時下人工智能技術(shù)在國際范圍內(nèi)沸騰，由于網(wǎng)絡(luò)時代傳媒的快速化，大范圍化傳播以及信息的不確定性的特點，再加上商家的炒作，縱使人工智能被社會推向了神秘化的地步，甚至出現(xiàn)人工智能危險論的宣傳，以及人類將被人工智能的機(jī)器人統(tǒng)治的謬論的傳播。

在這一時期，一些專家學(xué)者也利用自己的所掌握的知識盡情的發(fā)揮，發(fā)布了很多不切合實際的言論，把人工智能概念模糊化了，使年輕的研究者分不清什么是人工智能，什么是模式識別，什么是機(jī)器人。。。搞不清從那些方面入手會得到事半功倍的研究與應(yīng)用效果？

筆者根據(jù)多年從事這方面的研究，重點以自己親身的精力，以及個人對人工智能技術(shù)的理解，立足提出一個可供年輕科研人員在未來的研究中開辟一個新的道路，讓人工知能落地特撰寫此文章。

什么是人工智能？簡單講就是用計算機(jī)實現(xiàn)人的頭腦功能，既通過計算機(jī)實現(xiàn)人的頭腦思維所產(chǎn)生的效果，人工智能算法所要處理的問題，以及處理后的結(jié)果是不可預(yù)測的。

目前之所以在社會上把普通的模式識別，機(jī)器人技術(shù)混同于人工智能，其根本原因就是對人工智能的概念不清楚，因此把一切先進(jìn)的技術(shù)統(tǒng)統(tǒng)歸屬于人工智能，這反而會影響人工智能的發(fā)展。

長期以來人們習(xí)慣于把導(dǎo)入計算機(jī)處理的系統(tǒng)統(tǒng)稱為智能系統(tǒng)，所以看到人工智能的詞匯時馬上就聯(lián)想到智能系統(tǒng)，其實這是完全不同的兩個概念，智能系統(tǒng)是依據(jù)確定性的算法所實現(xiàn)的系統(tǒng)，是按照一種算法實現(xiàn)某種目標(biāo)函數(shù)的處理，其處理結(jié)果是確定性的。例如自動控制系統(tǒng)，通過閉環(huán)的PID調(diào)節(jié)，使機(jī)械位置能夠盡快達(dá)到所定位置，使溫度盡快到所定指標(biāo)等等，這種算法往往是經(jīng)典的理論，還有在模式識別的智能系統(tǒng)中有很多經(jīng)典的分類的算法，例如利用歐幾里德距離，可以計算出一個特征向量數(shù)據(jù)同若干個向量數(shù)據(jù)中的那個向量數(shù)據(jù)最接近，這些都是模式識別的基本算法，導(dǎo)入這些算法的模式識別系統(tǒng)就是一個智能的系統(tǒng)。

再有在機(jī)器人系統(tǒng)中，機(jī)器人的行走以及手臂的動作需要人為的事先通過程序輸入到機(jī)器人系統(tǒng)中，機(jī)器人才可以按照人為輸入的程序進(jìn)行行走以及作各種手臂動作，局外人看著機(jī)器人的動作還以為是同人一樣可以隨心所欲的作出各種動作，其實不然，在機(jī)器人行走過程中如果路上出現(xiàn)一個不可預(yù)知的障礙物，這時機(jī)器人肯定會被絆倒，然而如果在機(jī)器人系統(tǒng)中搭載了人工智能的算法，就可以由機(jī)器人自己的判斷，自主的繞過障礙物。所以普通的智能系統(tǒng)與人工智能的區(qū)別歸納起來就是：普通智能系統(tǒng)是經(jīng)典的算法，是僅以滿足目標(biāo)函數(shù)的算法，是解決其結(jié)果是可預(yù)測性問題的算法，人工智能是模仿大腦處理問題的方法，或能客觀上實現(xiàn)了人腦所能實現(xiàn)的處理，所要解決的問題，以及處理的結(jié)果往往是不確定性的，或者說是事先不可預(yù)知的。

1.基于知識庫技術(shù)的專家系統(tǒng)

直到今天客觀地講，人工智能的最成功的應(yīng)用應(yīng)該是知識庫技術(shù)的專家系統(tǒng)，早在20多年前，我們研究室里就針對手寫文字如何看起來美觀為題開發(fā)了手寫文字的專家系統(tǒng)，把美觀的手寫文字的規(guī)則輸入到知識庫中，運用這個系統(tǒng)可解決苦于手寫字不流暢的企業(yè)負(fù)責(zé)人手寫書信問題，通過專家系統(tǒng)的處理既保留了企業(yè)負(fù)責(zé)人書寫文字的個性化，同時看起來又具有一定的美觀效果。

今天同20多年前落后的硬件環(huán)境相比，可以借助大型網(wǎng)絡(luò)服務(wù)器構(gòu)筑社會性的大知識庫系統(tǒng)，可以得到意想不到的應(yīng)用效果，例如最近日本在網(wǎng)絡(luò)服務(wù)器上建立了10萬人的語音知識庫,因此可以實現(xiàn)完全無障礙的進(jìn)行自動語音交流，目前用于外國游客坐出租時的自動翻譯系統(tǒng)中。

基于知識庫技術(shù)的專家系統(tǒng)是把人的經(jīng)過頭腦加工的知識通過標(biāo)準(zhǔn)的知識庫的形式歸納起來，使專家系統(tǒng)能夠達(dá)到人腦所能實現(xiàn)的處理功能，因此可以解決傳統(tǒng)算法所解決不了的難題。

2.基于模糊數(shù)學(xué)的空間映射理論＊＊

空間映射這個理論的倡導(dǎo)者至今才發(fā)現(xiàn)這個理論是屬于人工智能范疇的理論。空間映射理論的原理是針對類似人臉識別，圖像識別或文字識別這樣的復(fù)雜系的模式識別問題，由于復(fù)雜系的問題往往很難找到可以直接解決的算法，因此不能像傳統(tǒng)的智能系統(tǒng)，直接的通過傳統(tǒng)的算法進(jìn)行處理，基于模糊數(shù)學(xué)的空間映射理論是把一個復(fù)雜系空間的問題映射到若干個簡單系的空間的問題，雖然在每一個簡單系的空間中只能解決有限的問題，但是根據(jù)組合理論若干個簡單系空間的組合卻能解決復(fù)雜系空間的問題，在這里最重要的是由復(fù)雜系空間問題映射到簡單系空間，是基于人的大腦的處理，學(xué)術(shù)上稱為人為介入的方法，由于傳統(tǒng)的數(shù)學(xué)方法非常死板不易進(jìn)行人為介入，模糊數(shù)學(xué)給我們提供了便利，可以根據(jù)人為對處理對象的理解，從若干個角度通過模糊數(shù)學(xué)的Membership函數(shù)進(jìn)行定式，從而實現(xiàn)對復(fù)雜系問題的解決，由于這樣的算法是按照人的頭腦處理方式再通過模糊數(shù)學(xué)的定式達(dá)到解決復(fù)雜系問題的效果，因此應(yīng)當(dāng)屬于人工智能的理論范疇。

利用這樣的理論20多年前在日本的手寫體數(shù)字的自動識別上得到了非常高水平的應(yīng)用效果，可以根據(jù)人為的認(rèn)識文字的結(jié)果，比如在區(qū)別數(shù)字“9”和數(shù)字“4”的識別上，當(dāng)初使用的掃描儀的解像度只有100dpi，掃描后的數(shù)字“9”和數(shù)字“4”如果數(shù)字“4”在下面的筆畫較長時，很容易識別成數(shù)字“9”，反過來手寫的“9” 在下面的筆畫較短時，可能會識別成數(shù)字“4”的結(jié)果，利用空間映射這個理論中的Membership函數(shù)定式，可以把數(shù)字“9”，以及數(shù)字“4”的模糊值都可以量化，所以可以針對非在線手寫文字的識別問題，得到非常高精度的識別結(jié)果。該技術(shù)在當(dāng)時主要用于超市的傳票自動高速讀取系統(tǒng)中,成為當(dāng)時日本代表性的手寫文字的方法。

利用這樣的理論日本電氣化軌道交通的無人駕駛系統(tǒng)可以成功的按照駕駛員的經(jīng)驗通過模糊推論，自動的處理在自動駕駛過程中的隨機(jī)問題，可以平穩(wěn)的自動駕駛列車進(jìn)行各種不同條件的運行。

3.基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)理論

神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)理論由于是基于直接模仿人的大腦的神經(jīng)元的信息處理的機(jī)理，因為當(dāng)仁不讓的屬于人工智能范疇的算法。人們對這個算法曾經(jīng)寄托了很大的希望，相信能夠在模式識別這樣復(fù)雜系的問題上得到令人意想不到的應(yīng)用效果，遺憾的是神經(jīng)網(wǎng)絡(luò)算法從一開始就遇到計算復(fù)雜度高，迭代收斂慢很難得到實際的應(yīng)用的難題。進(jìn)入2000年以后，神經(jīng)網(wǎng)絡(luò)技術(shù)升華為深度學(xué)習(xí)技術(shù)，人們再次掀起對神經(jīng)網(wǎng)絡(luò)技術(shù)高度的期望，但是能夠大規(guī)模的應(yīng)用所必需的具有突破性的技術(shù)進(jìn)步還很難看出。

4.概率尺度自組織理論＊＊

早在20多年前為了能同神經(jīng)網(wǎng)絡(luò)技術(shù)相對抗，所提出的概率尺度自組織理論的發(fā)明者也是至今才知道這個理論是屬于機(jī)器學(xué)習(xí)理論。這個理論的出發(fā)點是出于人為思想，如果能找到一個最大概率值的尺度就可以通過自組織的方法，針對隨機(jī)分布的數(shù)據(jù)得到一個超越傳統(tǒng)算法的最大概率值的解，由此產(chǎn)生了概率尺度自組織的算法。

傳統(tǒng)算法的程序制作者對程序的開始，中間乃至結(jié)束的處理過程都是程序員事先設(shè)計出來的，是具有預(yù)知性的，而概率尺度自組織算法的一個顯著特點就是程序員對處理的過程以及結(jié)果都具有不可預(yù)知性。

截止到這一理論的出現(xiàn)之前，一切與統(tǒng)計學(xué)有關(guān)的算法的處理結(jié)果都停留在這一算法的處理之前，反過來講該算法處理之后的結(jié)果都可以讓一切與統(tǒng)計學(xué)有關(guān)的算法的處理結(jié)果產(chǎn)生突破，而且這種算法出現(xiàn)之后目前被人們視為不可逾越的統(tǒng)計學(xué)的各種常數(shù)已經(jīng)不是最佳的常數(shù)了。

同深度學(xué)習(xí)的算法相比，概率尺度自組織算法的自組織的目標(biāo)清晰，效率極高，每一次迭代必有作用，計算復(fù)雜度為線性的，普通手機(jī)APP就可實現(xiàn)，極具應(yīng)用前景。

由于這種算法在理論上的突破，計算復(fù)雜度低，使得它的出現(xiàn)一直顯示出其特殊的應(yīng)用效果，例如在文字識別OCR系統(tǒng)上，在計算機(jī)打印出的文檔文件上，可在沒有基準(zhǔn)線的情況下，當(dāng)文件在掃描儀上放偏時利用這個算法，僅通過文字的排列就可以很快的計算出文件的放偏的角度。

在人臉識別的應(yīng)用中，例如在給定的一個圖像中找到人臉的部位，傳統(tǒng)的方法是先給出人臉的顏色數(shù)據(jù)，按照程序進(jìn)行順滕摸瓜的方法找到屬于人臉顏色的所有像素，問題是同樣一個人在不同的光線下拍攝出的圖像的顏色差別很大，再有世界上有不同膚色，一種膚色所包含的具體顏色也是千差萬別的，傳統(tǒng)的定義一種顏色進(jìn)行搜尋的算法肯定不能滿足實際應(yīng)用的需要，導(dǎo)入概率尺度自組織算法可以直接的僅通過若干次的自組織就可精確的找到人臉部位，因為不管是那種膚色，不管由于拍攝光線的不同所拍攝的圖像的顏色失真，在整個圖像中的人臉部位的顏色的分布密度值最大，也就是說人臉部位的膚色的概率值最大，通過概率尺度自組織的算法當(dāng)然會很簡單的解決這一難題，而且無需采用順滕摸瓜的方法，在初始時可以通過圖像的任何部位，在概率尺度自組織的過程中自動的移向人臉部位，并最終給出整個人臉部位的輪廓，這是在傳統(tǒng)的模式識別的算法里不可想像的識別效果。這么一個勝似深度學(xué)習(xí)的算法僅僅通過手機(jī)終端就可在瞬時實現(xiàn)。嚴(yán)格講概率尺度自組織理論應(yīng)該屬于機(jī)器學(xué)習(xí)理論。這個理論并不鮮為人知其原因是20多年來一直作為技術(shù)訣竅并沒有公開，2014年才在美國，歐洲，日本以及中國申報了專利，目前已在美國和日本獲得了專利權(quán)。

5.基于模糊事象概率的最佳組合理論＊＊

組合理論是人工智能的基礎(chǔ)理論，因此人工智能理論的突破必然依賴于組合理論的突破。

組合理論通過圖論解決最佳組合問題最初是由美國佛羅里達(dá)州大學(xué)臺灣籍劉教授發(fā)明的，80年代初我國留美訪問學(xué)者王教授提出了利用“墑”的最佳組合理論，由于從理論上可以證明能夠獲得最佳的組合結(jié)果，因此引起世界學(xué)界的高度重視。然而，利用“墑”的最佳組合理論的問題點也是計算復(fù)雜度大，收斂慢致使應(yīng)用受到局限。

如何高效率的實現(xiàn)最佳的組合結(jié)果，以及面對大規(guī)模集成電路需要實現(xiàn)面積最小，配線長最短，甚至還要考慮電氣特性等多目的的組合，這是傳統(tǒng)的組合理論所無法解決的難題，一個被稱為90年代具有代表性的組合理論，就是模糊事象概率的最佳組合理論，這個理論把復(fù)雜的集成電路的各個模塊之間的連接關(guān)系通過模糊事象概率的測度進(jìn)行定量化，通過考慮各個單元間的連接關(guān)系越密切越要盡可能的排列在一起的模糊關(guān)系，同時還要考慮針對一個單元同各個單元有可能在這個單元附近排列的概率關(guān)系，將不明顯的微小的概率信息，以及不明顯的微小的模糊信息積分起來就可以得到穩(wěn)定的，明顯的以及有價值的信息，這就是模糊事象概率理論的突破點，因此可以高效率的，針對多目的的集成電路的優(yōu)化需求，直接的計算出最佳化的組合結(jié)果。這個理論的基礎(chǔ)是出于人為主觀的對單元之間的連接關(guān)系的模糊值的定義，因此也是屬于人工智能理論的范疇。

谷歌公司在英國投資6億美金的創(chuàng)業(yè)公司，據(jù)說利用人工智能的深度學(xué)習(xí)算法搞出的下棋程序戰(zhàn)勝了韓國棋手轟動了世界，當(dāng)聽到這一消息的時候，筆者馬上就認(rèn)為該程序的制作者一定是下棋高手，果不其然當(dāng)日本NHK派遣的下棋高手的記者去英國采訪程序的制作者后，證實了程序制作者在下棋方面是出類拔萃的，那么這也證明了這個程序恐怕不是利用的深度學(xué)習(xí)的算法，作為組合理論的研究者都會知道，屬于40個以上的組合要素都屬于圖靈機(jī)不可解的NP問題，對于下棋問題當(dāng)然是屬于NP問題，但是，如果加入人為的經(jīng)驗，NP問題仍然可以解決，英國創(chuàng)業(yè)公司的程序制作者把下棋的經(jīng)驗做到了程序中去了，因此可以實現(xiàn)戰(zhàn)勝棋手的效果并不稀奇。

1.三維立體移動目標(biāo)識別

20多年前在我們的研究室里有一個三維移動物體識別課題組，當(dāng)時從事這個研究的所有人都知道，三維移動物體識別技術(shù)是應(yīng)用于軍事方面。1991年海灣戰(zhàn)爭爆發(fā)后，曾經(jīng)有這樣的媒體曝光，美國的載有導(dǎo)彈的戰(zhàn)機(jī)曾經(jīng)對準(zhǔn)一列民用火車發(fā)射導(dǎo)彈，但是很萬幸沒有擊中火車。2003年第二次海灣戰(zhàn)爭中，媒體再一次報道出美國的載有導(dǎo)彈的戰(zhàn)機(jī)對準(zhǔn)一列民用火車發(fā)射導(dǎo)彈，準(zhǔn)確的將這列火車擊毀造成大量的傷亡，面對手無寸鐵的乘客所坐的火車，接連兩次的發(fā)射導(dǎo)彈如此殘忍其目的何在？研究三維移動物體識別的研究者深知，美國是在展示其三維移動物體識別的技術(shù)，因為使用GPS定位技術(shù)只能對固定目標(biāo)進(jìn)行跟蹤，對于移動目標(biāo)必須依靠三維移動物體識別技術(shù)。

在1991年的第一次海灣戰(zhàn)爭中使用的三維移動物體識別技術(shù)是通過將三維物體的三個方向上的圖像輪廓的特征向量值進(jìn)行登錄，在識別三維移動物體時，把攝取到的三維物體的任何角度的圖像的輪廓的特征向量值與登錄的特征向量值進(jìn)行比對，求出近似值，這種算法在正常情況下會得到比較好的識別結(jié)果，但是，在正式的戰(zhàn)爭環(huán)境下，周圍炮火濃濃，硝煙彌漫，所攝取的移動物體的圖像干擾很大，尤其是通過輪廓識別圖像本身違背了信息學(xué)的原理，用一維的方法識別二維圖像，由于信息量不夠，如果圖像的輪廓部分有一點干擾，就會出現(xiàn)截然不同的識別結(jié)果。因此，在第一次海灣戰(zhàn)爭中美國試驗打擊移動目標(biāo)的結(jié)果沒有達(dá)到預(yù)期的效果是可以理解的。

在2003年的第二次海灣戰(zhàn)爭中，在移動物體識別技術(shù)中導(dǎo)入了人工智能算法，可針對由于惡劣的環(huán)境造成圖像的嚴(yán)重干擾的情況下，可以非常準(zhǔn)確的打擊移動目標(biāo)。

當(dāng)前通過無人駕駛飛機(jī)對地形地貌的測繪，自動搜索遇難人員等都需要具有人工智能的三維移動物體的識別產(chǎn)品，這樣的高端技術(shù)產(chǎn)業(yè)具有很高的商業(yè)價值。

2.自動股票交易基金對沖以及金融預(yù)測＊＊

在社會上最具有價值的技術(shù)是預(yù)測技術(shù)，因為正確的預(yù)測股市將可獲得巨額財富，然而事與愿違正確預(yù)估股市結(jié)果的算法卻并不能滿足人們的需要，因此，在預(yù)測方法上哪怕有一點技術(shù)進(jìn)步都將是非常重要的，美國的一些號稱軍事機(jī)密的預(yù)測算法，在公開后我們會感到這些算法即使在當(dāng)時并沒有想象之中的那種高水平的技術(shù)進(jìn)步。

但是進(jìn)入人工智能的時代，預(yù)測技術(shù)將展現(xiàn)突出的顛覆性的效果，首先在最佳預(yù)測的概念上顯示其進(jìn)步性，以往人們渴望著得到一個最佳的預(yù)測值，然而，根據(jù)數(shù)學(xué)上的最佳化的理論，最佳化解一定是建立在給出的某一邊界條件上的最佳化。人工智能的最佳化預(yù)測值就是建立在預(yù)測者對社會諸因素的了解，對預(yù)測目標(biāo)的認(rèn)識程度，以及個人的智力情況等等諸因素以及諸條件的影響為邊界條件所得到的最佳化值，而且這個最佳化的值一定是超越人的本身所能得到的解，這將把預(yù)測理論推向了最高階段。

首先人工智能所以能在最佳化預(yù)測上具有突破性，其一是運用了概率自組織理論，顛覆了傳統(tǒng)的統(tǒng)計學(xué)的預(yù)測。其二是運用了模糊數(shù)學(xué)的空間映射理論，可以把預(yù)測者對社會諸因素與預(yù)測對象的關(guān)系的認(rèn)識通過Membership函數(shù)定式溝建成社會模型，可以把有關(guān)對預(yù)測產(chǎn)生效果的社會學(xué)，哲學(xué)，歷史學(xué)甚至易學(xué)中所提煉出的經(jīng)驗在人工智能的最佳化預(yù)測系統(tǒng)中都可以定式，都可以起到對最佳化預(yù)測的作用。其三是可以建立社會性的專家系統(tǒng)，針對預(yù)測對象建立大型的社會性的大專家?guī)臁Ｆ渌氖抢脗鹘y(tǒng)的相關(guān)分析，回歸分析等算法。一句話在人工智能的最佳化預(yù)測系統(tǒng)中是將所有與預(yù)測有關(guān)的算法，知識以及信息全部利用起來。

人工智能最佳化系統(tǒng)不是將這些算法分離的進(jìn)行計算，而是構(gòu)建成一個最佳化決策平臺，各種不同的算法的計算結(jié)果是融合在一起的，相互驗證，信息彼此共享，并通過機(jī)器學(xué)習(xí)算法最終進(jìn)行自組織運算，去偽存真從而獲得超越統(tǒng)計學(xué)的計算結(jié)果，從而得出最大概率的預(yù)測值。導(dǎo)入了人工智能的決策平臺，將上述所有可以對預(yù)測起作用的因素通過新型的超深度學(xué)習(xí)的算法進(jìn)行如同人的神經(jīng)系統(tǒng)那樣對各種數(shù)據(jù)進(jìn)行整合，以及如同人的大腦那樣對預(yù)測結(jié)果的判斷，對已經(jīng)發(fā)生的數(shù)據(jù)同該系統(tǒng)的各個算法所得出的結(jié)果進(jìn)行自動評價，自動的修正系統(tǒng)的各種參數(shù)，平衡各種因素的影響的實際效果，實現(xiàn)自動的知識更新以及知識積累。這些都是在自動的基礎(chǔ)上瞬間實現(xiàn)的，在這個平臺上預(yù)測結(jié)果包括股票交易，基金對沖都是自動的進(jìn)行。從另一方面，作為系統(tǒng)尚需人為處理的功能，運行時可以不斷的根據(jù)操作者對預(yù)測因素的認(rèn)識的提高，人為的修正各種因素的數(shù)值，或增加信息，增加預(yù)測要素，或重新調(diào)整預(yù)測戰(zhàn)略的框架等使預(yù)測水平不斷提高。這樣的系統(tǒng)所能正確預(yù)測是來源于人的頭腦的智慧，但是在高速處理果斷決策上是人類望塵莫及的，這樣的系統(tǒng)一定會在自動股票交易基金對沖以及金融預(yù)測上發(fā)揮不可估量的作用。

3.汽車自動駕駛

導(dǎo)入人工智能理論的汽車自動駕駛系統(tǒng)是當(dāng)前產(chǎn)業(yè)界最為關(guān)注的應(yīng)用課題。在這個應(yīng)用領(lǐng)域中其一是導(dǎo)入人工智能的機(jī)器學(xué)習(xí)理論的模式識別系統(tǒng)，可以在線的將路況信息自動的識別出，供自動駕駛系統(tǒng)作為汽車運行的依據(jù)，其二是導(dǎo)入人工智能的汽車自動運行系統(tǒng)，汽車自動駕駛為什么需要人工智能，可以剎車控制為例，首先汽車不可能以一個速度運行，當(dāng)需要停止在某位置上時有好多情況，熟練的駕駛員有時會不睬剎車直接停在需要的位置，有時會輕輕地踩一下剎車，也可能會使勁踩一下剎車等等，會有很多的情況，這樣的控制問題是目前所有的傳統(tǒng)自動控制理論不可解決的，導(dǎo)入人工智能的模糊推論技術(shù)就可以把熟練的駕駛員的經(jīng)驗通過Membership函數(shù)定式，再按照模糊推論的算法實現(xiàn)同熟練駕駛員接近的自動駕駛控制。

這里舉出的僅僅是剎車控制，在實際道路上的自動駕駛還有更復(fù)雜的控制問題，因此導(dǎo)入人工智能算法勢在必行。

4.ITC圖像變換代碼＊＊

隨著代碼技術(shù)的進(jìn)化，當(dāng)今已發(fā)展到無需事先設(shè)計出代碼符號，構(gòu)成代碼圖形以求得到穩(wěn)定的識別結(jié)果。在人工智能的算法下，依據(jù)自然的紙紋，聲紋，自然的圖像甚至生體信息都可以直接變換成代碼。

近年社會上流行的AR技術(shù)，可以通過手機(jī)拍照某一個印刷圖像，就可以上網(wǎng)連接某一網(wǎng)站。由于這種技術(shù)可以從網(wǎng)絡(luò)上下載開源程序，所以迅速普及。但是AR技術(shù)是通過圖像識別的算法，識別結(jié)果是一個占用十幾兆內(nèi)存的文件，不利于網(wǎng)絡(luò)操作，以及大量的圖像的應(yīng)用。

從另一個角度，谷歌眼鏡，圖像檢索都需要通過拍攝一個圖像就可直接上網(wǎng)，或進(jìn)行網(wǎng)絡(luò)檢索。一個ITC（Image To Code）技術(shù)應(yīng)運而生，運用空間映射的算法可以把圖像的某些特征構(gòu)造成圖像的特征向量，再通過概率尺度自組織的算法組織成一個1036的代碼。實現(xiàn)了將任何一個圖像經(jīng)過移動終端的拍攝就可成為一個代碼，也就是說可以把任何圖像直接作為二維碼使用，這一成果可以讓任何商品標(biāo)識在無需任何處理的情況下成為一個二維碼，可以使世界上的所有產(chǎn)品，在一夜之中都可以連接到網(wǎng)上去，不破壞商品標(biāo)識的美觀?？梢詫崿F(xiàn)谷歌眼鏡看到任何圖像都可以連接網(wǎng)絡(luò)的設(shè)想，可以實現(xiàn)通過手機(jī)拍照任何商品圖像就可直接在網(wǎng)上檢索該商品，促進(jìn)網(wǎng)絡(luò)銷售的發(fā)展，再有對于目前的VR產(chǎn)品的發(fā)展將起到重要作用等等。與傳統(tǒng)的AR相比具有代碼容量在10萬分之一，便于手機(jī)終端識別，占用服務(wù)器容量小，檢索速度快的特點，適于國際性的大范圍，大容量的應(yīng)用。

人工智能不僅具有以上的應(yīng)用亮點，在各行各業(yè)都將發(fā)揮其重要的應(yīng)用前景，在此不一一列舉了。

1.大規(guī)則庫的社會性的專家系統(tǒng)的構(gòu)筑＊

同20多年前單機(jī)的專家系統(tǒng)相比，如今可以發(fā)展到由大型服務(wù)器支撐的大規(guī)則庫的社會性的專家系統(tǒng)。特別是在醫(yī)療診斷領(lǐng)域的應(yīng)用中可以把全社會的在各個專科診斷上的規(guī)則實現(xiàn)統(tǒng)一管理，資源共享的社會性的專家系統(tǒng)，針對這樣系統(tǒng)的構(gòu)建規(guī)則信息的自動歸納，特別是針對各種病例的規(guī)則自動生成，自動診斷的優(yōu)化問題，規(guī)則庫的規(guī)則抽取的優(yōu)化問題，規(guī)則有效性的自動診斷過濾問題等等。

2.機(jī)器學(xué)習(xí)理論的突破性算法的創(chuàng)出＊＊

概率尺度自組織的算法使傳統(tǒng)的統(tǒng)計學(xué)的基本常數(shù)產(chǎn)生了顛覆性的突破，與基本常數(shù)密切相關(guān)的相關(guān)分析，回歸分析等都將產(chǎn)生突破，新的統(tǒng)計學(xué)的算法將會產(chǎn)生。以此將形成在人工智能理論下的新的統(tǒng)計學(xué)相關(guān)的理論。

機(jī)器學(xué)習(xí)中的尺度問題是研究的重點，概率尺度自組織的算法所以能夠產(chǎn)生突破性的結(jié)果就是因為引進(jìn)了概率尺度，以及自組織的計算方法?？偨Y(jié)目前所有傳統(tǒng)的有關(guān)尺度的定義好像沒有比概率尺度更加有效的了，但是，概率尺度自組織的算法是否就此不可發(fā)展了呢？回答是否定的，上述解決最佳化組合理論的模糊事象概率實際上是個測度，測度的尺度相信可以產(chǎn)生新的突破，因為測度尺度不僅保函概率信息，同時還保函模糊信息，而且測度是將作用不明顯的微小的概率信息與微小的模糊信息進(jìn)行積分從而獲得了比較穩(wěn)定的測度，用測度作為自組織的尺度這將是當(dāng)今最高水平的機(jī)器學(xué)習(xí)算法，這也是人們預(yù)測到的人工智能的基礎(chǔ)理論是組合理論，既然如上所述的測度可以解決組合理論中的最佳化問題，就足可證明測度尺度自組織算法是機(jī)器學(xué)習(xí)的最為理想的算法。這也是概率理論，模糊理論與自組織理論在信息學(xué)領(lǐng)域中走到了終極階段，這意味著在信息領(lǐng)域中將產(chǎn)生重要的突破，人工智能也由僅僅是利用規(guī)則缺乏基礎(chǔ)理論的支持而一直停留在初期階段，走向以基礎(chǔ)理論為支持的高級階段。

3.深度學(xué)習(xí)理論的突破＊＊

深度學(xué)習(xí)最先由Facebook最早炒起來的，之后谷歌又介入，如今成為人工智能的熱點話題。 

然而，作為深度學(xué)習(xí)就是基于神經(jīng)網(wǎng)絡(luò)的理論，20多年中神經(jīng)網(wǎng)絡(luò)技術(shù)由被人追崇到被人們遺忘其主要原因就是加權(quán)值W，與閥值T在學(xué)習(xí)的過程中，如果希望得出一個最佳的解，所要組合的總次數(shù)是｛（W＊T）^n｝＊P，這里n為一層的節(jié)點數(shù)，P為層數(shù)，如此高指數(shù)的計算復(fù)雜度是一個無法直接得到最佳解的模型。另外，神經(jīng)網(wǎng)絡(luò)的模型同人的大腦的神經(jīng)網(wǎng)絡(luò)的機(jī)理相差甚大，腦神經(jīng)的刺激信號的原理不能在傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型中，僅僅通過初等數(shù)學(xué)的加權(quán)以及人為所設(shè)定閥值充分體現(xiàn)，人的頭腦通過神經(jīng)脈沖的刺激的數(shù)量的多少決定頭腦興奮程度的機(jī)理，在目前的神經(jīng)網(wǎng)絡(luò)的模型中也不能體現(xiàn)，再有輸入數(shù)據(jù)往往是隨機(jī)的，神經(jīng)網(wǎng)絡(luò)模型并沒有考慮針對隨機(jī)變量的處理等等，目前的神經(jīng)網(wǎng)絡(luò)模型只能是學(xué)術(shù)上的，代表一種方向性的理論，同達(dá)到實際應(yīng)用的程度差距甚大。如今進(jìn)入深度學(xué)習(xí)的階段，同傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比只增加了隱藏層的數(shù)量，這更加使計算的復(fù)雜度加大，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的致命問題得不到解決，廣泛應(yīng)用的前景何在不言而喻了。

這里提出一個革命性的“超深度學(xué)習(xí)”的神經(jīng)網(wǎng)絡(luò)的構(gòu)造。把上述可以快速的進(jìn)行機(jī)器學(xué)習(xí)的概率尺度自組織算法，作為神經(jīng)網(wǎng)絡(luò)輸入層與隱藏層各個節(jié)點之間的連接關(guān)系，這樣就解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在做學(xué)習(xí)時的計算量大無法獲得最佳解的問題，同時用機(jī)器學(xué)習(xí)所得到的最大概率尺度作為激發(fā)神經(jīng)網(wǎng)絡(luò)產(chǎn)生神經(jīng)脈沖的閥值，可獲得非常接近神經(jīng)元的效果，因此可以把隱藏層作為神經(jīng)層，在輸出層上，由于神經(jīng)層輸出的是脈沖，輸出層可根據(jù)輸入脈沖的個數(shù)的多少決定被識別的圖像是否為已經(jīng)學(xué)習(xí)過的圖像，這又很接近大腦根據(jù)神經(jīng)元輸出的神經(jīng)信號的多少所能夠讓大腦產(chǎn)生興奮的程度來判斷是否是已經(jīng)學(xué)習(xí)過的圖像，因此可把輸出層定義成頭腦層。非常有意思的是在這種神經(jīng)網(wǎng)絡(luò)出現(xiàn)判斷失誤時，頭腦層還可以進(jìn)行自學(xué)習(xí)，讓今后不會出現(xiàn)失誤的現(xiàn)象。

“超深度學(xué)習(xí)”的神經(jīng)元結(jié)構(gòu)只需要三層，輸入層，神經(jīng)層以及頭腦層，計算復(fù)雜度只有O^2,所以普通的智能手機(jī)都可以搭載這種算法，而且還適用于解決具有隨機(jī)分布的復(fù)雜系的問題，將傳統(tǒng)的深度學(xué)習(xí)進(jìn)行了徹底的顛覆?？芍苯討?yīng)用于對圖像的識別，聲音識別，或金融或股票等的最佳化預(yù)測，并且必然可以產(chǎn)生特殊的應(yīng)用效果。

總之，人工智能是推動第四次產(chǎn)業(yè)革命的基礎(chǔ)理論，可以使傳統(tǒng)的算法產(chǎn)生顛覆性的突破，可推動產(chǎn)業(yè)產(chǎn)生巨大的發(fā)展，希望年輕的科技人員擔(dān)負(fù)起時代的重任奮起投入這一領(lǐng)域，一個嶄新的人工智能時代已經(jīng)到來！

注：上述標(biāo)有“＊”的題目的相關(guān)內(nèi)容為作者參照已有理論提出的發(fā)明或提出的觀點，標(biāo)有“＊＊”題目的相關(guān)內(nèi)容為作者獨自的發(fā)明或提出的獨自的觀點，無標(biāo)注的題目的相關(guān)內(nèi)容為已發(fā)表的公知的內(nèi)容。