原创AI新算法者感言

目前，中国已成为人工智能的应用大国，但占人工智能算法主流的还是外国的深度学习算法，没有中国自主知识产权的人工智能通用算法在广泛使用。许多专家和技术人员为填补人工智能通用算法的空白，在国内体制外非常不近人意的创新环境中，克服种种困难，多年顽强拼搏在研制原创人工智能通用算法。其中，中国嵌入式系统产业联盟理事、天津阿波罗信息技术有限公司和阿波罗株式会社首席科学家顾泽苍博士（中国籍）发明的自律学习SDL算法脱颖而出，经四年的实践，在自动驾驶、医疗社备、工业控制和在计算机应用最广泛的嵌入式系统上都取得骄人的成果，证明了已具有超越先天就有不可克服的缺陷的深度学习算法的技术特征。

虽然，国内还在独宠深度学习算法，但深度学习算法在应用中因其缺陷显现的严重问题，让专家们束手无策、让用户们非常失望。深度学习算法遇到的应用天花板，让越来越多的专家、技术人员逐渐改变对深度学习的盲目崇拜，开始寻找和关注新的人工智能算法。这给顾博士发明的自律学习SDL算法等国内研制的人工智能通用算法带来摆脱长期受深度学习算法的桎梏快速发展的机遇。

近日，顾博士满怀信心地在微信群里发表如下感言：

从四年前开始我们始终本着矫枉过正对深度学习展开了批评，当时，并不是认为深度学习毫无益处，客观的评判应该是功大于过！我们是看到当时的社会气氛，不管多有名的专家学者都不加思索的盲目的追捧深度学习，都不知深度学习的黑箱问题是什么？都相信深度学习不可解释，甚至把非线性隐藏层的作用神化，今天我们打开黑箱后，把深度学习的机理完全搞清，把人们崇拜的占据最大算力的非线性隐藏层拿去，融合了自律学习SDL模型，深度学习从此摆脱了黑想问题，摆脱了占用算力问题，以及摆脱了不可解释问题，必将成为可以在任何IT产品上导入AI模型的应用技术，必将成为当今的最强大的机器学习模型！

附：自律学习SDL的特征

自律学习（Self-Discipline Learning SDL）模型其实就是人工智能领域所期待的机器学习模型（自律学习SDL初期曾称过超深度学习、自组织学习）。这种模型之所以强大是因为具有四个特殊的技术特征。

第一个技术特征是能让机器模仿人来处理自动驾驶的识别，机器推理，以及自动驾驶的控制问题的算法。

构成自律学习SDL模型的其中一个核心的算法是“概率尺度自组织”，这是一个既简单又实用的自律学习的算法。“概率尺度自组织”的迭代过程是在高斯分布的任何的初始空间里，逐步朝着最大的概率空间迁移，并最终在最大概率空间里收敛的过程。我们的自动驾驶的三维图像识别就是用了这么简单的算法，自动驾驶所遇到的任何障碍物，在三维空间里是一个密度很大的物体，也就是概率分布最大的空间，利用概率尺度自组织的迁移特性，不管障碍物在什么地方，都可以被算法直接抓住，这种图像识别不需要事先训练图像，不需要特征抽出，彻底避免了深度学习对障碍物与背景不好分离，造成把白色车厢看成是云而酿成恶性事故的发生。

使用我们发明的概率尺度自组织以及概率空间距离公式，以概率空间为中心的自律聚类这一新的机器学习的发明其先进性，在美国获得的发明专利中被肯定，这也是构成了SDL模型的第二个技术特征。

利用SDL模型可以最佳的最高效率的自律聚类的特点，再加上把SDL模型与卷积核与反向传播技术的融合，甩掉人工神经网络，使小数据小模型的SDL模型的能力超越一般的深度学习，这就是自律学习SDL模型的第三个技术特征。

自律学习SDL模型的第四个技术特征就是：利用自律学习的聚类结构简单以及可分析性的特点，可以方便的融合其他技术。为了解决深度学习还很难解决的针对不同类的数据在低维空间混合在一起不可分问题，引用核函数（Kernel Function）理论，把数据映射到高维空间，使不可分离的数据利用高维空间的超平面就可以分离的技术特征，使SDL模型在分类技术上又产生了飞跃。

规纳SDL模型特点

一、高斯分布下的自律聚类

1.可以实现小数据的最大概率的机器学习效果。

2.不需权重组合，无黑箱问题。

3.适于嵌入式系统的人工智能的应用。

二、融合卷积核与反向传播

1.消除噪声，提升机器学习的泛化能力。

2.进一步实现最佳的分类。

3.进一步提升应用效果。

三、能将人的智慧赋予机器

1.可解决在自动驾驶中传统AI不够智能的问题。

2.可使自动驾驶的感知系统做到机器深度理解。

3.不是靠算力，而使靠智力靠用人是如何解决问题的智慧授予机器，让机器做出超越人的工作。

四、导入高维平面分类模型

1.把数据映射到高维空间，在超平面下获得数据的最大的分类间隔。

2.用算法替代算力，获得更高的应用效果。