电子产品世界

 物理人工智能（PAI）是人工智能与机器学习（ML）算法的一种应用，旨在让自主系统与物理世界进行交互。

机器学习（ML）是一种内部软件技术，使系统能够从数据中学习；而PAI则是指该智能在外部物理世界的落地实现。

传统的机器控制（自动化）遵循固定的、预编程的规则（如 if-then-else 语句），用于执行可预测、重复性的任务。

机器学习软件是人工智能的一个分支，用于分析数据、识别模式并做出预测或决策，无需传统自动化所使用的固定、显式编程。

机器学习是 数字人工智能（DAI）的子集，完全运行在虚拟空间中。

与之相对，物理人工智能软件（也称具身智能）设计用于在物理世界中运行并与之交互，利用传感器和硬件实时控制机器人、自动驾驶车辆或其他智能设备。

机器学习与物理人工智能并非互斥。

例如，自动驾驶汽车使用机器学习在三维环境的虚拟表示中识别目标及其相对位置，但驱动和控制车辆的整个系统则是物理人工智能的应用（图 1）。

图 1. PAI 和 ML 都是 AI 的子集。PAI 涉及与物理环境的交互，而 ML 运行在虚拟环境中。（图片来源：牛津大学出版社）

机器学习如何融入 PAI 系统？

PAI 系统的关键组成包括：

• 用于环境感知的传感器

• 基于机器学习的 AI 决策模型

• 自适应控制系统

• 用于在不可预测环境中执行实时物理动作的执行器

传感器与机器学习实现模式识别与分类、同步定位与地图构建（SLAM）等功能。

机器学习根据应用需求，解析并融合来自相机、激光雷达、加速度计、陀螺仪、GPS、被动红外设备等多种传感器的数据。

用于传感器融合的 AI 工具包括卡尔曼滤波（及同类滤波器）、粒子滤波器和各类神经网络。

这些技术通过在数据层、特征层、决策层进行数据的综合、滤波与分析，提升自动驾驶、机器人与工业自动化的精度。

传感器融合发生在传感器数据采集后的处理环节。

机器学习位于其后的决策环节，用于优化未来决策，并改进传感器融合与处理算法的运行。

一旦决策确定，执行环节通过功率控制器与驱动器驱动机械臂运动、控制自动驾驶车辆转向，并实现其他功能（图 2）。

图 2. 通用 PAI 系统框图。（图片来源：appinventiv）

机器学习的类型

机器学习为 PAI 系统带来显著优势。

针对不同应用有多种学习方式，最优方案取决于任务需求、可用数据与计算资源（图 3）：

图 3. 可用于 PAI 系统的机器学习实现方式。（图片来源：MDPI 应用科学期刊）

• 监督学习：使用带标签数据集，将每个数据点与目标 / 标签关联，训练模型以预测新数据的标签或目标变量。典型应用：图像分类、语音识别、自然语言处理。

• 无监督学习：使用无标签数据集，无预设目标变量，用于识别模式与结构。典型应用：异常检测、聚类、降维。

• 强化学习：通过对正确 / 错误结果分别给予奖励与惩罚来调整系统行为。应用范围从游戏到机器人、自动驾驶。

• 迁移学习：将一个任务中获得的知识用于提升相关任务的性能，可减少训练数据量，提高模型精度与效率。

• 深度学习：使用神经网络分析海量数据与复杂关系，特别适用于图像 / 语音识别、自然语言处理、计算机视觉。

• 集成学习：训练多个机器学习模型并将其组合，以获得更准确、更可靠的预测结果。

总结

机器学习与物理人工智能是互补技术。根据应用需求，可采用多种机器学习实现方式。机器学习支持整个 PAI 系统的持续优化。PAI 系统中的执行环节使用控制器与功率驱动器，实现机械臂运动、自动驾驶车辆转向及其他功能。 

关键词： 电力电子 物理人工智能 PAI 机器学习 ML