新一代AI自组织机器学习介绍

长久以来“人机对战”一直被公认为用于衡量人工智能进步程度的重要途径之一。2016年随着AlphaGo战胜全人类棋手，使世界为之震惊，历史上从来没有过，对于一个技术投入了世界上如此巨大的资源。

国际大的IT公司利用这个契机，为了牟取暴利，取得世界人工智能的发展主导权，极力宣传“深度学习模型”，把“深度学习模型”神化，同时又抛出了各种类型的“深度学习模型”的开源程序，以及大型GPU服务器。

在这种势力的推动下，我国年轻的人工智能研究者只能在开源程序下研究，不了解“深度学习模型”的所以然，因此，受害匪浅。

其实，“深度学习模型”，存在着训练不可能得到最佳解，作为补救措施的SGD也只能得到局部最佳解。因此“深度学习模型”不可解决黑箱问题，因此不可用于工业控制等场所。再加上属于大模型解决小任务，投入产出不对称等等原因，最终被“深度学习模型”的发明者英国的Hinton教授宣告旧的“深度学习模型”的终结。

在此之后，开启了新一代人工智能的时代。一个经过20多年的声音识别，图像识别检验的，引领新一代人工智能发展的自组织机器学习Self-Organization Learning（SOL），在2018年北京世界机器人大会的新一代人工智能创新专题论坛上正式发布。

自组织机器学习的原理是，首先立足于一个最大概率的尺度，可以产生最大概率的空间，在最大概率空间又可以生成新的最大概率尺度,依次迭代；最终可以获得超越统计学公式化的最大概率的解，以及最大概率的空间范围，并可以把目标函数的最大概率的分布信息获得。这样的三个结果，几乎是我们遇到的所有目标函数都希望获得的，例如在图像识别上，希望得到最大概率的特征抽出，最大概率的图像识别结果等等，因此可作为普遍应用的机器学习模型。

自组织机器学习的特点还有，可以自律的朝着大概率的方向迁移，最终可以越过小概率的扰动的阻挡，最终在最大概率的区域上停止，因此自组织机器学习概念清楚，透明性强，可做到不管遇到什么状况，都具有可分析性。

再有自组织机器学习还具有模仿人眼神经网络机能的特点，人眼在反复的看到一个物体时，其图像是没有任何变化的，但是通过光电识读若干次得到的图像差别很大，自组织机器学习的出现，使人们搞清了人眼的神经网络的机理，人的眼神经是在概率空间上观察物体的，所获的的信息是最大概率的信息，在最大概率空间中所得到的信息是一样的，所以最大概率的尺度就是人眼神经网络的阀值，所以采用自组织机器学习，可以获得同人眼近似的图像识别效果。

自组织机器学习是属于小数据的无监督机器学习，无须训练也可以工作，5－10次以上的训练就足可以满足使用要求。不需要大数据的人工标注，降低了应用成本。

自组织机器学习处理效率高，可以降低计算复杂度，根据应用的规模，可以小到手机，或一个CPU，大到GPU大型服务器，都可以高效率的导入自组织机器学习。特别是自组织机器学习可以解决几乎所有IT领域的问题，因此可以通过无穷多的自组织机器学习搭建出具有超出人们想象的功能的巨型人工智能系统。

早在2016年，通过自组织及其学习连接成具有三层节点的新型神经网络诞生了。新型神经网络有感知层，神经层以及脑皮层，与生物神经结构吻合。感知层与神经层之间的节点之间连接着自组织机器学习，随着处理对象的复杂性，多样性等的应用要求，感知层与神经层的节点可以无限延伸，但是计算复杂度不变，不会因为系统的处理功能的提高而降低计算的效率，这是一般系统很难达到的系统结构。

由自组织机器学习应用于自动驾驶应用中，显示出独特的威力。针对目前自动驾驶控制的空前的复杂性，几乎成为NP控制问题，是通过传统控制方法无法解决自动驾驶系统的所有可能的控制。利用自组织机器学习搭建的人工智能系统，参与到自动驾驶的控制系统中，通过机器向人学习，机器的意识决定等可以使自动驾驶系统突破L3级，成为完全可以摆脱人的操作的新型自动驾驶系统。

自组织机器学习代表了新一代的人工智能，可以被广泛应用，并将使所有的应用领域发生颠覆性的改变。自组织机器学习可以引发新的工业革命的产生，可以实现人们不可想像的应用效果，可以大大加快机器代替人的社会发展步伐，可以让奋战在人工智能研究和应用领域中的每一位专家、学者和工程技术人员在本次人工智能的高潮中都有建功立业的机会。

在过去的时光里，人工智能广受行业关注，未来也会引起全球对于人工智能行业的关注。