“超深度學習”創(chuàng)造新一代人工智能的核心理論（一）

新一代人工智能超深度學習（Super Deep Learning SDL）的創(chuàng)新發(fā)展歷程是：早在1991年到1993年，伴隨著大規(guī)模集成電路極速發(fā)展的時期，大規(guī)模集成電路的最小面積，最短配線長度，同時還要考慮電氣特性的多目的最佳化解的獲得，成為當時科學技術(shù)領(lǐng)域中最為關(guān)注的課題。在那個時代，由美國學界提出的導入“熵”的理論解決最佳化組合問題，這一理論一時也被世界期待。但是，這個算法同目前深度學習相仿，計算復(fù)雜度極高。即使一個最簡單的電路的計算，要花費若干天。面對被世界推崇的理論，我們大膽提出“模糊事件概率測度”理論，通過用模糊事件概率測度判斷組合結(jié)果的價值，獲得了可以快速進行大規(guī)模集成電路的最短配線長，最小面積以及電氣特性的多目的組合最佳化的解決方法。

其實，當今的深度學習中的“訓練”，由于神經(jīng)網(wǎng)絡(luò)之間不像大規(guī)模集成電路具有模塊之間的連接關(guān)系，也不像圍棋具有規(guī)則，可以建立棋子之間的連接關(guān)系，作為不具有連接關(guān)系的神經(jīng)網(wǎng)絡(luò)從組合理論看，就是需要窮舉法才可以獲得最佳訓練結(jié)果，黑箱問題的出現(xiàn)，其原因就是神經(jīng)網(wǎng)絡(luò)的訓練沒有獲得最佳解所造成的。

1994年到1999年，由于已經(jīng)知道傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)的致命問題，為了同當時的神經(jīng)網(wǎng)絡(luò)對抗，我們創(chuàng)建了“概率尺度自組織”的無監(jiān)督機器學習理論。在長期的聲音識別，手寫文字識別，圖像識別等模式識別領(lǐng)域中進行了大量的應(yīng)用，證明了概率尺度自組織機器學習理論的特殊的應(yīng)用效果。

2000年到2014年，國際上個人信息法的制定，成為社會關(guān)注的焦點。由于當時個人信息的67%是通過紙介質(zhì)文檔流失的，為此我們在國際上提出了新的代碼符號信息記錄的方法，由此具有隱形結(jié)構(gòu)的第三代條碼網(wǎng)屏編碼誕生了，可以在A4的一張紙上埋入一本小說的信息備受業(yè)界的關(guān)注。在這十幾年中針對Google眼鏡，我們還提出了，可以把任何圖像直接通過概率尺度自組織的機器學習的手法，變換成不到十個字節(jié)的1036的代碼，就可以把任何圖像作為網(wǎng)絡(luò)入口，引導從網(wǎng)絡(luò)上下載各種文件，即ITC（Image To Code）理論，顛覆了當今流行的AR技術(shù)。在這期間，我們還提出可以統(tǒng)一歐幾里德空間與概率空間的距離公式。

2014年到2016年我們將概率尺度自組織同神經(jīng)網(wǎng)絡(luò)理論結(jié)合，提出了分散機器學習的“超深度學習”理論，為人工智能的全面普及應(yīng)用給予了理論支持。我們是經(jīng)歷過上一個人工智能的研究的人，對于當今火熱的AI熱潮，親身感到上一個人工智能的特點是知識庫，其突出的成果是日本成功的實現(xiàn)了有軌電車的自動駕駛，由此在控制理論上產(chǎn)生了模糊控制的新理論。本次人工智能的特點就是機器學習，相信本次人工智能高潮的代表性成果一定是自動駕駛汽車。因為機器學習可以把人的知識以概率分布的形式進行記述，大大的簡化了知識庫的形式，面對復(fù)雜的自動駕駛汽車，機器學習可以將人的知識變成機器的智慧，使復(fù)雜的控制簡化。知識庫只能記述宏觀知識，機器學習在自動駕駛汽車中不僅可以高效率的學習人的宏觀知識，還可以學習微觀知識，一個以機器學習理論為核心的“機智獲得”的新的自動控制理論將展現(xiàn)在我們面前。