“超深度学习”创造新一代人工智能的核心理论（一）

新一代人工智能超深度学习（Super Deep Learning SDL）的创新发展历程是：早在1991年到1993年，伴随着大规模集成电路极速发展的时期，大规模集成电路的最小面积，最短配线长度，同时还要考虑电气特性的多目的最佳化解的获得，成为当时科学技术领域中最为关注的课题。在那个时代，由美国学界提出的导入“熵”的理论解决最佳化组合问题，这一理论一时也被世界期待。但是，这个算法同目前深度学习相仿，计算复杂度极高。即使一个最简单的电路的计算，要花费若干天。面对被世界推崇的理论，我们大胆提出“模糊事件概率测度”理论，通过用模糊事件概率测度判断组合结果的价值，获得了可以快速进行大规模集成电路的最短配线长，最小面积以及电气特性的多目的组合最佳化的解决方法。

其实，当今的深度学习中的“训练”，由于神经网络之间不像大规模集成电路具有模块之间的连接关系，也不像围棋具有规则，可以建立棋子之间的连接关系，作为不具有连接关系的神经网络从组合理论看，就是需要穷举法才可以获得最佳训练结果，黑箱问题的出现，其原因就是神经网络的训练没有获得最佳解所造成的。

1994年到1999年，由于已经知道传统的神经网络的致命问题，为了同当时的神经网络对抗，我们创建了“概率尺度自组织”的无监督机器学习理论。在长期的声音识别，手写文字识别，图像识别等模式识别领域中进行了大量的应用，证明了概率尺度自组织机器学习理论的特殊的应用效果。

2000年到2014年，国际上个人信息法的制定，成为社会关注的焦点。由于当时个人信息的67%是通过纸介质文档流失的，为此我们在国际上提出了新的代码符号信息记录的方法，由此具有隐形结构的第三代条码网屏编码诞生了，可以在A4的一张纸上埋入一本小说的信息备受业界的关注。在这十几年中针对Google眼镜，我们还提出了，可以把任何图像直接通过概率尺度自组织的机器学习的手法，变换成不到十个字节的1036的代码，就可以把任何图像作为网络入口，引导从网络上下载各种文件，即ITC（Image To Code）理论，颠覆了当今流行的AR技术。在这期间，我们还提出可以统一欧几里德空间与概率空间的距离公式。

2014年到2016年我们将概率尺度自组织同神经网络理论结合，提出了分散机器学习的“超深度学习”理论，为人工智能的全面普及应用给予了理论支持。我们是经历过上一个人工智能的研究的人，对于当今火热的AI热潮，亲身感到上一个人工智能的特点是知识库，其突出的成果是日本成功的实现了有轨电车的自动驾驶，由此在控制理论上产生了模糊控制的新理论。本次人工智能的特点就是机器学习，相信本次人工智能高潮的代表性成果一定是自动驾驶汽车。因为机器学习可以把人的知识以概率分布的形式进行记述，大大的简化了知识库的形式，面对复杂的自动驾驶汽车，机器学习可以将人的知识变成机器的智慧，使复杂的控制简化。知识库只能记述宏观知识，机器学习在自动驾驶汽车中不仅可以高效率的学习人的宏观知识，还可以学习微观知识，一个以机器学习理论为核心的“机智获得”的新的自动控制理论将展现在我们面前。