新闻中心

EEPW首页 > 智能计算 > 业界动态 > “超深度学习”创造新一代人工智能的核心理论(二)

“超深度学习”创造新一代人工智能的核心理论(二)

作者:顾泽苍,株式会社阿波罗日本 首席科学家(中国籍)时间:2021-08-24来源:电子产品世界收藏

当今,自动驾驶的发展成为国际关注的重要领域,也是国家人工智能战略的主要竞争焦点。本次人工智能高潮初期对于深度学习的过分宣传,给业界带来了认知混乱。在自动驾驶的研制发展过程中才使人们逐渐清醒。特斯拉刚刚推出自动驾驶的产品不到一年,接踵出现的自动驾驶的恶性事故,几乎都是因为深度学习的图像识别的问题造成,使一向豪情满怀的马斯克也提出“学术界没有将AI变成真正的智能”。所以实现真正的自动驾驶很难,其产业化落地,一定要依靠新一代人工智能。

本文引用地址:http://www.eepw.com.cn/article/202108/427765.htm

但是,在当今盲目推崇深度学习的人工智能时代,人们不禁要问:新一代人工智能是否是可望不可求的吗?回答是否定的!从人工智能的发展历史来看,人工智能的定义是把人类的智慧授予机器,让机器胜任人的工作。所以能把人的智慧让机器深度理解的模型是实现机器意识让机器聪明起来,这是人工智能的通用模型,也是新一代人工智能的核心理论。

自动驾驶是由感知,决策与控制三部分组成的,在感知上包括谷歌,特斯拉这样的国际公司,也只能用深度学习作为感知的核心算法,进行图像识别。深度学习是统计学的模型,在进行图像识别时只看目标,不对目标周围环境的识别,不可能做到百分之百的识别率。比如识别停车线,深度学习做不到百分之百的精度,这就意味着自动驾驶可能会闯红灯。但是只要利用人是如何判断停车线的智慧所构成的数学公式来识别停车线,可以得到百分之百的识别率。

再有,在识别自动驾驶汽车前方远距离的障碍物图像时,完全可以淘汰繁琐的大量图像的标注的深度学习的方法,只需要若干个可以表达人对目标障碍物的识别方法的数学公式,就可以百分之百的识别目标,这是深度学习所达不到的效果。

在自动驾驶的决策上是目前自动驾驶业界的难题,因为正确的决策用传统的技术是回避不掉NP问题,也就是说不可能解决所有路况下的自动驾驶的决策。谷歌用了10年路侧距离可以绕地球一圈半,也没有让自动驾驶落地,这就是被NP问题所困扰。所以用大量的路测来解决自动驾驶的落地问题是违反科学依据的。这里把人在驾驶汽车时针对不同路况的判断的智慧,让机器深度理解后很容易的就可以绕开目前所面对的自动驾驶的决策的NP问题。

在自动驾驶的控制上目前几乎所有的自动驾驶开发团队都是采用传统的控制方法。传统的控制方法依赖于边界条件,在自动驾驶过程中需要应对各种路况,需要临时改变控制状态,这对传统的控制理论是最难应对的问题。用新一代人工智能,依赖于人的驾驶智慧所形成的自动驾驶的控制系统就可以解决这些难题。

总之,自动驾驶的竞争的结果是由能否掌握了新一代人工智能的所决定。采用目前不智能的AI所研发出的自动驾驶必然会被淘汰,导入新一代人工智能,一定可以创造出超越人的驾驶IQ的自动驾驶,这才是可以在产业上落地的自动驾驶。

经过数十年,我们在人工智能领域的不懈努力所创造出的新一代人工智能超深度学习(Super Deeplearning SDL)模型(这是处于对主流算法的对抗所起的名字,在学术上可称为:“自律学习(Self-Discipline Learning SDL)模型),这个模型的基础理论是高斯过程理论、模糊集合理论、以及贝叶斯网络理论等现代数学所支持的。SDL模型所以可以起到超越传统模型的作用,就是以人的处理问题的方法通过数学模型使机器可以掌握,将人的智慧让机器深度理解,从而让机器作出超越人的能力的工作。这就是新一代人工智能的核心理论,掌握了这个真谛每一位奋战在人工智能一线的工程技术人员都可以在各条战线上,在各种IT产品上成为创造人工智能奇迹的人物。

SDL模型以小数据,小模型可以承载大任务为特点,特别是没有黑箱问题,可以在包括工业控制在内的所有的IT产品中使用,是人工智能大普及的重要的创新算法。目前SDL模型在自动驾驶的感知,决策以及控制中发挥了人工智能的真正智能作用,显现出名符其实的超越深度学习的能力与应用效果。但是在类似目标检测等方面的需要上百层以上的神经网络上的对抗,SDL算法还在继续发展研究之中。

审核:王怡然


关键词:

评论


相关推荐

技术专区

关闭