新一代AI自組織機器學習介紹

長久以來“人機對戰”一直被公認為用于衡量人工智能進步程度的重要途徑之一。2016年隨著AlphaGo戰勝全人類棋手，使世界為之震驚，歷史上從來沒有過，對于一個技術投入了世界上如此巨大的資源。

國際大的IT公司利用這個契機，為了牟取暴利，取得世界人工智能的發展主導權，極力宣傳“深度學習模型”，把“深度學習模型”神化，同時又拋出了各種類型的“深度學習模型”的開源程序，以及大型GPU服務器。

在這種勢力的推動下，我國年輕的人工智能研究者只能在開源程序下研究，不了解“深度學習模型”的所以然，因此，受害匪淺。

其實，“深度學習模型”，存在著訓練不可能得到最佳解，作為補救措施的SGD也只能得到局部最佳解。因此“深度學習模型”不可解決黑箱問題，因此不可用于工業控制等場所。再加上屬于大模型解決小任務，投入產出不對稱等等原因，最終被“深度學習模型”的發明者英國的Hinton教授宣告舊的“深度學習模型”的終結。

在此之后，開啟了新一代人工智能的時代。一個經過20多年的聲音識別，圖像識別檢驗的，引領新一代人工智能發展的自組織機器學習Self-Organization Learning（SOL），在2018年北京世界機器人大會的新一代人工智能創新專題論壇上正式發布。

自組織機器學習的原理是，首先立足于一個最大概率的尺度，可以產生最大概率的空間，在最大概率空間又可以生成新的最大概率尺度,依次迭代；最終可以獲得超越統計學公式化的最大概率的解，以及最大概率的空間范圍，并可以把目標函數的最大概率的分布信息獲得。這樣的三個結果，幾乎是我們遇到的所有目標函數都希望獲得的，例如在圖像識別上，希望得到最大概率的特征抽出，最大概率的圖像識別結果等等，因此可作為普遍應用的機器學習模型。

自組織機器學習的特點還有，可以自律的朝著大概率的方向遷移，最終可以越過小概率的擾動的阻擋，最終在最大概率的區域上停止，因此自組織機器學習概念清楚，透明性強，可做到不管遇到什么狀況，都具有可分析性。

再有自組織機器學習還具有模仿人眼神經網絡機能的特點，人眼在反復的看到一個物體時，其圖像是沒有任何變化的，但是通過光電識讀若干次得到的圖像差別很大，自組織機器學習的出現，使人們搞清了人眼的神經網絡的機理，人的眼神經是在概率空間上觀察物體的，所獲的的信息是最大概率的信息，在最大概率空間中所得到的信息是一樣的，所以最大概率的尺度就是人眼神經網絡的閥值，所以采用自組織機器學習，可以獲得同人眼近似的圖像識別效果。

自組織機器學習是屬于小數據的無監督機器學習，無須訓練也可以工作，5－10次以上的訓練就足可以滿足使用要求。不需要大數據的人工標注，降低了應用成本。

自組織機器學習處理效率高，可以降低計算復雜度，根據應用的規模，可以小到手機，或一個CPU，大到GPU大型服務器，都可以高效率的導入自組織機器學習。特別是自組織機器學習可以解決幾乎所有IT領域的問題，因此可以通過無窮多的自組織機器學習搭建出具有超出人們想象的功能的巨型人工智能系統。

早在2016年，通過自組織及其學習連接成具有三層節點的新型神經網絡誕生了。新型神經網絡有感知層，神經層以及腦皮層，與生物神經結構吻合。感知層與神經層之間的節點之間連接著自組織機器學習，隨著處理對象的復雜性，多樣性等的應用要求，感知層與神經層的節點可以無限延伸，但是計算復雜度不變，不會因為系統的處理功能的提高而降低計算的效率，這是一般系統很難達到的系統結構。

由自組織機器學習應用于自動駕駛應用中，顯示出獨特的威力。針對目前自動駕駛控制的空前的復雜性，幾乎成為NP控制問題，是通過傳統控制方法無法解決自動駕駛系統的所有可能的控制。利用自組織機器學習搭建的人工智能系統，參與到自動駕駛的控制系統中，通過機器向人學習，機器的意識決定等可以使自動駕駛系統突破L3級，成為完全可以擺脫人的操作的新型自動駕駛系統。

自組織機器學習代表了新一代的人工智能，可以被廣泛應用，并將使所有的應用領域發生顛覆性的改變。自組織機器學習可以引發新的工業革命的產生，可以實現人們不可想像的應用效果，可以大大加快機器代替人的社會發展步伐，可以讓奮戰在人工智能研究和應用領域中的每一位專家、學者和工程技術人員在本次人工智能的高潮中都有建功立業的機會。

在過去的時光里，人工智能廣受行業關注，未來也會引起全球對于人工智能行業的關注。