目前，中國已成為人工智能的應用大國，但占人工智能算法主流的還是外國的深度學習算法，沒有中國自主知識產權的人工智能通用算法在廣泛使用。許多專家和技術人員為填補人工智能通用算法的空白，在國內體制外非常不近人意的創(chuàng)新環(huán)境中，克服種種困難，多年頑強拼搏在研制原創(chuàng)人工智能通用算法。其中，中國嵌入式系統(tǒng)產業(yè)聯盟理事、天津阿波羅信息技術有限公司和阿波羅株式會社首席科學家顧澤蒼博士（中國籍）發(fā)明的自律學習SDL算法脫穎而出，經四年的實踐，在自動駕駛、醫(yī)療社備、工業(yè)控制和在計算機應用最廣泛的嵌入式系統(tǒng)上都取得驕人的成果，證明了已具有超越先天就有不可克服的缺陷的深度學習算法的技術特征。

雖然，國內還在獨寵深度學習算法，但深度學習算法在應用中因其缺陷顯現的嚴重問題，讓專家們束手無策、讓用戶們非常失望。深度學習算法遇到的應用天花板，讓越來越多的專家、技術人員逐漸改變對深度學習的盲目崇拜，開始尋找和關注新的人工智能算法。這給顧博士發(fā)明的自律學習SDL算法等國內研制的人工智能通用算法帶來擺脫長期受深度學習算法的桎梏快速發(fā)展的機遇。

近日，顧博士滿懷信心地在微信群里發(fā)表如下感言：

從四年前開始我們始終本著矯枉過正對深度學習展開了批評，當時，并不是認為深度學習毫無益處，客觀的評判應該是功大于過！我們是看到當時的社會氣氛，不管多有名的專家學者都不加思索的盲目的追捧深度學習，都不知深度學習的黑箱問題是什么？都相信深度學習不可解釋，甚至把非線性隱藏層的作用神化，今天我們打開黑箱后，把深度學習的機理完全搞清，把人們崇拜的占據最大算力的非線性隱藏層拿去，融合了自律學習SDL模型，深度學習從此擺脫了黑想問題，擺脫了占用算力問題，以及擺脫了不可解釋問題，必將成為可以在任何IT產品上導入AI模型的應用技術，必將成為當今的最強大的機器學習模型！

附：自律學習SDL的特征

自律學習（Self-Discipline Learning SDL）模型其實就是人工智能領域所期待的機器學習模型（自律學習SDL初期曾稱過超深度學習、自組織學習）。這種模型之所以強大是因為具有四個特殊的技術特征。

第一個技術特征是能讓機器模仿人來處理自動駕駛的識別，機器推理，以及自動駕駛的控制問題的算法。

構成自律學習SDL模型的其中一個核心的算法是“概率尺度自組織”，這是一個既簡單又實用的自律學習的算法。“概率尺度自組織”的迭代過程是在高斯分布的任何的初始空間里，逐步朝著最大的概率空間遷移，并最終在最大概率空間里收斂的過程。我們的自動駕駛的三維圖像識別就是用了這么簡單的算法，自動駕駛所遇到的任何障礙物，在三維空間里是一個密度很大的物體，也就是概率分布最大的空間，利用概率尺度自組織的遷移特性，不管障礙物在什么地方，都可以被算法直接抓住，這種圖像識別不需要事先訓練圖像，不需要特征抽出，徹底避免了深度學習對障礙物與背景不好分離，造成把白色車廂看成是云而釀成惡性事故的發(fā)生。

使用我們發(fā)明的概率尺度自組織以及概率空間距離公式，以概率空間為中心的自律聚類這一新的機器學習的發(fā)明其先進性，在美國獲得的發(fā)明專利中被肯定，這也是構成了SDL模型的第二個技術特征。

利用SDL模型可以最佳的最高效率的自律聚類的特點，再加上把SDL模型與卷積核與反向傳播技術的融合，甩掉人工神經網絡，使小數據小模型的SDL模型的能力超越一般的深度學習，這就是自律學習SDL模型的第三個技術特征。

自律學習SDL模型的第四個技術特征就是：利用自律學習的聚類結構簡單以及可分析性的特點，可以方便的融合其他技術。為了解決深度學習還很難解決的針對不同類的數據在低維空間混合在一起不可分問題，引用核函數（Kernel Function）理論，把數據映射到高維空間，使不可分離的數據利用高維空間的超平面就可以分離的技術特征，使SDL模型在分類技術上又產生了飛躍。

規(guī)納SDL模型特點

一、高斯分布下的自律聚類

1.可以實現小數據的最大概率的機器學習效果。

2.不需權重組合，無黑箱問題。

3.適于嵌入式系統(tǒng)的人工智能的應用。

二、融合卷積核與反向傳播

1.消除噪聲，提升機器學習的泛化能力。

2.進一步實現最佳的分類。

3.進一步提升應用效果。

三、能將人的智慧賦予機器

1.可解決在自動駕駛中傳統(tǒng)AI不夠智能的問題。

2.可使自動駕駛的感知系統(tǒng)做到機器深度理解。

3.不是靠算力，而使靠智力靠用人是如何解決問題的智慧授予機器，讓機器做出超越人的工作。

四、導入高維平面分類模型

1.把數據映射到高維空間，在超平面下獲得數據的最大的分類間隔。

2.用算法替代算力，獲得更高的應用效果。