在恩智浦，我們會按照客戶提出的正式要求，為硬件開發相應的功能。為了滿足客戶的要求，我們首先列出一些已知的輸入信息，也就是用例。用例可能是雷達傳感器在汽車中的位置(面朝前方或角落)、電動汽車電池的工作電壓、汽車駕駛艙內的屏幕數量等。然后，我們再定義設計，驗證功能是否按照預期方式工作，而且我們不僅在模擬環境中驗證，還在實地環境中驗證。在實地環境中，因為無法控制功能實際接收到的輸入，所以要在選定的用例范圍內，將功能設計得盡可能穩定可靠。

　　但對于人工智能而言，這個開發過程會有一點變化。我們仍然會定義用例，但還要為每個用例分配明確定義的輸出。我們會將這個任務交給計算機完成，然后再定義功能。從示例中學習的過程可稱為訓練，我們要教計算機做出我們需要的響應。

　　一旦對計算機進行了用例訓練，即可將這些知識轉移到設備，讓設備將知識應用于實地環境，更好地處理難以預知的數據，這個過程就稱為推理。它與非人工智能流程的關鍵差別在于，在人工智能的開發中，工程師不一定像過去那樣理解功能本身。

　　因此我們必須進行評估，調節機器的行為，直至輸出的結果符合我們最初的預期。對于需要高計算量的設備，這個調節過程在云端進行，而不是在邊緣進行。

　　什么是安全的人工智能/機器學習?為什么我們需要它?

　　人工智能和機器學習將被應用于汽車安全功能，因此必須確保它們不會違反安全規則。從汽車行業背景來思考人工智能和機器學習時，汽車OEM面臨的問題是如何了解特定功能的風險級別，以及它們可能對人造成的傷害。因此，在定義功能時，既要避免系統性故障，還要減少隨機故障。我們利用安全管理流程和安全架構來滿足這些要求，從而在由人管理的開發中，實現設備監控。

　　但是，僅遵循我們現有的開發流程是不夠的，因為訓練和推理在本質上有所不同。因此，我們需要定義不同的問題陳述。首先，我們必須了解訓練數據是否存在系統性故障。其次，我們還必須了解人工智能模型是如何創建的。該模型是否會產生可能導致系統性故障的不必要偏差?此外，在推理過程中，模型的執行是否存在隨機故障?

　　在這一方面，機器學習質保可以發揮作用，涉及到訓練和評估步驟的完整性、正確性和一致性，涵蓋所有頂級安全流程和數據管理，其目的是確保使用的數據是正確和完整的，不存在任何偏差。

　　在推理層面上，安全機制可以確保硬件的完整性，而這些硬件可能是任何形式的硬件內核。經典的安全機制具有ECC/奇偶校驗、鎖步和流量監控功能。另外，其還能夠利用安全封裝器加以增強，對數據進行更多檢查，從統計上衡量安全性能。

　　恩智浦有關算法道德的白皮書闡述了恩智浦對人工智能開發完整性的看法，并探討了可靠人工智能的安全性和透明度。我們有一款名為Auto eIQ的專用軟件，可幫助開發人員評估和優化訓練模型，并將訓練模型部署到目標環境中，幫助我們持續提高模型的可靠性。