縱觀本次人工智能高潮的技術進步與發展

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進步所起的作用？這是一個令人關注的議題。

本次人工智能的主流算法深度學習盡管從一開始被業界頂禮膜拜，后來又遭到很多的非議！但是，應該肯定原始的神經網絡的算法幾經被否定，發展到今天的深度學習確立了不可替代的應用效果，應該載入人工智能的史冊。

深度學習算法是建立在歐幾里德空間中的數據訓練的，為實現統計學的效果，一定要依賴于大數據的訓練，這是深度學習算法的短板，但是這也有它的優點。歐幾里德空間的數據是一個一個獨立的，通過卷積神經網路可以任意的映射到不同的輸出位置，通過反復的誤差修正的訓練，可以把例如屬于狗的數據放在一個類，把屬于貓的數據放在令一類，因此可以實現最佳的分類結果。

在識別狗的圖像時，按照統計學的“隨大流兒”的原理，狗的數據仍然會被映射到狗的數據類中，而不會映射到貓的數據類中，這樣機器就很容易識別出這個圖像是狗。這就告訴我們深度學習模型可以讓不同類別的數據任意擴大他們之間的間隔，以防止誤識別。這就是為什么深度學習會比傳統的機器學習算法應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，工業控制等領域中，更需要導入人工智能技術，這就是深度學習的大數據大模型的短板，產品的價格限制了這種模型的導入。

一種小數據小硬件的自律學習（Self-Discipline Learning，SDL）模型應運而生，SDL模型既然是小數據小模型會讓人擔心性能是否能滿足應用的需要？通過我們在自動駕駛的光學感知上的開發深有體會，應用效果的好與壞不一定依賴于數據的大小，硬件模型的規模。

那么如何保證小數據小模型的應用效果的突出體現？從SDL模型的三大優勢就可以找到答案。

SDL模型具有三個優勢：

第一個優勢是：可實現訓練數據聚集在概率空間，小數據的訓練可以產生大數據的效果。

我們發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解，成為接近統計學所稱的“母體”的最大概率的解。由此產生的最大概率值，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性的問題。

我們日常所遇到的數據是從確定性的歐幾里德空間，發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。在數學界還在為不能統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據與訓練后的最大概率空間中的數據之間的尺度，成為可跨越不同空間之間的數據自律聚類算法。通過SDL模型所進行的小數據的訓練，所形成的最大概率空間卻可以包容大數據的效果。因此，SDL模型也是一個高效率的機器學習模型。

第二個優勢是：通過Kernel函數實現最大概率空間的高維平面聚類。高維空間的數據是極其復雜的，往往在低維空間是完全重合在一起的，SDL模型結合Kernel函數可以獲得高維平面的分類效果。這是小數據小硬件的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用效果的重要成果。

第三個優勢是：SDL模型融合深度學習的精華可以獲得超越深度學習的應用效果。

通過我們團隊日以繼夜的奮戰，打開了深度學習的黑箱，找到了真正讓深度學習產生應用效果的根源，我們結合深度學習在特征抽出，卷積神經網絡的訓練是深度學習對應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SDL模型的小數據訓練以及高斯分布模型的效果，同時也可體現深度學習的函數映射模型的特點。

經過多年的努力，我們從底層到應用完成了一個適合于嵌入式系統的機器學習模型的全新的提案，對于在家電，工業控制等領域必將會得到廣泛的應用。

在我們搞自動駕駛的過程中，針對自動駕駛在復雜的道路上行駛，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，這就是自動駕駛領域中的圖靈機不可解的NP問題。由于我們在很早的時候為解決大規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。在這個成果的基礎上經過努力研究，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，導入智能AI模型，做出可以超越ChatGPT所使用的強化學習模型的效果，搞出離線的特定場景的智能AI的ChatBot系統。

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