陈俊龙：未来的人工智能技术该何去何从

　　若要说当下哪种技术最火最热，想非人工智能技术莫属。虽然当下人工智能技术发展还处于早期阶段，但小到我们手机使用程序，大到航空航天等都离不开人工智能技术。

　　那么如何利用好人工智能技术向传统行业渗透；发展人工智能是要以技术为导向还是市场需求为目标；以及如何更好的利用人工智能推动养老产业发展；带着这些问题，我们采访到了欧洲科学院外籍院士、澳门大学科技学院电脑及资讯科学系讲座教授陈俊龙。

　　市场需求是发展人工智能的重要导向

　　众所周知，人类对于科技的探索是永无止境的，就目前而言很多最新的科学技术已经远远超出了当下社会的需求，人工智能技术也不例外。对于是该优先发展最先进的科学技术，还是要以市场为导向进行合理发展的问题，各方始终争论不休。对此，陈教授也向记者表明了自己的看法。

　　他认为：市场是决定技术发展的重要方向，如果没有市场需求的话技术做的再先进无法形成商业落地，也将成为一纸空谈。就好比我们做了一个技术最先进的产品，那么它必须要和现有的产品形成比较。如果它能给用户带来直观上的改变，那么它就是有价值的。如若没有，那么就算它做的再先进客户依然是不需要的。

　　除此之外陈教授还认为，以当下科学研发能力只要有良好的市场为导向，任何技术上都不会存在难题的。人工智能技术更是如此，目前的市场需求是完全能够通过技术满足实现的。

　　更为重要的是，我国人工智能市场大环境良好，中央对于发展人工智能的发展也给予了大力度的支持。但中央的支持毕竟是全面性的，无法做到因地制宜。因此，各地政府还需要根据当地情况制定出适合自己的配套政策，引导人工智能产业在当地进行合理开展。

　　人工智能向传统行业渗透 需要多管齐下

　　在推广的同时，如何更好的帮助人工智能向各大传统产业进行渗透一直是困扰业界的一大难题。对此，陈教授告诉记者：当下人工智能技术主要应用集中在人脸识别、语音识别这两大领域并且都应用到了神经网络技术。但这并不是人工智能技术的全部，除此之外，它还涉及到了包括：推问逻辑、智能关联、模糊逻辑应用、遗传算法、混合智能等诸多技术。

　　而人工智能向传统行业渗透首选目标就是制造业。例如神经网络单元可以帮助其在流程控制或者工业控制中进行有效模式辨识。就目前传统制造业而言，在此过程中遇到的最大难题就是如何设置“控制器”。要知道传统制造业的系统模型是 控制过程 无法用数学模式进行描述，而这时就可以利用神经网络对其进行控制，对整个工厂的操作系统进行有效描述，并对细微参数差距进行微调。

　　其次就是如何正确设置控制器。我们都知道在整个工厂的控制系统中，有很多细分的操作系统，这时如果只采用单一的神经网络单元是无法胜任控制工作的，因此我们就需要使用其他人工智能及时进行整合控制。打个比方，一个大型的电力厂在使用人工智能技术后，就可以辨别什么时候使用点的高峰和低谷，在用电低谷的时候将电力存储起来，达到最理想的分配结果。

　　智能养老不仅要多方联动 更需“个性化”订制

　　除了向传统产业渗透以外，人工智能在诸多新兴产业也有着广泛的应用前景，例如现在十分火热的养老产业。那么如何更好的利用人工智能技术推动养老产业发展呢？陈教授认为：不论是智能医疗还是智能养老，单靠业界的努力是很难推动的，必须要依仗政府部门的支持。

　　另外，鉴于每个人的状况病症也不尽一样，在发展智能医疗、智能养老同时，必须要因人而异打造个性化服务。只有通过精细化的订制服务，医生在远程精准获取病人的信息之后，才能准确对症下药。

　　当然，这是最理想化的结果，如果各地受条件限制无法做到一对一的精准服务，这时政府部门就可以承建养老服务中心，对需要帮助的老者进行统一智能化管理服务。因此，陈教授认为建立科学完善的智能养老、智能医疗体系是一项非常浩大的工程，必须要动员到各地政府部门、医院等诸多部门进行配合、运用大数据及物联网等技术才能得以实现。

　　宽度学习一种具有颠覆性的人工智能创新理念

　　对于深度神经网络学习有所了解的朋友一定都知道，这种技术虽然在数据处理以及应用层面有着很大优势。但是由于结构复杂，其在训练时需要采集大量数据做支持，并且为了追求精度，深度训练模型往往需要增加大量的层数与参数，这样一来不仅训练时间过长而且难度也很大。

　　正因如此，陈俊龙教授结合早期单隐层网络的相关研究在业界率先提出了“宽度学习系统”（Broad Learning System）这一创新理念。宽度学习最大的特点在于其单隐层结构特点，与传统深度神经网络最大的不同之处在于，宽度学习并不采用深度结构，而是基于单隐层神经网络而构建，因此在处理中可以用易懂的数学推导来进行增量学习，具有横向扩展和增量学习的优势。

　　除此之外，深度神经网络在面对精度不够的难题时，一般会采用增加层数或者调整参数的方式来解决。而宽度学习则可以通过横向拓展的方式，利用输入映射的特征作为网络特征节点，进而增强成为生成权重的增强节点，并将特征节点与增强节点直接传输到输出端。更为重要的是，宽度学习并不需要从头开始学习演练，只需要调解新增节点相关的权重，达到对新加入的节点进行增量学习的目的。

　　更为重要的是，宽度学习系统可以轻松的置于客户端来执行，而不需要依赖超级计算机或者云端服务器进行远程计算，可以轻松的在智能控制环境中进行更新学习。采访最后，陈教授对记者表示：虽然宽度学习现在还有诸多问题等待解决，但是在他看来宽度学习独特的逼近优势以及算法快的特点能够使其成为未来主流训练方法，未来工作重心也将继续放在宽度学习领域，并为其寻找合适的应用行业与场景。