人工智能（Artificial Intelligence），英文縮寫為AI。它是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。人工智能是計算機科學(xué)的一個分支，它企圖了解智能的實質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機器，該領(lǐng)域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。人工智能從誕生以來，理論和技術(shù)日益成熟，應(yīng)用領(lǐng)域也不斷擴大。2016年，谷歌人工智能AlphaGo戰(zhàn)勝了全人類棋手，標(biāo)志著人工智能已經(jīng)達到極高的水平 ，這使全世界為之震驚！“深度學(xué)習(xí)”就此可以大范圍的推廣了嗎？人工智能的研究和推廣還面臨著哪些挑戰(zhàn)呢？請看株式會社阿波羅日本首席科學(xué)家顧澤蒼教授為我們深度解讀新型人工智能模型。
（《機器人技術(shù)與應(yīng)用》常務(wù)副主編王偉先生為顧博士贈送機器人大講堂榮譽證書，右一為 顧澤蒼博士）
顧澤蒼
株式會社阿波羅日本首席科學(xué)家
工學(xué)博士
日本電子情報通信學(xué)會(IEICE)正會員
日本畫像電子學(xué)會(IIEEJ)正會員
日本人工知能學(xué)會(JSAI)正會員
南開大學(xué)教授
中國科學(xué)院客員研究員
94-99年： 為了同神經(jīng)網(wǎng)絡(luò)對抗，創(chuàng)建 “概率尺度自組織”的機械 學(xué)習(xí)理論，并在模式識別領(lǐng) 域中進行了大量的應(yīng)用。
00-14年： 在國際上首先提出“具有隱形結(jié) 構(gòu)的二維碼”，以及“圖像直接 變換二維碼的ITC算法”，“概 率空間距離的定義”。
14-16年： 將概率尺度自組織同神經(jīng) 網(wǎng)絡(luò)結(jié)合，提出“SDL理 論”
大家知道2016年，谷歌的AlphaGo戰(zhàn)勝了全人類的圍棋，這就使人工智能的關(guān)注度達到了最高潮。那么在這種情況下，我們可以馬上進行產(chǎn)業(yè)化嗎？其實我們看得很清楚，盡管它有這么輝煌的戰(zhàn)果，但是存在它不可解決的問題。
在九十年代初期，我們曾經(jīng)運用模糊事件概率測度理論解決了大規(guī)模集成電路的多目的最佳的組合的難題。在九十年代末期，我們看到了傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)它是一個大數(shù)據(jù)的組合的問題，所以它在應(yīng)用上必然存在它解決不了的，比如人們都知道的黑箱的問題。
所以在那個時候我們就提出了和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)進行對抗，提出了一個我們稱之為概率尺度自組織，一個很強大的學(xué)習(xí)機械模型。
于是，就決定了搞出一個全新的人工智能的模型，做這個機械學(xué)習(xí)，要解決一個模式識別問題的時候，在我們看來我們是要解決一個在歐幾里得空間到概率空間的關(guān)系問題。
以上是一個最典型的從機械學(xué)習(xí)這個角度來看，模式識別是一個什么樣的模型，是兩個概率分布，中間有一個背測圖像或者說背測聲音的數(shù)據(jù)，這個數(shù)據(jù)是一個特征值，與哪個數(shù)據(jù)之間有什么樣的關(guān)系，這里面就引出了概率空間尺度的問題。
從數(shù)學(xué)上講，如果要是給出一個兩個空間，而且是一個概率尺度完全不同的公式，是很難的。我們怎么解決這個問題呢？我們摸索到了一個想法，我們看到數(shù)據(jù)在歐幾里得空間進入到概率空間之后，距離發(fā)生了變化，就把這個變化作為一個誤差，很簡單就把這兩個距離統(tǒng)一起來了。這個公式很容易理解，比如在穿越概率空間的時候就不存在空間的分布，經(jīng)過了概率空間產(chǎn)生了概率的實踐了，那么就會有一個公式來表現(xiàn)，就很簡單的把兩個空間的距離統(tǒng)一了。這個距離找到以后，使我們的機械學(xué)習(xí)簡化了很多。
目前國際上普遍認為無監(jiān)督學(xué)習(xí)只能依賴聚類算法，但是，在實施 中都不能得到理想的機器學(xué)習(xí)的應(yīng)用效果，因為無監(jiān)督學(xué)習(xí)，聚類的尺度是歐幾里得的尺度。
而新的自組織具有可以朝著大概的方向，自己自動遷移的這樣的特性，初始值放在什么地方，結(jié)果是一個結(jié)果，為什么？因為它用了一個概率的尺度。所以這個模型我們稱之為概率尺度自組織模型。
自組織可以通過機械學(xué)習(xí)把特征值的概率分布找出來，它通過學(xué)習(xí)最后能夠得到一個超越我們目前數(shù)學(xué)上一切優(yōu)化結(jié)果的最優(yōu)值，甚至它可以顛覆統(tǒng)計學(xué)兩個參數(shù)，所以它是很強大的。
新一代人工智能模型是三層神經(jīng)網(wǎng)絡(luò)，是一個新的，跟現(xiàn)在完全不同的模型，它第一層是感知層，第二層是神經(jīng)層，第三層是腦層。增加了它的層數(shù)是一個非常大的復(fù)雜度，而用這樣的模型增加它的深度，不會影響它的復(fù)雜度。
優(yōu)點1 :獨特的基于空間映射理論的圖像特征抽出方法
在模式識別中，信息抽出的質(zhì)量的重要性要遠高于機器學(xué) 習(xí)的分類算法，基于空間映射理論，將原圖像通過物理模 型映射出若干個圖像，可以將原圖像的深層信息直接抽出， 每一個特征信息區(qū)域?qū)?yīng)著一個機器學(xué)習(xí)，可以把所對應(yīng) 的圖像區(qū)域中的「高階最大幾率」的值＊抽出，這是史無 前列的獨特的圖像信息抽出方式，而且每一個特征區(qū)域都 對應(yīng)一個強大的無監(jiān)督學(xué)習(xí)，由集中學(xué)習(xí)發(fā)展為分散學(xué)習(xí)， 所以這是一個具有巨大能力的機器學(xué)習(xí)模型。
優(yōu)點2：直接通過概率尺度自組織得到特征值概率分布
概率尺度自組織機器學(xué)習(xí)的一個功能是可以在給定的若干個 數(shù)據(jù)，通過機器學(xué)習(xí)得到一個可以超越任何優(yōu)化結(jié)果的「高 階最大幾率」的解，另一個功能是可以對給定的概率分布的 數(shù)據(jù)快速的直接進行概率分布的標(biāo)定，標(biāo)定的結(jié)果只需要保 留標(biāo)定的概率分布的位置信息，無需GAN那樣需要大數(shù)據(jù) 來承載概率分布信息，而且不存在黑箱問題。
優(yōu)點3：在神經(jīng)層與腦皮層之間通過強對抗學(xué)習(xí)進行最后決策
在新一代神經(jīng)網(wǎng)絡(luò)的神經(jīng)層與腦皮層之間，讓采樣的圖像 特征向量與已經(jīng)學(xué)習(xí)過的m個n維概率空間的概率分布數(shù)據(jù) 之間，通過模糊事件概率測度預(yù)選出采樣的圖像的特征向 量與兩個最接近的概率空間的數(shù)據(jù)，然后對這兩個數(shù)據(jù)的 每一維數(shù)據(jù)進行最大信賴度的評價，剔除不符合要求的某 些數(shù)據(jù)，再以模糊事件概率測度為尺度，讓采樣圖像的特 征向量，在篩選后的這兩個概率空間之間，進行微觀數(shù)據(jù) 的強對抗，得到一個宏觀數(shù)據(jù)的強對抗的結(jié)果，在此基礎(chǔ) 上得到一個最終決策的閥值，通過這個閥值決定識別結(jié)果。
新型AI模型建立在顛覆傳統(tǒng)的統(tǒng)計學(xué)的基礎(chǔ)上，可以將隨機分布的數(shù)據(jù)處理到接近母集合的水平，通過穿越歐幾里德空間與概率空間的距離關(guān)系與模糊事件 概率測度關(guān)系的融合，可以實現(xiàn)「高階最大幾率」與「最大信賴度」的模式識 別結(jié)果，還可以發(fā)展到模式理解，以及視頻檢索，動態(tài)識別等應(yīng)用場景。
新型AI模型可以進行強對抗，可以進行視頻的檢索，它有它獨特的特點，它是放在機器人的視覺里面的，這個是我們認為當(dāng)今最好的模型。它可以進行流行的學(xué)習(xí)，不僅在圖象識別的時候性能非常的好，它也可以用一個最小的芯片來實現(xiàn)。
1
圖像直接變換代碼ITC（Image To Code）技術(shù)
來源：第四屆中國機器人峰會
聯(lián)系客服
