本動画は、深層技術ジャーナリストであり電子工学インフルエンサーのStuart Cordingが、AI（人工知能）が電子設計分野に与える影響について語るポッドキャスト「Coffee and Tech」の回である。Cordingは自身の電子工学キャリアの歩みから始まり、1990年代から現在に至る業界の劇的な変化を振り返る。特に、AIの歴史的背景、クラウドベースとエッジベースのAI応用の違い、電子設計ツールへのAI統合の可能性と課題について詳しく論じている。また、データシートのデジタル化、特許問題、知識継承の重要性など、業界が直面する現実的な課題についても言及し、将来の電子エンジニアへのアドバイスで締めくくられている。
ChatGPTの記憶の曖昧さについて
ChatGPTは質問への回答に関して非常に気まぐれな面があります。例えば「私は誰ですか？Stuart Cordingという人物を知っていますか？」という質問をしてみました。
1年前には「知らない」と答えていたのですが、私が「彼はElectorの著者です」と伝えると、突然記憶が蘇ったかのように「ああ、そうです。Stuart Cordingですね。彼はあれこれやっている人です」と答えました。しかし、ChatGPTは私が一度も書いたことのない本の著者として私を紹介しました。私は本を書いたことがありません。
12か月後、同じ質問をしてみると、今度はChatGPTは私のことを全く知らないと答えました。これは、その会社で働いている人間だと言っているにも関わらずです。この1年間で、私は実際により多くのコンテンツを自分の名前で制作してきました。にも関わらず、どうして突然記憶から消えてしまったのか、全く理解できません。
ポッドキャスト開始 – ゲスト紹介
こんにちは、「Coffee and Tech」ポッドキャストへようこそ。コーヒーと電子工学への情熱で支えられているポッドキャストです。今日のゲストはStuart Cordingさんです。Stuartさん、ポッドキャストへようこそ。
Stuartさんと共に、Sam CapuccinoとSam Espresso Maciatoも参加しています。Stuartさん、LinkedInプロフィールを引用させていただくと、深層技術ジャーナリスト、電子工学インフルエンサーとして、Elector誌と定期的にコラボレーションされています。まず参加していただき、ありがとうございます。
Stuart Cordingの電子工学への道のり
幼少期の影響
電子工学への道のりについて、自己紹介をお願いできますか？電子工学分野での自身の発展、半導体業界で見てきた変化、そして電子工学の分野に入るきっかけについて教えてください。
インスピレーションは人生の非常に早い段階で得られました。父が電気エンジニアだったので、家庭には常にその要素がありました。父は建設現場で働いており、よく私を連れて行ってくれました。ロンドン中の新しい建物に設置される様々な機器を見る機会がありました。
例えば、セント・パンクラス駅近くの英国図書館という大きなプロジェクトで時間を過ごしました。また、いわゆる「ビッグバン」もありました。これはイギリスの証券取引所が紙ベースの取引からコンピューターベースの取引に移行した時期です。父についてこれらの場所を回り、エンジニアリングとは何か、電気とは何かを理解する感覚を身につけました。
電子回路を組み立てるセットなども持っていました。このような要素が非常に早い段階から統合されていました。私は1970年代生まれで、1980年代に成長しました。これは家庭用マイクロコンピューターの時代でもありました。Commodore 64を購入し、それがプログラミングを学び、コンピューターができることを理解する中心的な存在でした。
実践的な学習体験
図書館から本を借りて、コンピューターとのインターフェースについて学んでいました。光センサーや温度センサーを接続し、紅茶のカップがどれくらい早く冷めるかを測定するといった、典型的なイギリスの問題に取り組んでいました。
電子工学の組み合わせが本当に興味深かったです。何かを制御し、ラジオを作り、ライトを制御し、物事を感知する何かを構築できる一方で、コンピューターを使ってそれらをプログラムする方法も学べました。電子工学に行き着くのは必然でした。
Legoへの自然な興味もありました。これは多くのエンジニアが共有する、何かを構築する能力だと思います。Lego Technicテクノロジーもあり、たくさんのギアがあったので、動くものや空気圧システムなどを構築できました。
教育から職業への道のり
学校を通じて自然な興味が続きました。当時、CDT（Craft Design Technology）と呼ばれるものを学び、製造や機械的要素、木工、溶接などと並んで、論理ゲートやアンプなどについて学ぶ機会もありました。学校でのプロジェクトの多くは電子工学に重点を置いたもので、最終的には大学に進学し勉強することにつながりました。
しかし、実際に勉強を始める前に、少し危機を迎えました。18歳で学校を卒業した時、Aレベルの成績はあまり良くなく、あまり満足できず、次に何をすべきかよく理解できませんでした。
CAC社での実務経験
そこで、CACという電子部品メーカーで仕事を見つけることができました。そこの特定のサイトの焦点は、歴史的に非常に興味深いものでした。STC（Standard Telephone and Cables）と呼ばれる会社から派生したもので、電気通信業界に焦点を当てた会社でした。
電気通信業界は明らかにリレーや銅線配線から、よりデジタル技術へと移行していました。彼らは主に発振器やクリスタルフィルターなどに焦点を当てた幅広い技術を持っていましたが、そこは一つのエコシステムのようでした。すべてを製造していたのです。
石英結晶が成長するオートクレーブがあり、それらがスライスされ、ダイスされ、ケースに準備され、製造チームがそれらを製造し、テストし、すべての品質要素があり、研究開発チームもありました。私は数年間そこに配属されました。
コンセプトから製造、品質要素まで、製造プロセス全体を見る機会を得ました。これは私のキャリア全体を通じて、物事がどのように起こるかについての知識ベースとして本当に定着しています。今日の製造業を見ても、これらの基本原則はあまり変わっていないと思います。
電子工学分野の変化
1990年代から現在への劇的な変化
あなたの経験に基づいて、電子工学開発分野や、私たちが使用するソリューションの開発方法は、長年にわたってどのように変化してきましたか？
基本的に認識できないほど変化しています。1990年代を振り返ってみると、私は1994年にCACで働き始めました。オフィスにはコンピューターがありました。IntelベースのPCとIBM PCアーキテクチャのPCがありました。その状況ではネットワーキングもありましたが、すべてのデバイス間は1メガヘルツのネットワークでした。
同軸ネットワークだったので、誰かがケーブルを引き抜くと、全員のネットワークアクセスがダウンしました。そのネットワークはサイト内のみで、他の場所へのアクセスはありませんでした。例えば、電子メールクライアントはありましたが、オフィス内でのみ電子メールを送ることができました。外部の人々との通信はできませんでした。
データアクセスの革命
もう一つの側面は、すべてのデータシートがあの厚いデータブックだったことです。皆がデータブックを持つことを愛していました。例えば半導体ベンダーからセールスエンジニアが来て、最新のアップデートを共有するということがありました。それは本当に大きなことで、オフィスの誰もが「木曜日に誰々が来る」と言っていました。それが更新や情報、おそらく古いものを置き換える新しいデータブックを得る時間でした。
何らかのデータを素早く把握したり、物事を比較したりする能力は、今日のようにはありませんでした。本当に紙ベースでした。机でさえ、そこに座って紙で作業するように設計されており、コンピューターを机に置くと全体のスペースを占有してしまいました。
ツールアクセスの民主化
今日と比較すると、期待値が大幅に異なっていました。情報へのアクセスが限られていただけでなく、ツールへのアクセスも限られていました。当時、PCB設計ツール、EDAツールがありましたが、高価で、誰もが一定数のライセンスを持っており、一部の人々はそれを使用するためにドングルを持っていました。
今日と比較すると、オンラインで完全なEDAツールを無料で使用できます。そこには顕著な違いがあります。当時、私が勉強していて大学や大学のために自分のプロジェクトを行う必要があった時、その環境にいることは素晴らしかったです。なぜなら、家では買えないツールにアクセスできたからです。
また、家では当時手に入れることができなかった品質の、素晴らしいデジタルおよびアナログテスト機器にアクセスできました。実験室のテスト機器を借りる時は、台車に載せてオフィス中を押して回っていました。今日では、USBやイーサネット、さらにはワイヤレスで接続する小さなボックスがあります。
設計手法の継続性
一部変わったもの、一部同じままのものがあると思います。同じままのものは基本原則です。私たちは主に発振器を設計していましたが、新しい発振器を設計したい場合は、白紙を取り出して物事を描き始めました。以前の設計を取り、新しい仕様に合わせて修正しました。
しかし、他の研究分野もありました。そのうちの一つは、オーブン制御発振器でした。これはチームが以前にやったことがないものでした。基本的に、設計の側面について第一原理から始めることでした。発振器は理解されていましたが、発振器の温度を制御するための加熱は必ずしも理解されていませんでした。
現代の電子エンジニアが直面する課題
人材不足と知識継承の問題
現在、電子エンジニアが電子機器開発において直面する最も重要な課題は何だと思いますか？
興味深い質問ですね。現在業界全体が直面している課題は、明らかにSTEM（Science Technology Engineering Mathematics）学生の不足です。これが最初の挑戦です。
最も心配なのは、多くの時間を人々と話すことに費やし、多くのスタートアップイベントなどに参加する中で、よく見かけるのは、既に存在するプラットフォーム上で何かを構築するスタートアップです。特にSoftware as a Serviceの世界では、誰かがAIツール、例えばChatGPTのような人気のあるものやMid Journeyのような画像作成ツールを思いついて、誰もがこれらのプラットフォームの上に構築しています。
そこには素晴らしいイノベーションがたくさん起こっていますが、私の心配は、誰が次のMid Journey、次のChatGPTに取り組んでいるのかということです。私たちの業界内では、誰がSiCやGaNに基づいた電力変換器設計を改善して、効率を99%以上の範囲に本当に押し上げ、立方インチあたり複数ワットの高密度設計に取り組んでいるのでしょうか？
世代間の知識ギャップ
これらは挑戦でありイノベーションだと思いますが、誰もその困難な実践的ハードウェア開発を行っているのを見ません。既に存在するものを取って、その上に付加価値を構築するということのようです。それが少し心配です。
もう一つの心配は、明らかに若いエンジニアたちがエンジニアリング環境に入ってきていることです。彼らはミレニアル世代、ジェネレーションY、そして進行中のジェネレーションZです。彼らが私が業界に入った時に得た知識をどのように習得するのか、少し心配しています。
現在の世代のエンジニア、ジェネレーションXとベビーブーマーについて言えば、ベビーブーマーは退職し、ジェネレーションXは非常に忙しいです。彼らがチームの面倒を見て、私たちが暗黙知と呼ぶものを伝える時間がどのくらいあるのでしょうか？
暗黙知の価値
すべてのエンジニアリング組織では、例えばMOSFETのベースに特定のRC回路がある理由や、なぜこれらの特定のフェライトビーズが使用されているかなど、そのようなことがたくさんあります。それらには厳格で迅速なルールはありません。ただ長年の経験です。
退職したエンジニアを招いて機械を見てもらうというジョークがあります。誰も修理できなかった機械を見に来て、チョークを取り出して、機械の一部に大きな十字を書いて「そこに問題がある」と言います。現在の従業員が中を開けてみると、確かにそこに問題がありました。
彼は請求書を送り、費用は問わないと言われたので、10,000ユーロのような請求書を送ります。「それは少し高すぎる、内訳を教えてもらえますか？」と言われると、「チョークの十字が1ユーロ、どこに置くかを知っていることが99,999ユーロ」と書きます。
それが共有される必要がある暗黙知を要約していると思います。経験豊富なエンジニア、特に機械分野では、工場で立ってマシンの音を聞いて「ああ、そのベアリングが故障している」と言い、確かに分解してみるとベアリングが故障しているということがあります。
AI技術の歴史と現在
AIの歴史的背景
あなたのニューラルネットワークに関する経験からの学びについて教えてください。
理解すべき最も重要なことの一つは、これは新しい技術ではないということです。AIは明らかにChatGPT、Mid Journey、私たちが素晴らしいことを可能にするツールを通じて、メディアを通じて大衆の理解のより高いレベルに押し上げられていますが、現実は学習できる機械を作るという核となる考え、人間の脳のように動作できる機械を作るという考えは、実際に1940年代から存在しているということです。
例えば、1940年代に開発されたMcCulloch-Pittsネットワークなどの科学者やエンジニアがいました。そこでのアイデアは、脳を見て「脳には明らかに神経からの信号が入ってきており、考えているわけではないが、過去の経験を使って何らかの重み付けに基づいて決定を下している」と言うこの基本プロセスでした。
「この信号は非常に強く、この信号は非常に弱く、これは非常に強く、これは中間のどこか」という神経末端の組み合わせが、おそらく何か熱いものに触ったことからの記憶とこれらすべてのことが組み合わさって、どうすれば単一のニューロンを訓練し、多くのニューロンから構築された機械を作り、何らかの方法で学習し記憶できるようにできるかというアイデアにつながりました。
初期の技術的制約
その種の取り組みがうまくいったのは、重み付き和計算と呼ばれるものでした。出力がどのように応答するかを重み付けするために、ニューロンに数値を入力します。Frank Rosenblattによってその後行われた作業で、彼はパーセプトロンと呼ばれるものを開発しました。これは、私たちが持っている電子ニューロンの初期の前身のようなものでした。
彼は決定過程でより可変的なしきい値で作業しましたが、その時点で彼らが発見した課題は、例えば線形分離可能な挑戦を複製するのは非常に簡単だったということです。例えば、ANDゲートを見ると、それは非常に簡単です。2つの1があれば出力に1があり、そうでなければ0です。
NANDやNOR、その他すべてのタイプのゲートでも同様です。しかし、XOR（排他的OR）で失敗していました。そこでの問題は、2つの0が1を作り、2つの1が1を作りますが、1と0または0と1があれば0になることです。これは線形分離可能ではありません。
技術的ブレークスルー
次に来たのは、決定過程をどのように修正できるかというアイデアでした。そこには微分要素のようなものがなければなりませんでした。そこから出てきたのは、デルタルールアプローチと呼ばれるもので、シグモイド関数の使用につながりました。
それを視覚化する方法は、X軸とY軸があると想像することです。X軸では、中央に小さな丘のような線があり、グラフの下の同じ領域が両側にあります。0.5が丘の場所で、1と0に向かってドロップオフするとします。
丘の頂上に直接ボールを落とすと、そのボールはすぐに右または左に行きますが、真ん中にとどまることはできません。方向に移動することを強制され、これが一種のブレークスルーでした。これらのニューロンが何らかの決定に迅速に移動し、中間のどこかで立ち往生しないようにできました。
実装と学習の動機
Matt Mazurという人をオンラインで見つけました。彼は動作方法とその背後にある数学について長い論文を書いていました。それに基づいて、それをコピーしたArduinoライブラリを書きました。これは私が以前に言ったポイントに戻ります。私の心配は、私たちが5G、Wi-Fi、携帯電話などを実際の理解なしに使うことに時間をかけすぎているということです。
記事とライブラリの開発を通じて、アイデアは「これがすべての背後にあるものと動作方法」だと言って外に出ることでした。ニューラルネットワークが完全なAIモデルのようなものをどのように形成し、それをどのように訓練し教えるかを理解する必要があります。
クラウドベースvsエッジAI
クラウドベースAIの特徴
非クラウドベースのアプリケーションでのAIの経験について教えてください。
私たちが見ているすべての異なるAIアプリケーション、ChatGPT、Mid Journeyなどを見ると、これらはクラウドベースのコンピューティングに依存しています。これらは、Microsoft Azure、Amazon AWS、Googleなどの企業が運営する大きなデータセンターです。
彼らは利用可能な膨大な量のコンピューティングパワーを持っています。プロセッサーパワーだけでなく、AIの背後にある数学に重要な、困難な乗算累積型計算を行うために、プロセッサーと並んで数百のGPUを話しています。
会社のCEOのようなものです。20人か30人のチームが実際に望むことを実行してくれるから、素晴らしいことを実現できます。小さな会社と比較して。
エッジAIの重要性
そして、業界でエッジと呼ぶ他のアプリケーションがあります。これは、データが収集される場所、センサーがある場所を意味します。その時点でのデータの感知と分析が時々必要で、AIは多くのアプリケーションで膨大な潜在力を提供します。
例えば、過去に話したことがある会社の一つはEurotechです。おそらくあまり知られていませんが、高性能コンピューティング会社として、基本的に彼らが行うことは、高性能コンピューターを取って、データセンターのサーバーと比較してこのサイズの非常に小さなボックスに入れることです。
実際にそれを車両に入れることができます。水冷プロセッサーも入っており、システム全体が水冷され、自動車業界はそれらのコンピューターを推論に使用します。
自動車業界での応用
訓練プロセスを見ると、モデルを訓練するためにクラウドベースのコンピューティングから始めるかもしれません。歩行者を認識できるか、自動車分野でサイクリストを認識できるか、信号機の色などを認識できるかなどです。
しかし、ある時点でモデルを車両に統合できるコンピューターで可能な管理可能な量まで圧縮する必要があります。特に電気自動車への移行という課題で、無限のエネルギー量はありません。化石燃料で動作するモーターとは異なり、限られた容量のバッテリーがあります。
まず、そのレベルまで下げることができるか、そして次に、データを訓練したが、作成したモデルが道路で動作するかどうかを確認するために出て行って確認する必要があります。推論プロセスを行います。訓練したモデルを取り、車のすべてのカメラ、すべてのセンサーにPCを接続します。
実際の条件下で実際のシステムですべてを訓練または試行していますが、車を運転していません。すべてのことは、作成したモデルが実際の条件下で期待するすべてのものを見ることができるかどうかを確認することです。
他のエッジAI応用例
一方、標準的な手続き型プログラミングプロセスを使用して分析している데이터をデコードするのが非常に困難なため、AIから恩恵を受けることができる多くのアプリケーションもあります。
私の小さなArduino AIプロジェクトで使用していた例の一つは、例えば信号機の色を検出することでした。カメラがあり、RGB色（赤、緑、青）がありますが、赤いライト、琥珀色のライト、緑のライトの違いを検出しようとしています。
緑のライトを見ている場合、カメラセンサーがたくさんの緑を見ることを期待することは明らかですが、緑の量は他の要因に依存します。カメラの露出、どれだけの光が入ってくるか、昼なのか夜なのか。緑のピクセルの値が255かもしれませんが、128かもしれません。
医療分野での応用
別の例は、心臓からのECG信号を測定することです。これもセンサー、人間に依存します。医学科学者から、その信号の形状がどうあるべきかは分かっていますが、ソフトウェアで手続き的に、ここで上昇エッジ、ここで下降エッジ、その他すべての側面を検出するために微分がどうあるべきかを言うのは非常に困難です。
これらはAIが本当に得意なことですが、心臓に問題を持つ誰もをクラウドに接続することはできません。インターネットがそこにあることに依存することはできません。より多くの帯域幅はより多くの電力を必要とし、より少ない帯域幅は少なくなりますが、十分なデータを取得できるでしょうか？
誰かが心臓の問題を抱えている場合、それをかなり迅速に警告する必要があります。1時間後に分析したことを「今、あなたが気分が良くないと言うことができます」というのでは遅すぎるかもしれません。
AIの限界と課題
パターンマッチングとしてのAI
私にとってのAIの重要なことは、それは本当にパターンマッチングだということです。検出したいパターンを教え、多次元で複雑なパターンを認識するのが非常に得意ですが、課題は残ります。データをどのように取得するか、どのように訓練するか、訓練したデータが誤ったデータであることをどのくらい確信できるか。
誤った学習の例
本当に良い例があります。私がマガジン記事の一つでカバーしたものですが、科学者たちが船や馬を検出するためにAIを訓練していました。船の場合、船を検出するのが本当に得意でしたが、実際にモデルを分析した時、船を全く検出していませんでした。
彼らが構築したのは、海を検出することに優れたAIモデルでした。「船は海を見るたびに関連している、だからそれが船だ」と考えていました。魚が水から飛び出している写真を見せると「ああ、それは船だ」と言います。
もう一つは馬で訓練したものです。馬の写真と馬ではないもののデータがありました。馬のあるすべての写真の問題は、それらの多くに馬を売っているオークショナーや馬の所有者のウォーターマークのようなものがあったことでした。基本的に「ウォーターマークがあれば、それは馬に違いない」と訓練しました。
訓練データの重要性
これが理解すべきことです。データはきれいですか？十分な良い例を与えていますか？「これを見るかもしれませんが、これは確実に私たちが望むものではない」と言うために、十分な非例や間違った例がありますか？
私の心配は、全体のプロセス、エコシステム、挑戦への取り組み方、訓練プロセスの良い理解がなければ、いくつかの良い機会を逃し、あるべき方法で物事を実装できないということです。
電子設計ツールにおけるAI
ChatGPTの制約
電子設計、特に電子設計ツールにおけるAIの役割をどのように認識していますか？
まず言うべきことは、ChatGPTのようなツールが実際に私たちに提供するものについて、まだ非常に注意深くある必要があるということです。私はElectorという貿易雑誌、電子工学雑誌で働いており、私の同僚の一人であるBrianは、実際にChatGPTとそこにある他のAIベースのツールを使用してプロジェクトに取り組みました。
彼は基本的にハノイの塔プロセスからエッグタイマーを作りたかったのです。これらのリングを前後に動かして、機械的なエッグタイマーのようなものでした。
彼の経験では、ChatGPTは非常に良いアプローチを提供し、何が必要かについて非常に明確で、すべてがそのようでした。しかし、そこから出てきたことの一つは、彼がすでに「私は電子エンジニアです。ソフトウェアが非常に得意で、電子工学が非常に得意です。私の挑戦は機械的な側面です」と言っていたにも関わらず、ChatGPTは「ソフトウェアで手伝える、これで手伝える、あれで手伝える」と言い続けました。
視覚化の限界
彼は「それは私が知っている部分ではない。その部分の助けは欲しくない。しかし、それは解決策の一部で、この部分に集中する必要がある」と言いました。そして、機械設計を支援するために図表を作成するツールの視覚化要素も使用しようとしましたが、それは絶対に絶望的でした。ボックスと円と線を描いているだけでした。
アクチュエーター、サーボ、モーター制御、それを行うアルゴリズム、少なくともそれを行うソフトウェアが必要であることは知っていますが、それを視覚的要素に変換するのは絶望的でした。
情報源の不透明性
もう一つの課題は、これらの大規模言語モデルが教えられているソースデータが何かです。これらが公開情報で訓練されていると仮定すると、電子工学業界は、そこにあるすべてのものの小数点以下の割合でなければなりません。
一部の情報は良く、一部は悪いです。私たちはエンジニアとして、すでにGoogleを使用して情報を検索するため、それを知っています。どのような情報を利用しているのでしょうか？
ChatGPTの記憶の問題
また、ChatGPTは質問にどのように答えるかについて非常に曖昧になることがあります。例えば、「私は誰ですか？Stuart Cordingを知っていますか？」という研究を何年にもわたって行っています。
1年前、それは私を知らないと言いましたが、「彼はElectorの著者です」と押したとき、突然記憶が呼び覚まされ「ああ、そうです。Stuart Cordingを知っています。彼はあれこれしています」と言いました。しかし、ChatGPTは私が一度も書いたことのない数冊の本の著者として私を割り当てました。本を書いたことがないからです。
12か月進んで、同じ質問をしました。どうやらChatGPTは私のことを聞いたことがないようです。その会社で働く人だと言っているにも関わらずです。もちろん、1年間で実際により多くのコンテンツを自分の名前で制作しましたが、少なくなりませんでした。
技術的質問での混乱
本当の技術的質問になると、システム用のS11パラメータがあります。私はRFの専門家ではありませんが、それについて何かを書く必要がありました。アイデアは、S11パラメータがどれだけの信号が送信され、どれだけが反射されるかを測定するということです。
それは、アンテナ設計やマイクロ波加熱で非常に重要です。加熱しているものにできるだけ多くのエネルギーを注ぎ、明らかにアンプに押し戻されるものは何もないことを望みます。しかし、再び手がかりはありません。
0dBがエネルギーの良い転送の点であると絶対に確信していますが、antenna-theory.comのようなウェブサイトを見ると、ゼロはすべてが反射される場所だと正反対のことを言っています。質問し返すと、基本的に「はい、0dBにできるだけ近づく必要があります」と答えますが、同じ答えで「0dBは実際に私たちが望む場所ではありません」と言います。
一貫性のない回答
心配なことは、これらの答えに依存し、戻って質問しクエリしても、まだ何を話しているのか分からないようだということです。
炭化ケイ素MOSFETの問題もあります。定期的にベースを許可されているよりもはるかに低く引っ張ると、ベースに負の制限があり、時間をかけてデバイスの構造を破壊し、その特性を長期的に劣化させる可能性があります。
そこで、「バイポーラトランジスタをベース用に与えられた仕様内で動作させることの負の影響は何ですか？」と尋ねました。潜在的な問題の長いリストが出てきますが、基本的に私が聞いたのは「トランジスタを適切に動作させても大丈夫ですか？」で、その答えは「はい、大丈夫です」です。
しかし、なぜそれが悪いかもしれないすべての言い訳を作っています。十分なエンジニアリングの専門知識と背景がなく、ChatGPTに依存し始めると、少し心配になることがあります。
AI活用の将来展望
知識継承の課題解決
AIと電子工学の将来について、クリスタルボールがあったら何が見えますか？
微妙なアプローチが必要だと思います。若いエンジニアが入ってきて、残念ながら年長のエンジニアが業界を離れる中で、そのような状況で膨大な能力があることは明らかです。知識継承をどのように行うか、エンジニアリング組織がその知識をどうにか保持できるようにするか。
また、一部の知識を段階的に廃止する必要もあります。バルブベースのアプリケーションの開発を始めた場合、その知識があったからといって、それは少し問題になるでしょう。
技術評価のバランス
誇大宣伝ツールと誇大宣伝技術を業界改善されたものと対比する必要もあります。例えば、マイクロコントローラーは8ビットから16ビット、32ビットに移行し、今日では誰もが32ビットを使用していますが、トランスピューターのようなものを持ってくる人がいて、その背後に多くの誇大宣伝がありますが、現実は何の成果もなく、実際に使用している技術ではありません。
それを考慮に入れる必要があり、AIツールがそれらのことを考慮することさえ意味があるのか、それとも直ちにテーブルの下に押し込んで、より制御されるべきなのか。
継続的な学習と更新
これらのツールをどのくらいの頻度で訓練する必要がありますか？特定のモデルを思いつき、データで訓練する必要があるかもしれません。どのくらいの頻度で再訓練する必要があるか、古い知識を保持するか、それを廃棄するか。
例えば、磁気に関してどのくらいのイノベーションが起こっているかに驚きました。磁気は19世紀以来、よく理解された現象だと思っていましたが、人々は今日でもその分野でイノベーションを続け、新しいことを行っています。
どのような技術が「それは完全に理解されている、私たちは皆、それが今日の状況だと合意している」と言っているのか、10年間は触れる必要がないが、組織のAI知識ベースを最新に保つために、他のものは毎年または2年ごとに触れる必要があるかもしれません。
情報源の透明性の必要性
私にとって最大の課題は、これらのツールがどこにあろうと、特定の種類の情報をどこで見つけたかのソースを提供することです。ChatGPTは本当に機会を逃したと思います。
最近、スタートアップイベントに参加しましたが、そこでAIツールが提供されており、それはChatGPTベースで、彼らが構築したバックエンドです。組織内にあるすべての情報を供給し、ChatGPTスタイルで質問できます。そのツールは実際に答えと一緒に一連の文書を返してきます。
その文書が実際に何を言ったかを確認し、自分の理解を使って、それが良いソースか悪いソースかを決定できます。データがどのくらいきれいかは分からないからです。
特許とIP問題
知的財産の問題もあります。業界で働き始めた時、特許を取得することは本当に大きな重要なことで、いつか特許を取得できたらとてもクールだと思っていました。しかし、同僚が取得した特許の一部を見始めると、それは文字通り、ADコンバーターや温度センサー用の定電流出力を作る2つの並列トランジスタのようなものです。
それは本当に特許可能ですか？以前に見たことがあり、革新的で新規に見えませんが、これらの標準的な見た目の回路とサブ回路が特許を取得できます。
RF分野での特殊なプロセスや、ベースバンドの構築方法などについて、業界の大手プレイヤー間で誰が特許を持っているかを巡る膨大な戦いを既に見ています。アプリケーションノートや参照設計などで訓練されたこのツールからの応答を善意で取った場合、どうなるでしょうか？
設計の信頼性
参照設計についても知っています。一部の企業は他の企業より優れていますが、参照設計があるからといって、EMCテストを通過できるとは限りません。安全基準に合格するとは限りません。
AIサポートなしでも、確立されたメーカーからの情報にどこまで信頼できるか分からないので、並行してこれらのモデルを訓練することで見る必要があることの一つは、まず、ソースを引用することが大きなことでなければならないということです。
私は多くの人々のためにたくさんのコンテンツを書いているので、Grammarlyをよく使用します。誰かを盗用していないことを確認したいのです。これらの設計ツールでも何らかの盗用ツールを検討する必要があると思います。
Sellersプラットフォームとの適合性
初期の懸念から理解へ
Sellersがこの環境にどのように適合すると思いますか？
数年前に最初に発見した時から、Sellers環境に本当に惹かれたのは何でした。最初は、ほとんどのエンジニアのように、少し不安でした。「ちょっと待って、回路ブロックを提案している。エンジニアとして、そのすべてを行い、何をどのように行うかを誰かに言われたくない」と思いました。
最初は少し不安でしたが、これは新しいものが登場する時のエンジニアの一般的な押し返しだと思います。決定を下し、何かを開発する自律性を奪われるからです。
それをより多く見るにつれて、より理にかなってきました。私のキャリアの初期、研究開発チームで働いていた時期に戻ります。「実際に、これは私たちが常に行ってきた方法です」と言いました。RF回路、アンプ、発振器が必要な場合、第一原理から再び始めるつもりはありません。すでに知っていることを使用し、それを適応させ、修正し、それを通じてまだ仕様を満たすことができることを確認します。
効率的な設計手法
その点で、少し試してみましたが、パワーユーザーではありませんが、回路に温度センシング要素が必要で、アナログでマイクロコントローラーのADコンバーターに接続する必要がある、またはデジタルで電力理由でI2Cを使用することを好むと言うのは非常に賢明だと思います。
それはすべて非常に賢明で、より効率的になり、結果により早く到達する必要があるため、そこに行く必要があると思います。数年前にあったツールと今日追加しているAI要素をマージすることは、間違いなく進むべき道です。
適切な管理の重要性
それが正しく管理される限り、私たちが言ったように、情報のソースについて明確にし、制限が何か、これをどのくらい信頼できるかを知ることで、はるかに多くのことができ、コミュニティ全体がアイデアから製品への進歩でより迅速になることを支援できると思います。
それは不可欠です。今日市場で見ているのは、電子工学が人々の生活に大きな影響を与えることができるということです。成長と生活への影響が見られる最大の分野はヘルスケア、ウェアラブル医療だと思います。
もう一つの大きな進歩が必要な分野はエネルギーです。グリーンエネルギーソリューション、太陽光を電気に変換することなどです。モーターインバーターでより効率的にモーターの電力を変換することなど、電力をより効率的に使用することです。
SiCやGaNが提供する新技術の利点と、変換中の発熱生成を減らし、軽量で小さなソリューションを思いつくために使用できる新しいトポロジーを活用して、これらの分野をより速く前進させる必要があります。
私にとって、知識と情報を共有するのが早ければ早いほど良いのです。会社の秘密でない限り。Sellersとあなたが提供する環境がその一部になることができれば、電子工学とメディカルシステムの将来のエンジニアリングのための本当に強力なプラットフォームだと思います。
将来のエンジニアへのアドバイス
継続的な挑戦の重要性
最後に、視聴している将来の電子エンジニア世代、メーカー、情熱的な人々、Lego Technicを好む10代の若者へのアドバイスは何ですか？
最も重要なことは、それを続けること、物事を試し続けること、何かがうまくいかない時にあきらめないことです。また、可能な限り人々とネットワークすることだと思います。
エンジニアとして、私たちは少し引っ込み思案になる傾向があります。私はおそらく少し型破りで、人々にアプローチし話すことに対してより表現力豊かな人間ですが、グループ環境などでのエンジニアリング人材の通常の期待ではありません。少し引っ込み思案で静かになる傾向があります。
実践的な経験の価値
子供の頃、13歳か14歳の時、例えばイースター休暇に1週間BBCで働くなど、配置をしに行っていました。以前に言ったように、父と建設現場に行き、エンジニアリングがどのように起こるか、これらの電気システムがどのように構築されるかを見ていました。
本当にエキサイティングで興味深いと感じるなら、そこに出て行き、可能な限り学び、人々と話し、彼らが何をしているかを見つけることが必要です。
コミュニティとしての責任
エンジニアリングコミュニティとして、もっと多くのことをする必要があると思います。大学でのSTEMに関する人々の努力を本当に感謝しています。もっと多くのことをする必要があり、それが私の残りのキャリアの個人的使命の一部です。
今日来ることを非常に熱心だったのは、人々が振り返って「それについてもっと教えて、それは本当に何ですか？」と言える人になりたいからです。主流メディアは多くのことを見落とし、これは悪い、あれは良いと非常に白黒はっきりしています。エンジニアリングでは常にトレードオフがあります。
今日は80%これと20%あれで、それが私たちができる最善です。5年か10年後には、それが間違った方法か最適でない方法かもしれません。
具体的な学習提案
それを続け、プログラミング言語を学んでください。PCでも組み込みシステムでも。ArduinoとRaspberry Pi、BBC microbitなどは、特に若い子供たちのために本当に大きな違いを作りました。プログラミング環境としてScratchは本当に良いと思います。
それ以外に、楽しむことをやって、プログラミング言語としてRustも見てみてください。そこにも大きな未来があると思います。
連絡先情報
フォローしたい場合、どこで見つけることができますか？
最も簡単なのは、私の名前をインターネットに入力することです。Googleで検索すると、すぐに出てきます。ビジネス環境ではLinkedInが良い場所です。XではStuart Cordingとして、InstagramでもStuart.cordingとして活動していると思います。
そこで簡単に見つけることができますし、私が書いた記事についてはElectorウェブサイトでも検索してください。
素晴らしい、ありがとうございました。視聴者の皆さん、ポッドキャストを聞いてくださったり見てくださったりして、ありがとうございました。次回のセッションでお会いしましょう。バイバイ！
コメント