从原理、特点到应用，深度解析何为超深度学习

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，为了各自利益和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，思想被限制。

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，自然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超深度学习（Super Deep Learning SDL），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。

超深度学习（SDL）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。

超深度学习（SDL）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，超深度学习（SDL）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。

超深度学习（SDL）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，超深度学习（SDL）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，超深度学习（SDL），可以获得同人眼近似的图像识别效果。

超深度学习（SDL）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。

超深度学习（SDL）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超深度学习（SDL）。特别是超深度学习（SDL）可以解决几乎所有IT领域的问题，因此可以通过无穷多的超深度学习（SDL）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，通过超深度学习（SDL）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超深度学习（SDL），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。

由超深度学习（SDL）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。利用超深度学习（SDL）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。

超深度学习（SDL）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。超深度学习（SDL）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。