的知識可以應對所有輸入而得到對應的輸出。

　　那么該如何描述這些概念呢？因為如果在討論一個問題時沒有辦法準確描述所指的事物到底是什么，那就根本沒有辦法開展和交流。 這些看似微不足道的概念其實直到 19 世紀才第一次正式創(chuàng)立。而這個奠定了整個現(xiàn)代數(shù)學，乃至所有科學根基的工具就是集合。

　　若把所有的樹葉（元素）歸到一個集合中，用這個集合來表示一類事物，輸入是這一類事物中的任意一個。也正是由于這種任意性，輸入也被稱為變量。輸出同理也是變量。

　　我們在討論輸入和輸出時，并不是說隔壁老王家那只叫翠花的二哈，而是說所有的哈士奇。

　　但其我們早就掌握了這種概念，只是當初并未正式的總結?！冻悄荏w》02的開篇里提到的「智人為什么會從眾多生物中脫穎而出的原因就是在于智人的語言出現(xiàn)了變量與函數(shù)的概念」。

　　例1：英語中的 the apple 指的是特定的一個蘋果，是一個常量。而 an apple 指的卻是任意一個蘋果，也就是變量。

　　例2：中文里我們也會用“這個”和“那個”來特指某個事物，而沒有這些特指時，我們往往是在討論變量。

　　例3：“人啊，還是要看命”句話里的人就是變量。 這句話甚至包含了一種“知識”，其預測就是所有人都要認命。雖然這個“知識”不合理。但你可以感覺到它的作用。中醫(yī)、玄學、科學也都在提取知識，只是科學是當中最可靠的一種提取知識的方法。

　　如果把每個圖像和這個圖像是否是樹葉記錄下來，哪怕是最快的計算機也無法查找和存儲這些多的信息。這恰恰是當初計算機所辦不到的事情，沒有辦法僅通過演示幾個例子就能讓計算機搞清楚其他沒有演示的情況，也就是學習能力。

　　這也是自動化與目前AI最大的區(qū)別，也正是很多張口閉口都是AI的人壓根就沒搞明白的事情。現(xiàn)在你再來看這個視頻時，恐怕會有新的理解：

　　有了集合、變量、函數(shù)的概念后，下一篇我們再來談知識的第二種分類：以任務類型為視角。

　　這是一個基于傳統(tǒng)的方法，以建模、仿真、優(yōu)化的手段來提高工廠的效率。正如文章所提到，未來會用到人工智能。

　　實例二：BuildingIQ將大數(shù)據(jù)和人工智能應用于大型建筑以節(jié)省大量能源費用

　　在樓宇空調(diào)系統(tǒng)控制方面，傳統(tǒng)的PID顯然不夠節(jié)能，如何利用AI增強人的舒適性又節(jié)能，米樂M6 M6米樂看看這個例子就知道了。

　　用于調(diào)節(jié)大型建筑（辦公樓、、購物中心、賭場等）內(nèi)部溫度和濕度的暖通空調(diào) (HVAC) 系統(tǒng)約占全球總能耗的 30%。HVAC 系統(tǒng)效率極低，從而導致不必要的能源浪費。這種低效率源于這樣一個事實，即大多數(shù) HVAC 控制系統(tǒng)都是被動的，不會主動和預測性地考慮不斷變化的天氣模式、天氣預報、可變能源成本和關稅，以及潛在的建筑熱性能，以優(yōu)化控制和調(diào)節(jié)建筑的熱性能。內(nèi)部溫度和濕度，以最大限度地減少總能耗。

　　與澳大利亞國家科學機構聯(lián)邦科學與工業(yè)研究組織 (CSIRO) 合作，BuildingIQ 開發(fā)了第一個也是唯一一個基于云的軟件，采用復雜的大數(shù)據(jù)機器學習方法，實時持續(xù)優(yōu)化 HVAC 性能以實現(xiàn)最低能耗，同時確保建筑物居住者的最大舒適度。這種行業(yè)領先的軟件的主要優(yōu)勢在于它可以與當前的樓宇控制系統(tǒng)無縫連接，在大多數(shù)現(xiàn)有樓宇控制系統(tǒng)中進行部署幾乎不需要資本。除了無縫集成之外，該軟件還為客戶提供了結果，根據(jù)底層建筑和 HVAC 動態(tài)，HVAC 操作通?？蓪崿F(xiàn) 10-25% 的節(jié)能。

　　在光纖制造過程中，玻璃材料開始受控滴落以形成非常細的光纖線。這個過程涉及許多變量，并可能導致代價高昂的廢品。

　　Sterlite 的分析團隊構建了一個機器學習模型，以盡可能減少廢品數(shù)量。首先，光學測試機測量玻璃棒的一組參數(shù)。MATLAB ?將此數(shù)據(jù)集與玻璃圓柱體的幾何特性相結合，以計算纖維的理論輪廓（如果纖維是由所得預制件生產(chǎn)的）。然后另一個工程軟件將此纖維輪廓轉換為可以發(fā)送到機器學習模型的數(shù)據(jù)集，該模型將桿與圓柱體相匹配。這些復雜的步驟使用 MATLAB Compiler? 打包成一個輕型應用程序，供車間操作員使用。

　　在光刻過程中，低波長電源通過光學元件通過圖像進行調(diào)節(jié)，然后通過更多的光學元件縮小尺寸，形成覆蓋基板（通常是硅）的光敏化學品薄膜。重復此步驟，直到基板上所有可用的表面區(qū)域都曝光相同的圖像；結果稱為層。需要多個暴露層來創(chuàng)建構成芯片的復雜微觀結構。為了防止由于層之間的連接失敗而導致的良率問題，層之間的所有圖案都必須按預期排列。

　　為了確保層對齊而不影響吞吐量，ASML 的 TWINSCAN 光刻系統(tǒng)必須限制它在曝光步驟之前測量的對齊標記的數(shù)量。一般規(guī)則是測量對準標記所需的時間不能長于曝光序列中前一個晶片所需的時間。由于正確的重疊模型校正需要大量重疊標記，因此無法測量來自 TWINSCAN 系統(tǒng)的每個晶片。

　　ASML 使用 MATLAB ?和 Statistics and Machine Learning Toolbox? 來開發(fā)虛擬疊加計量軟件。該軟件應用機器學習技術，使用對準計量數(shù)據(jù)為每個晶圓提供覆蓋計量的預測估計。

　　“我們使用 MATLAB 和機器學習所做的工作展示了在最佳利用現(xiàn)有計量學方面的行業(yè)領先地位，”ASML 的應用程序開發(fā)工程師 Emil Schmitt-Weaver 說。“我們就這項工作發(fā)表的論文引起了希望使用 ASML 產(chǎn)品改進其制造工藝的客戶的興趣?！?/p>

　　詳情看視頻：半導體智能制造：基于模型的顯示量測儀器快速開發(fā)實踐 Video

　　介紹精測電子使用基于模型的設計方法，實現(xiàn)從算法開發(fā)到智能儀器中的算法部署的案例，包括校準和測量算法的理論仿真分析、算法的開發(fā)、優(yōu)化加速和到GPU快速自動部署；以及借助Deep Learning Toolbox?在測量儀器的檢測功能智能化創(chuàng)新的方案。采用基于模型的設計方法，省去手工CUDA編碼調(diào)試優(yōu)化的繁冗，大大加快了算法到嵌入式產(chǎn)品的更新迭代。

　　本演講將具體介紹精測電子使用基于GPU Coder?實現(xiàn)從算法開發(fā)到智能儀器中的算法部署案例，包括校準和測量算法的理論仿真分析、算法的開發(fā)、優(yōu)化加速和到GPU快速部署；以及借助Deep Learning Toolbox在測量儀器的檢測功能智能化創(chuàng)新的方案。

　　自動化專業(yè)主要學習電子技術、計算機技術、網(wǎng)絡技術、軟件技術、控制技術等知識，是一個多學科交叉的專業(yè)。研究方向涉及到計算機科學與技術、信息與通信工程、人工智能、網(wǎng)絡空間信息安全、電子科學與技術、微電子學、機械工程以及電氣工程等多個學科領域，研究內(nèi)容從傳統(tǒng)的控制理論、工業(yè)控制系統(tǒng)到信息物理融合系統(tǒng)，以及計算機視覺、人工智能，自動駕駛，數(shù)據(jù)挖掘等。

　　人工智能，是一個以計算機科學為基礎，由計算機、心理學、哲學等多學科交叉融合的交叉學科、新興學科，研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統(tǒng)的一門新的技術科學，企圖了解智能的實質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。