人工智能 (AI) 是对人类智慧行为的仿真。它通常是设计用来感知环境、了解行为并采取行动的一台计算机或一个系统。想想自动驾驶汽车：此类 AI 驱动系统将机器学习和深度学习等 AI 算法集成到支持自动化技术的复杂环境。
为什么人工智能 (AI) 如此重要？
据麦肯锡预计，到2030 年，AI 的全球经济价值将高达 13 万亿美元。这是因为在 AI 浪潮的影响下，几乎各行各业乃至每一个应用领域的工程环节都在转型。除了自动驾驶以外，AI 还广泛应用于以下领域：机器故障预测模型，告知何时需要进行机器保养；健康和传感器分析，如病患监护系统；机器人系统，直接从经验中学习并不断改进。
AI 工作流步骤如下数据准备提取原始数据，确保数据可用于构造准确、高效而有意义的模型，这是一个关键步骤。事实上，准备阶段会占用 AI 项目的绝大部分精力。数据准备要求具备领域专业知识,如语音和音频信号、导航和传感器融合、图像和视频处理、雷达和激光雷达经验。这些领域的工程师最适合确定哪些是数据的关键特征，哪些是不重要的特征，以及需要考虑哪些罕见事件。而且 AI 涉及大量数据。但是，标记数据和图像既乏味又费时。有时，您无法获得足够的数据，特别是关键安全系统数据。生成准确的合成数据有于改善数据集。在这两种情况下，自动化技术对于如期完成工作至关重要 AI 模型存在于完整的系统中。在自动驾驶系统中，AI 感知系统必须与定位和路线规划算法以及制动、加速和转弯控制集成。对于如期完成工作至关重要
工程师将 MATLAB 深度学习功能广泛应用于自动驾驶、计算机视觉、语音和自然语言处理及其他多种应用领域。您可以使用 Deep Learning Toolbox™ 创建、互连、训练及评估深度神经网络的层结构。参考示例和预训练的网络可以让使用MATLAB 进行深度学习变得轻松，即使不懂高级计算机视觉算法或神经网络知识也能如此。MATLAB 让工程师能够在不同的深度学习框架下工作。由于 MATLAB 支持 ONNX，因而支持与其他支持框架（包括 TensorFlow）相互导入和导出最新模型。
