未来新的挑战！软件开发vs人工智能哪个更胜一筹

 碰撞新的火花 

点击蓝字 关注我们

  近年来，软件开发正不断重塑汽车行业，自动化驾驶大家应该并不陌生，是不是未来无人驾驶越来越将要越来越普及，这些领域未来还迎来更多的颠覆发展，供应商和新企业无不希望由软件开发驱动出新的价值链。

近期大众软件公司 CARIAD 宣布与博世在汽车软件领域达成战略合作协议。CARIAD 近日与 TomTom 宣布双方正在共同开发行业领先的导航产品，这项协议涵盖了除中国以外的全球所有市场， TomTom 开发的导航解决方案可集成到大众汽车的数字驾驶舱中并提供 OTA 更新。大众 CARIAD 导航主管认为，通过与 TomTom 合作，双方的技术资源可以使大众汽车的数字座舱体验更上一层楼，首批搭载下一代导航技术的电动车将于 2023 年量产交付。

其人工智能软件开发的智能车“云管端一体化全栈解决方案”的核心组成部分，其建设需以云管端全栈解决方案为依托，来自于全栈，服务于全栈。

中央集中式电子架构从硬件层面支持数据定义，可按场景定义多维数据源、定义计算与存储架构等。SOA 软件平台支持数 据按需采集，实现影子引擎灵活部署，数据动态触发、异构数据融合等。OTA 及网络安全提供数据传输安全保障，实现数 据上传、模型下发全闭环。智能数据工场建立了数据加工流程、完善了数据规范，统一了数据标准，提供数据标注、模型训 练、仿真测试等方面的能力，最终将算法模型通过 OTA 下发至车端，实现整个数据闭环。数字化体验平台提供跨域融合、 端到端的数字化体验，真正将数据应用起来。

软件公司本地化：软件业务的全球地域规划方面，除了欧洲大本营之外，在中国、美国都要进行本土化团队组建和成立本地化的软件公司。美国组件本土团队，大众汽车云与微软合作。亚洲组建本土团队，拟成立中国的 CARIAD。

随着主机厂研发架构及供应链从过去基于硬件来组织变更为软硬分离开发模式，车企软件公司独立发展有利于尽快适应软硬 分离开发趋势，独立的软件公司对内承接整车不同车型的软件开发需求，对外易于形成灵活的软件开发合作模式，形成新的 软件供应链、合作链，尤为重要的是，独立的软件公司在股权设置、人员构成、激励机制等各方面有更大的灵活度，更好适应汽车智能化趋势的发展节奏。

当前研究可以分为两类：

1. 针对人工智能组件本身的测试与优化，包括准确率、耗时、安全性、隐私保护等方面。

目前的研究多数为将已有的方法应用在人工智能上，未来可能会产生针对ML的原生方法，更具针对性地验证和测试人工智能软件。

2. 系统整体的测试与性能调优，包括软硬件协同设计、人工智能云平台部署、自动化补偿人工智能组件等方面并且结合软件开发技术所达成一致。

未来的发展趋势将着重于将智能软件开发视为一个有机整体，在开发、测试、维护、软硬件协同、实时系统等方面进行研究，使得人工智能组件能够像传统软件一样进行软件工程的开发与管理。

按照传统程序逻辑编写的代码、架构师设计的架构如何与深度学习模型这样的黑盒模型共存共荣构成一个可信智能的系统。深度学习模型这样的AI模型测试学术界也开展了不少研究，定义了不少覆盖度准则和提高测试覆盖度的技术，但这些与实际应用场景中用户和客户所认可的质量要求是否一致，可能也需要探讨。

与传统软件相比，人工智能应用软件的主要核心是AI模型，其没有代码结构。具体来说，在开发过程中主要是以数据驱动的方式训练模型，而不是传统的程序开发；在测试阶段，正如大家所知，AI模型本身不可能100%正确，因此测试过程中哪些错误预测是可接受的，哪些不可接受比较模糊，也就是oracle问题。在测试过程中需要考虑训练集的数据分布，例如有些数据从未在训练集中见过，因此错误预测也不可避免。此外，测试标准以及测试用例生成等都与传统程序都不同。在部署阶段，AI系统需要考虑部署的AI框架以及后台硬件，因为不同版本的框架、平台以及硬件都会导致一些精度差异，从而造成结果不正确。在维护和演化方面，目前AI模型的版本控制以及回归测试等不如传统程序成熟。其更多依赖增加数据、调参或者调整模型结构等方法来更新模型。

因此，总得来说，由于AI模型与软件程序的不同，其在开发、测试、部署、运行、维护和演化等方面都具有不同的特点。

整体来看，随着人工智能的发展，未来智能软件将会越来越多，许多传统领域也会引入更多的人工智能技术。因此，也亟需面向人工智能的软件工程的技术支撑。人工智能系统既包含传统的软件也包含AI模型。从软件工程的角度来看，未来具有价值的研究方向主要集中在如何构建可靠可信的人工智能系统，包括鲁棒性、隐私性、公平性、可解释性以及安全性等。未来的研究方向包括：针对不同的领域如何对AI系统进行测评与验证，如何定义AI 安全与可靠标准，如何开发AI 系统代码管理支持 （例如 github），如何提升模型，包括online与offline等。软件工程研究者应该多与产业界交流沟通，不同的领域的需求也不完全一样。

总得来说，当前我们已经将一些传统软件工程的技术引入到人工智能系统中，但是其不一定有意义。我们还是应该走出去，多了解企业的真实需求，从而进一步推动该方向的发展。

如今会有越来越多的挑战和发展，软工4AI也会越来越受重视。

同时，很现实的，SE领域的研究问题会随着AI的应用而逐渐丰富起来。

我们也不必焦虑未来是否软件开发对人们生活影响的巨变，放平心态，顺应自然，让我们一起面向未来。