普适智能和普适学习 智能革命和智能经济的引擎 完整PPT
黄广斌
这一年我们做了一些事情，重点聚焦于快速学习或是终端学习、本地化学习，有时候我们也用深度学习。深度学习和本地化学习我认为是一个很好的组合，尤其是智能革命、智能经济的到来，我觉得应该上下互通。各个本地的机器学习应该互通，云端智能和本地智能应该互通，形成一个完美的组合体。
很多人认为现在是人工智能时代，但是从大方向讲，我认为是第三次生产力革命已经到来。这是一个和农业革命、工业革命并驾齐驱的时代，所以现在还处于初步阶段。我们有很多疑惑，人工智能在做什么？人工智能能不能超过人？人工智能能不能普及化？人工智能能不能从云端推向本地化？所有这些都是发展过程当中很自然的阶段。当我们有疑问的时候，很多事情已经在开始。长期来说，我们还处于智能革命的底端。
大数据不光是大，我觉得它会改变很多很多东西。现在人工智能用比较多的还是神经网络，深度学习也是神经网络的一种。深度学习或者是神经网络为什么这么有效？我们是从应用角度讲很有效。其实在理论上看，20世纪80年代末到90年代初，人们最早是使用通用逼近能力定理，这是证明过的。我们也证明了分类能力，其实很多情况应用要不就是分类能力要不就是万能逼近能力。
从生物学习和机器学习的研究看，人的大脑是总体有序，局部无序。自然界和生物学习系统惊人相似，是自然界的美妙之处，也是生物学习通用能力的奥妙和秘密。但和传统的机器学习的方法不一样。我们理论证明并不一定要知道神经元是什么形态。冯·诺依曼有一个困惑，计算机为什么这么美好又很脆弱，人脑袋看来乱七八糟，又有很高的完美学习能力，很难解释这个问题。但是，从理论上看，我们正好解释了这个问题：整体有序，局部无序，局部无序创造了能力。这种局部无序正好让我们人看上去学习能力很稳定，也很高效。
从普适学习技术的必要条件看，第一要低功耗的硬件和智能材料。这个智能材料不一定是某种特质材料。很多材料变得智能，去年苏黎世IBM研究院发表一篇文章谈到创造第一个人造生物神经元，材料本身具有随机性，这个正好我们从理论上可以说明。另外一个是需要较少的人工干预，需要实时性。为了和云端形成互补，云端讲究大数据延时，大功耗，较多的人工干预。本地化学习就需要较小的数据，较小的数据解决复杂的问题，满足本地化学习的必要条件。
从深度学习看，讲究的是高功耗、长延迟、高计算强度，正好本地化需要的是低功耗、小数据、较小人工干预，低延迟，这在将来应该是一个很好的有机的融合。
我们现在谈的很多是人工智能或者机器学习，大部分谈的是云端智能。云端智能好多应用像软件一样，不是一個算法，应该是多个算法的组合。我觉得将来是一个趋势。你招人或者你投资，要看这个公司这个团队或者这个人机器学习能力的多样性，这很重要。不是说光做一件事情。从长期来说，人工智能技术的发展，15年是一个周期。
从物联网角度来说，我们谈的很多数据都跟物联网有关系。大多数情况下大数据在云端，并且，大数据还有一个多样性。我们有很多传感器，单个传感器的数据不多，可是就一个统一应用而言，从应用角度来说可能数据就很多。我们讲这些数据怎么处理？你有一种传统方法把所有数据放到云端去，为什么不可以把数据本地化学习，传感器变成本地采集数据，不光是传输数据，本地采集数据、分析数据，再传输数据。你把必要的数据再传输出去，省掉功耗，同时数据本地化。从这个角度来讲，下一个趋势是物联网到智能物联网，每个智能传感器加上智能硬件。
深度学习不是生物学习，有效但不是全部。长期来说，总有一天发现两个函数，生物学习是F1，机器学习是F2，两者有焦集，也有分杈。从学习角度来说，把两者结合可能是最好最高境界，你既懂生物学习，也懂机器学习。因此，普适学习、普适智能的时代即将来临，起码已也经听到脚步声了。从当前可以判断，未来的发展趋势1：云端智能和本地智能的有机融合。趋势2：云端智能的同步协同。趋势3：从物联网到智能物联网。趋势4：机器学习和生物学习的汇合。趋势5：普适学习、普适智能。趋势6：非冯·诺依曼结构智能。趋势7：人工智能模块定制化。趋势8：多智能实时同步。
过去的十多年，我们一直在做这样的事情。在未来的时间里，我认为，智能时代会带来十大影响。一是数据驱动的科学和工程学（数学、信号处理等）二是人工智能和机器学习的分化，三是智能从云端走向普物，四是，智能材料，五是机器智能和进化论，六是智能物联网和新经济模式，七是衔接机器学习和生物学习，八是智能拐点，九是智慧星际旅行、时空倒转，十是伦理“智控”。与此同时，人工智能的10大应用包括智能交通、智能工厂、智能家居、智能教育、智能农场、智能博弈、智能金融、智能餐厅、智能商场、智能医疗。（根据演讲内容整理，未经本人审核）endprint
