近幾年，AI人工智能，紅遍了全世界，改變著每個人的生活；而另一方面，AI似乎又常常顯得高不可攀。AI有很多實現方法，AI的應用太廣泛了，不同應用所需要的系統資源也有天壤之別。這之中就有一部分落在MCU所能涉及的範圍。而隨著NXP i.MX RT系列跨界處理器的誕生，更是把AI的不少應用場景輕鬆實踐。
您知道的AI人工智能? 神奇與平凡的AI: 神奇的地方在於傳統的演算法往往力不從心，而平凡之處卻在於人類親自做起來常常是小菜一碟非常容易。
AI人工智能的五大技能：
1. 預測數值: 比如，給您某人的抽菸年齡和健康狀態，預測他將患肺癌的概率。
2. 分辨種類: 從有限的類別中選出一個。這是最常見的，像物體識別，人臉識別，都屬於這種。
3. 監控狀態: 這也可看成是單分類的情況。當輸入不能歸為唯一的類別時就認為是異常。
4. 發現結構: 用於發現大量個體的分佈模式並一一列出。這跟分類的一個重要區別是每“簇”並沒有對應的類別名稱，也沒有事先定好的類別數量。
5. 學習策略: 強化學習。比如讓機器狗學會走路，讓電腦學會下圍棋。這一個技能也是最常帶給人類對抗和恐懼的一類應用。
在較為複雜的系統中，比如自動駕駛，往往包含以上多種使用場景，並且每種也可能有多處應用，互相配合。
AI模塊往往也需要輸入的預處理和輸出的後處理來對接到應用系統中其它模塊。
以上所有這些，NXP i.MX RT都可以實踐。
實現AI的方法有很多種，請看下圖，是不是有很多似曾相識的字眼? 您知道的AI人工智能?
您知道的AI人工智能? 神奇與平凡的AI: 神奇的地方在於傳統的演算法往往力不從心，而平凡之處卻在於人類親自做起來常常是小菜一碟非常容易。
AI人工智能的五大技能：
1. 預測數值: 比如，給您某人的抽菸年齡和健康狀態，預測他將患肺癌的概率。
2. 分辨種類: 從有限的類別中選出一個。這是最常見的，像物體識別，人臉識別，都屬於這種。
3. 監控狀態: 這也可看成是單分類的情況。當輸入不能歸為唯一的類別時就認為是異常。
4. 發現結構: 用於發現大量個體的分佈模式並一一列出。這跟分類的一個重要區別是每“簇”並沒有對應的類別名稱，也沒有事先定好的類別數量。
5. 學習策略: 強化學習。比如讓機器狗學會走路，讓電腦學會下圍棋。這一個技能也是最常帶給人類對抗和恐懼的一類應用。
在較為複雜的系統中，比如自動駕駛，往往包含以上多種使用場景，並且每種也可能有多處應用，互相配合。
AI模塊往往也需要輸入的預處理和輸出的後處理來對接到應用系統中其它模塊。
以上所有這些，NXP i.MX RT都可以實踐。
實現AI的方法有很多種，請看下圖，是不是有很多似曾相識的字眼? 您知道的AI人工智能?
在上圖中，看圖說話: 機器學習(ML)是實現AI的一種方法；神經網絡(NN)又是ML的其中一類算法。時下AI在音視頻應用中大放異彩的深度學習(DL)就是基於NN實現的。
NN有很多種拓撲結構，而這其中卷積神經網絡(CNN)，又因其優異的性能和廣泛的應用而得到最到位的硬件加速支持。
請看下圖，從另一個角度展示了實現AI的3種方法：
最早的AI系統是基於規則的專家系統。所謂規則，可以簡單地理解為一大堆if – then -else。這些規則是聽從專家的意見手寫的代碼。只要用戶認可我們做的東西是有智能的。
專家系統的性能容易出現天花板，一個重要原因是很多經驗只可意會難以言傳。
後來，機器學習(ML)的出現，使我們不必再直接寫規則，而是從數據中提取出一些指標或者說是特徵，結合各特徵的強度與重要性，就可做出預測或判斷。
不過，選定並提取特徵是個需要反复推敲的技術活+體力活。
再後來，深度學習(DL)把提取特徵的工作也接管了，通過多個神經網絡層，一點點提煉出高級的特徵。打個比方，在做人臉識別時，從像素>線條>輪廓>五官。
因此，深度學習進一步解放了人類的雙手。但是，DL需要遠遠更多的數據來提煉出特徵來。
這也是大數據時代大量手機app不惜代價地收集用戶信息的一個重要原因。