縱觀本次人工智能高潮的技術(shù)進(jìn)步與發(fā)展

人類史無前例的如此牽動(dòng)整個(gè)社會(huì)，而且又如此投入了巨大財(cái)富的第三次人工智能高潮即將落下帷幕，在此，如何評(píng)價(jià)本次高潮對(duì)社會(huì)乃至對(duì)科學(xué)進(jìn)步所起的作用？這是一個(gè)令人關(guān)注的議題。

本次人工智能的主流算法深度學(xué)習(xí)盡管從一開始被業(yè)界頂禮膜拜，后來又遭到很多的非議！但是，應(yīng)該肯定原始的神經(jīng)網(wǎng)絡(luò)的算法幾經(jīng)被否定，發(fā)展到今天的深度學(xué)習(xí)確立了不可替代的應(yīng)用效果，應(yīng)該載入人工智能的史冊(cè)。

深度學(xué)習(xí)算法是建立在歐幾里德空間中的數(shù)據(jù)訓(xùn)練的，為實(shí)現(xiàn)統(tǒng)計(jì)學(xué)的效果，一定要依賴于大數(shù)據(jù)的訓(xùn)練，這是深度學(xué)習(xí)算法的短板，但是這也有它的優(yōu)點(diǎn)。歐幾里德空間的數(shù)據(jù)是一個(gè)一個(gè)獨(dú)立的，通過卷積神經(jīng)網(wǎng)路可以任意的映射到不同的輸出位置，通過反復(fù)的誤差修正的訓(xùn)練，可以把例如屬于狗的數(shù)據(jù)放在一個(gè)類，把屬于貓的數(shù)據(jù)放在令一類，因此可以實(shí)現(xiàn)最佳的分類結(jié)果。

在識(shí)別狗的圖像時(shí)，按照統(tǒng)計(jì)學(xué)的“隨大流兒”的原理，狗的數(shù)據(jù)仍然會(huì)被映射到狗的數(shù)據(jù)類中，而不會(huì)映射到貓的數(shù)據(jù)類中，這樣機(jī)器就很容易識(shí)別出這個(gè)圖像是狗。這就告訴我們深度學(xué)習(xí)模型可以讓不同類別的數(shù)據(jù)任意擴(kuò)大他們之間的間隔，以防止誤識(shí)別。這就是為什么深度學(xué)習(xí)會(huì)比傳統(tǒng)的機(jī)器學(xué)習(xí)算法應(yīng)用效果好的根本原因，并不是什么其他理論所起到的作用。

但是，在日常的家電，工業(yè)控制等領(lǐng)域中，更需要導(dǎo)入人工智能技術(shù)，這就是深度學(xué)習(xí)的大數(shù)據(jù)大模型的短板，產(chǎn)品的價(jià)格限制了這種模型的導(dǎo)入。

一種小數(shù)據(jù)小硬件的自律學(xué)習(xí)（Self-Discipline Learning，SDL）模型應(yīng)運(yùn)而生，SDL模型既然是小數(shù)據(jù)小模型會(huì)讓人擔(dān)心性能是否能滿足應(yīng)用的需要？通過我們?cè)谧詣?dòng)駕駛的光學(xué)感知上的開發(fā)深有體會(huì)，應(yīng)用效果的好與壞不一定依賴于數(shù)據(jù)的大小，硬件模型的規(guī)模。

那么如何保證小數(shù)據(jù)小模型的應(yīng)用效果的突出體現(xiàn)？從SDL模型的三大優(yōu)勢(shì)就可以找到答案。

SDL模型具有三個(gè)優(yōu)勢(shì)：

第一個(gè)優(yōu)勢(shì)是：可實(shí)現(xiàn)訓(xùn)練數(shù)據(jù)聚集在概率空間，小數(shù)據(jù)的訓(xùn)練可以產(chǎn)生大數(shù)據(jù)的效果。

我們發(fā)明的概率尺度自組織的算法可以讓高斯分布的觀察值的最優(yōu)解，成為接近統(tǒng)計(jì)學(xué)所稱的“母體”的最大概率的解。由此產(chǎn)生的最大概率值，最大概率尺度，以及最大概率空間，這是全新的最佳化理論，最適合于解決人工智能中的隨機(jī)性的問題。

我們?nèi)粘Ｋ龅降臄?shù)據(jù)是從確定性的歐幾里德空間，發(fā)展到了不確定的概率空間，解決這兩個(gè)空間的距離問題勢(shì)在必行。在數(shù)學(xué)界還在為不能統(tǒng)一歐幾里得空間與概率空間的距離問題而煩惱時(shí)，我們已做到可以在工程應(yīng)用上，可以通過公式直接計(jì)算這個(gè)不同空間之間的距離，被用到SDL模型中計(jì)算歐幾里得空間的數(shù)據(jù)與訓(xùn)練后的最大概率空間中的數(shù)據(jù)之間的尺度，成為可跨越不同空間之間的數(shù)據(jù)自律聚類算法。通過SDL模型所進(jìn)行的小數(shù)據(jù)的訓(xùn)練，所形成的最大概率空間卻可以包容大數(shù)據(jù)的效果。因此，SDL模型也是一個(gè)高效率的機(jī)器學(xué)習(xí)模型。

第二個(gè)優(yōu)勢(shì)是：通過Kernel函數(shù)實(shí)現(xiàn)最大概率空間的高維平面聚類。高維空間的數(shù)據(jù)是極其復(fù)雜的，往往在低維空間是完全重合在一起的，SDL模型結(jié)合Kernel函數(shù)可以獲得高維平面的分類效果。這是小數(shù)據(jù)小硬件的SDL模型，通過算法可以獲得僅僅是低維空間分類的大模型的應(yīng)用效果的重要成果。

第三個(gè)優(yōu)勢(shì)是：SDL模型融合深度學(xué)習(xí)的精華可以獲得超越深度學(xué)習(xí)的應(yīng)用效果。

通過我們團(tuán)隊(duì)日以繼夜的奮戰(zhàn)，打開了深度學(xué)習(xí)的黑箱，找到了真正讓深度學(xué)習(xí)產(chǎn)生應(yīng)用效果的根源，我們結(jié)合深度學(xué)習(xí)在特征抽出，卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是深度學(xué)習(xí)對(duì)應(yīng)用效果起到重要作用的部分，同我們的SDL模型嫁接，既可以體現(xiàn)SDL模型的小數(shù)據(jù)訓(xùn)練以及高斯分布模型的效果，同時(shí)也可體現(xiàn)深度學(xué)習(xí)的函數(shù)映射模型的特點(diǎn)。

經(jīng)過多年的努力，我們從底層到應(yīng)用完成了一個(gè)適合于嵌入式系統(tǒng)的機(jī)器學(xué)習(xí)模型的全新的提案，對(duì)于在家電，工業(yè)控制等領(lǐng)域必將會(huì)得到廣泛的應(yīng)用。

在我們搞自動(dòng)駕駛的過程中，針對(duì)自動(dòng)駕駛在復(fù)雜的道路上行駛，要想獲得L4級(jí)別以上的自動(dòng)駕駛效果，至少是40個(gè)要素以上的組合，這就是自動(dòng)駕駛領(lǐng)域中的圖靈機(jī)不可解的NP問題。由于我們?cè)诤茉绲臅r(shí)候?yàn)榻鉀Q大規(guī)模集成電路的最小面積的模塊組合，最短接線長的組合問題上就提出過一個(gè)可以繞開集成電路領(lǐng)域的NP問題，可獲得了集成電路的最佳化組合的算法。在這個(gè)成果的基礎(chǔ)上經(jīng)過努力研究，我們提出了一個(gè)可以讓L4級(jí)別的自動(dòng)駕駛真正落地的算法，今后的自動(dòng)駕駛在也不需要GPS，不需要高清地圖，不需要對(duì)路況事先訓(xùn)練，可以如同人那樣自如的在各種不特定的道路上行駛，這就是特斯拉的創(chuàng)始人馬斯克所希望的智能AI的自動(dòng)駕駛。

目前，我們也在同美國的人工智能的著名的Cole實(shí)驗(yàn)室共同研究，導(dǎo)入智能AI模型，做出可以超越ChatGPT所使用的強(qiáng)化學(xué)習(xí)模型的效果，搞出離線的特定場景的智能AI的ChatBot系統(tǒng)。

我們?cè)谌斯ぶ悄芩惴ǖ拇蟮郎霞柴?，已?jīng)窺見到人工智能未來的憧憬，倍感任重而道遠(yuǎn)。