來源：電子產(chǎn)品世界

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

本文引用地址：

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,。

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,，為實現(xiàn)統(tǒng)計學(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。歐幾里德空間的數(shù)據(jù)是一個一個獨立的,，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)放在一個類,，把屬于貓的數(shù)據(jù)放在令一類,，因此可以實現(xiàn)最佳的分類結(jié)果。

在識別狗的圖像時,，按照統(tǒng)計學(xué)的“隨大流兒”的原理,，狗的數(shù)據(jù)仍然會被映射到狗的數(shù)據(jù)類中，而不會映射到貓的數(shù)據(jù)類中,，這樣機(jī)器就很容易識別出這個圖像是狗,。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，以防止誤識別,。這就是為什么深度學(xué)習(xí)會比傳統(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)小模型會讓人擔(dān)心性能是否能滿足應(yīng)用的需要？通過我們在自動駕駛的光學(xué)感知上的開發(fā)深有體會,，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)勢就可以找到答案,。

SDL模型具有三個優(yōu)勢：

第一個優(yōu)勢是：可實現(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,，解決這兩個空間的距離問題勢在必行,。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，我們已做到可以在工程應(yīng)用上,，可以通過公式直接計算這個不同空間之間的距離,，被用到SDL模型中計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模型也是一個高效率的機(jī)器學(xué)習(xí)模型,。

第二個優(yōu)勢是：通過Kernel函數(shù)實現(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,。

第三個優(yōu)勢是：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,，同時也可體現(xiàn)深度學(xué)習(xí)的函數(shù)映射模型的特點,。

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

在我們搞自動駕駛的過程中，針對自動駕駛在復(fù)雜的道路上行駛,，要想獲得L4級別以上的自動駕駛效果,，至少是40個要素以上的組合，這就是自動駕駛領(lǐng)域中的圖靈機(jī)不可解的NP問題,。由于我們在很早的時候為解決大規(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,。在這個成果的基礎(chǔ)上經(jīng)過努力研究,，我們提出了一個可以讓L4級別的自動駕駛真正落地的算法，今后的自動駕駛在也不需要GPS,，不需要高清地圖,，不需要對路況事先訓(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的自動駕駛,。

目前，我們也在同美國的人工智能的著名的Cole實驗室共同研究,，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),。

我們在人工智能算法的大道上疾駛,，已經(jīng)窺見到人工智能未來的憧憬，倍感任重而道遠(yuǎn),。