本文轉(zhuǎn)自雷鋒網(wǎng)，如需轉(zhuǎn)載請(qǐng)至雷鋒網(wǎng)官網(wǎng)申請(qǐng)授權(quán)。

2021年12月17日，西安電子科技大學(xué)人工智能學(xué)院教授、歐洲科學(xué)院外籍院士、IEEE Fellow焦李成受邀參加2021中國(guó)計(jì)算機(jī)大會(huì)“下一代演化計(jì)算發(fā)展趨勢(shì)”論壇，并做了“進(jìn)化優(yōu)化與深度學(xué)習(xí)的思考”的主旨報(bào)告。

在報(bào)告中焦李成梳理了“進(jìn)化”相關(guān)的發(fā)展淵源與思想起源，指出了當(dāng)前人工智能的學(xué)術(shù)缺陷與實(shí)際困境，并從類腦的角度給出了解決路徑：

“神經(jīng)網(wǎng)絡(luò)不應(yīng)該是目前的意義上進(jìn)行權(quán)重調(diào)參，它的結(jié)構(gòu)應(yīng)該具備變化性、可塑性、學(xué)習(xí)性和動(dòng)態(tài)性；在類腦感知的過(guò)程中，腦的獎(jiǎng)懲、學(xué)習(xí)、信息表征機(jī)制，以及突觸的學(xué)習(xí)記憶、再生長(zhǎng)和發(fā)育的機(jī)制對(duì)于信息的重建及編碼和處理具有重要的作用。上述特性是現(xiàn)有深度網(wǎng)絡(luò)所沒(méi)有重視的。”

以下是報(bào)告全文，AI科技評(píng)論做了有刪改的整理：

今天的演講主要分為五個(gè)部分：發(fā)展淵源與思想起源、進(jìn)化優(yōu)化與學(xué)習(xí)、類腦表征學(xué)習(xí)與優(yōu)化、進(jìn)化優(yōu)化與深度表征學(xué)習(xí)，以及思考與挑戰(zhàn)。

人工智能幾十年來(lái)得到了長(zhǎng)足的發(fā)展，而進(jìn)化優(yōu)化和類腦啟發(fā)的深度學(xué)習(xí)是現(xiàn)在人工智能技術(shù)的核心，其關(guān)鍵是：用腦處理知識(shí)和自然演化思想發(fā)展人工智能技術(shù)。這兩個(gè)思想的發(fā)展可以通過(guò)歷年頒發(fā)的科學(xué)獎(jiǎng)項(xiàng)窺得一二。

例如通過(guò)梳理腦科學(xué)諾貝爾獎(jiǎng)可以明晰“人類如何思考”，回顧圖靈獎(jiǎng)可以討論“機(jī)器如何進(jìn)行學(xué)習(xí)和推理”，了解歷年生物相關(guān)的諾貝爾獎(jiǎng)，可以在“生物如何選擇優(yōu)化”方面給我們啟示。那么這些工作對(duì)現(xiàn)在的人工智能技術(shù)發(fā)展有什么啟示？

其實(shí)，目前學(xué)者用人工智能解決實(shí)際問(wèn)題可以分為以下幾個(gè)步驟：機(jī)器學(xué)習(xí)推導(dǎo)符號(hào) =>深度學(xué)習(xí)=>深度強(qiáng)化學(xué)習(xí)（感知+決策）=>深度遷移學(xué)習(xí)（環(huán)境適應(yīng)）=>深度元學(xué)習(xí)（自動(dòng)學(xué)習(xí)）。對(duì)于這一步驟路徑，徐宗本院士曾經(jīng)有一段關(guān)于機(jī)器自動(dòng)學(xué)習(xí)的描述：

“機(jī)器學(xué)習(xí)自動(dòng)化：首先在數(shù)據(jù)層面上，數(shù)據(jù)樣本需要實(shí)現(xiàn)自生成、自選擇；其次在模型算法層面上，模型算法需要實(shí)現(xiàn)自構(gòu)建、自設(shè)計(jì)；最后在環(huán)境任務(wù)層面上，環(huán)境任務(wù)要實(shí)現(xiàn)自適應(yīng)、自轉(zhuǎn)換。人工智能的發(fā)展軌跡應(yīng)該是從人工走向自動(dòng)化，再邁向自主智能。”

從這段話也可以看出，這幾個(gè)步驟環(huán)環(huán)相扣，一層比一層有難度，那么我們應(yīng)該如何更加有效的優(yōu)化這條路徑？

1 進(jìn)化優(yōu)化思想起源

進(jìn)化優(yōu)化的思想起源很早，達(dá)爾文提出的全局優(yōu)化以及拉馬克、班德溫提出的局部學(xué)習(xí)奠基了如今進(jìn)化算法的學(xué)術(shù)思想。在進(jìn)化學(xué)習(xí)語(yǔ)境下，我們希望無(wú)組織機(jī)器通過(guò)進(jìn)化、學(xué)習(xí)、反饋的路徑找到通用的機(jī)器學(xué)習(xí)方法。

1948年，圖靈在《智能機(jī)》報(bào)告中也指出從嬰兒到成人，人類大腦皮層可以看做從無(wú)組織機(jī)器進(jìn)化為通用機(jī)器。在這之后，進(jìn)化優(yōu)化發(fā)展出了四大基本分支：

• 進(jìn)化編程：1960年，L.J.Fogel提出將模擬進(jìn)化作為一個(gè)學(xué)習(xí)過(guò)程以生成廣泛的人工智能機(jī)器，其強(qiáng)調(diào)自然進(jìn)化中群體級(jí)行為變化。
• 進(jìn)化策略：1964年，德國(guó)柏林工業(yè)大學(xué)的兩位學(xué)生 L.Rechenberg與H. Schwefel借鑒生物的變異和選擇提出了進(jìn)化策略。
• 遺傳算法：1975年，J.H.Holland借鑒了C.R.Darwin的生物進(jìn)化論與G.J.Mendels的遺傳定律提出了遺傳算法。
• 遺傳編程：1980年，S.F.Smith提出了基于遺傳自適應(yīng)算法的學(xué)習(xí)系統(tǒng)，J.R.Koza撰寫了《遺傳編程：用自然選擇讓計(jì)算機(jī)編程》。

根據(jù)進(jìn)化計(jì)算思想，科學(xué)家們又設(shè)計(jì)了它的動(dòng)力學(xué)過(guò)程：群體智能，它可以由混沌狀態(tài)出發(fā)，通過(guò)價(jià)值啟發(fā)信息探索規(guī)律、模式和知識(shí)，最終得到解。它的過(guò)程是通過(guò)動(dòng)力學(xué)的演化過(guò)程，以概率1收斂到全局最優(yōu)解，特點(diǎn)表現(xiàn)為隨機(jī)、非線性、遍歷、自組織性、適應(yīng)性、多樣性、穩(wěn)定性和高度并行性。

如上圖所示，群體智能的思想起源很早，其代表性的方法包括蟻群優(yōu)化、粒子群優(yōu)化、免疫算法、螢火蟲算法等等。利用進(jìn)化優(yōu)化求解復(fù)雜問(wèn)題，主要是利用它的并行性、奇異性、易修改性、高度的非線性以及廣泛的應(yīng)用性等特點(diǎn)，從而匹配NP難問(wèn)題和組合爆炸問(wèn)題。

此外，在進(jìn)化優(yōu)化算法發(fā)展的過(guò)程中，自然免疫學(xué)理論為人工免疫進(jìn)化優(yōu)化提供了堅(jiān)實(shí)的理論基礎(chǔ)。從信息負(fù)表示算法到免疫進(jìn)化算法，再到人工免疫的網(wǎng)絡(luò)、克隆選擇算法，以及樹突細(xì)胞算法，讓進(jìn)化優(yōu)化算法有了“利用先驗(yàn)知識(shí)，具有容錯(cuò)性、免疫性、魯棒性”等特點(diǎn)，使其和實(shí)際問(wèn)題更加靠近，能夠在動(dòng)態(tài)中尋求最優(yōu)解。

生物免疫同樣也證明了這一點(diǎn)，生物諾獎(jiǎng)的領(lǐng)域也為發(fā)展新的算法提供了堅(jiān)實(shí)的理論基礎(chǔ)。“在記憶中學(xué)習(xí)，在遺忘中加速”使最優(yōu)解算法更加有效，符合優(yōu)勝劣汰的根本思想。

人工免疫系統(tǒng)模型的特點(diǎn)是：學(xué)習(xí)記憶性、多樣性、分布性、容錯(cuò)性和被動(dòng)免疫性。這也為構(gòu)造高效、魯棒、容錯(cuò)的算法提供了生物的基礎(chǔ)。人工免疫系統(tǒng)方法應(yīng)用在各個(gè)領(lǐng)域，已經(jīng)有非常好的表現(xiàn)，希望它能夠和進(jìn)化計(jì)算、深度學(xué)習(xí)結(jié)合起來(lái)，共同推動(dòng)領(lǐng)域發(fā)展。

提及進(jìn)化，一定離不開(kāi)類腦的感知和認(rèn)知，離不開(kāi)神經(jīng)網(wǎng)絡(luò)以及深度學(xué)習(xí)。2021年諾貝爾醫(yī)學(xué)獎(jiǎng)?lì)C給了David Julius和Ardem Patapoutian，當(dāng)時(shí)給出的獲獎(jiǎng)理由是：

人體對(duì)熱、冷和觸覺(jué)的感知能力對(duì)我們的生存至關(guān)重要，并且支撐著我們與周圍世界的互動(dòng)。他們發(fā)現(xiàn)了“溫度和觸覺(jué)的受體”。

這給我們帶來(lái)了“類腦感知與認(rèn)知研究非常有意義”的啟示。從類腦的感知到認(rèn)知是長(zhǎng)時(shí)間的過(guò)程，而認(rèn)知科學(xué)是一門對(duì)心智及其過(guò)程進(jìn)行多學(xué)科研究的科學(xué)，如果說(shuō)感知包含視覺(jué)、聽(tīng)覺(jué)、觸覺(jué)、味覺(jué)等，而認(rèn)知是教會(huì)我們理解、思考、推斷、決策，那么如何對(duì)心智及其過(guò)程進(jìn)行準(zhǔn)確而全面的觀察是認(rèn)知科學(xué)的基礎(chǔ)，也是巨大的挑戰(zhàn)。Tomaso A.Poggio教授認(rèn)為：人工智能過(guò)去的突破來(lái)自于神經(jīng)科學(xué)，將來(lái)的突破也來(lái)自于神經(jīng)科學(xué)。

2 類腦表征學(xué)習(xí)與優(yōu)化

回憶類腦的感知和認(rèn)知，首先要了解腦的生物機(jī)理和基本特性。如上圖所示，人腦的六個(gè)特性是近20年生物界最新發(fā)現(xiàn)：稀疏性、學(xué)習(xí)性、選擇性、方向性、知識(shí)性和多樣性。

• 稀疏性：1996年， Olshausen和 Field在《Nature》上發(fā)文提出神經(jīng)元稀編學(xué)說(shuō)；2007年，Svoboda和 Brecht在《Science》上發(fā)表論文，用白鼠實(shí)驗(yàn)驗(yàn)證了神經(jīng)元“稀疏編碼”假說(shuō)。
• 學(xué)習(xí)性：2011年，美國(guó)MIT學(xué)者 Tenenbaum與CMU、 Berkeley、 Standford大學(xué)等人在《Science》上指出：人類能從少量的數(shù)據(jù)學(xué)到一般化的知識(shí)，即具有“抽象知識(shí)”的學(xué)習(xí)能力。
• 選擇性：2011年， Pieter.R等在《Science》發(fā)文提出：經(jīng)實(shí)驗(yàn)證明，猴子大腦細(xì)胞具有自主控制注意區(qū)域的能力；2012年 Xilin Zhang在《Neuron》上發(fā)文提出視覺(jué)信息加工的初期具有顯著注意機(jī)制。
• 方向性：2015年 Arseny Finkelstein在《Nature》上指出生物大腦中存在能感知方向與位置信息的方位角和傾斜角細(xì)胞；2020年 Joshua Jacobsi等人在《Neuron》上發(fā)表觀點(diǎn)提出在人腦內(nèi)側(cè)額葉中發(fā)現(xiàn)了一種以自我為中心空間定位的神經(jīng)編碼模式。這群神經(jīng)元在空間和情景記憶中發(fā)揮重要作用。

而現(xiàn)在的深度學(xué)習(xí)只建立在巨量神經(jīng)元的并行上，更熱衷于前向的網(wǎng)絡(luò)，而對(duì)于神經(jīng)元與神經(jīng)元之間的反饋連接卻沒(méi)有多少研究。因此，對(duì)于類腦的感知和認(rèn)知，無(wú)論從宏觀層面、介觀層面以及微觀層面，都需“再出發(fā)”，都需要利用上述機(jī)理和特性進(jìn)行分析、模擬、構(gòu)造模型。

神經(jīng)網(wǎng)絡(luò)的發(fā)展有很長(zhǎng)的歷史，上述圖片展示了一些卓越貢獻(xiàn)者。例如最早生物神經(jīng)元的提出者、MP神經(jīng)元模型的提出者、感知機(jī)的提出者、連續(xù)神經(jīng)元的提出者以及到后來(lái)明斯基提出感知器只能解決線性可分問(wèn)題而不能解決非線性異或問(wèn)題。

其他學(xué)者在神經(jīng)網(wǎng)絡(luò)領(lǐng)域的貢獻(xiàn)更加出色和難能可貴，例如Grossberg夫婦奮斗一生提出了自適應(yīng)共振機(jī)理論和三個(gè)ART系統(tǒng)。

在中國(guó)層面，提出發(fā)育神經(jīng)元模型的吳文俊先生，提出視覺(jué)通路中三色傳導(dǎo)學(xué)說(shuō)的張香桐先生，模式識(shí)別的創(chuàng)始人傅京蓀以及提出了憶阻器、Chua電路、細(xì)胞神經(jīng)網(wǎng)絡(luò)等理論的蔡少棠先生為神經(jīng)網(wǎng)絡(luò)的發(fā)展做出了巨大貢獻(xiàn)。

值得一提的是，郭愛(ài)克、陳霖、蒲慕明等學(xué)者在生物領(lǐng)域的工作，為建立神經(jīng)網(wǎng)絡(luò)提供了良好的基礎(chǔ)。

時(shí)刻不能忘記前輩的努力，當(dāng)代華人學(xué)者也在接力，他們卓越的學(xué)術(shù)工作使得中國(guó)在國(guó)際上更有影響力。

另外，在2021年，深度卷積網(wǎng)絡(luò)發(fā)明者日本學(xué)者福島邦彥獲鮑爾獎(jiǎng)，表彰他通過(guò)發(fā)明第一個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)「 Neocognitron」將神經(jīng)科學(xué)原理應(yīng)用于工程的開(kāi)創(chuàng)性研究，這是對(duì)人工智能發(fā)展的關(guān)鍵貢獻(xiàn)。LeCun也曾評(píng)價(jià)：福島邦彥教授1980年的卷積網(wǎng)絡(luò)工作給了他很大的啟發(fā)，促使了他1989,1998年分別提出CCN和LeNet。

人工智能的發(fā)展和深度學(xué)習(xí)的興起分不開(kāi)，從1943年、1944年、1949年到今天，已經(jīng)經(jīng)歷了幾起幾落。值得一提的是，BP算法的出現(xiàn)讓神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)多層網(wǎng)絡(luò)，從某種意義上回答了明斯基“單層感知器不能解決非線性可分”的問(wèn)題。

BP算法出現(xiàn)自1974年，P.Werbos在其哈佛大學(xué)博士論文中首次給出詳細(xì)的數(shù)學(xué)推導(dǎo)。之后眾多學(xué)者在其基礎(chǔ)上進(jìn)行改進(jìn)才有了今天神經(jīng)網(wǎng)絡(luò)的發(fā)展。2021年Francis Crick最新工作指出：大腦實(shí)際上不太可能使用反向傳播，也就是說(shuō)BP復(fù)制或傳遞突觸權(quán)重的信息進(jìn)行更新，但是在生物網(wǎng)絡(luò)中，神經(jīng)元只能接收到其他神經(jīng)元的輸出信息，而不能接收到突觸權(quán)重或內(nèi)部過(guò)程。這一發(fā)現(xiàn)也指出，更具生物學(xué)意義的學(xué)習(xí)機(jī)制，或許可以替代反向傳播機(jī)制，例如反饋比對(duì)、預(yù)測(cè)性編碼、錐體神經(jīng)元、注意力機(jī)制等等。

因此，神經(jīng)網(wǎng)絡(luò)不應(yīng)該只是如今意義上的權(quán)重調(diào)參，更重要的是其結(jié)構(gòu)要具有變化性、可塑性、學(xué)習(xí)性和動(dòng)態(tài)性，目前這些特性是現(xiàn)在深度網(wǎng)絡(luò)所沒(méi)有重視的。

同樣，在類腦感知的過(guò)程中，獎(jiǎng)懲機(jī)制、學(xué)習(xí)機(jī)制、信息表征機(jī)制、再生長(zhǎng)和發(fā)育機(jī)制等，對(duì)于信息的重建、記憶編碼和處理具有重要的作用。目前這些特性在深度神經(jīng)網(wǎng)絡(luò)中也沒(méi)有得到重視。

人工智能中的“特征工程”、“特征搜索”、“表征學(xué)習(xí)”的說(shuō)法，應(yīng)該換成“大數(shù)據(jù)驅(qū)動(dòng)下的表征學(xué)習(xí)”、“大數(shù)據(jù)和知識(shí)先驗(yàn)驅(qū)動(dòng)下的表征學(xué)習(xí)”，這樣顯然更有意義。

在研究認(rèn)知建模、自動(dòng)學(xué)習(xí)以及漸進(jìn)演化的過(guò)程中，應(yīng)該結(jié)合環(huán)境的變化、自然的演化以及學(xué)習(xí)動(dòng)態(tài)變化，能夠幫助我們?cè)谡J(rèn)知、學(xué)習(xí)、優(yōu)化、計(jì)算、識(shí)別的道路上構(gòu)造新的模型，構(gòu)造新的算法，創(chuàng)新新的有潛力的途徑。

目前，我們將物理的Wishart極化特性與大腦的稀疏性相結(jié)合，提出了一種快速提取目標(biāo)信息的非線性稀疏變換網(wǎng)絡(luò)——Wishart Deep Stacking Network(W-DSN),設(shè)計(jì)了初級(jí)快速感知與高級(jí)層次感知模塊，能夠在噪聲未知時(shí)對(duì)目標(biāo)數(shù)據(jù)自動(dòng)抽取高層語(yǔ)義特征，實(shí)現(xiàn)自動(dòng)、高效、精準(zhǔn)的分類。

另一個(gè)工作是也把物理特征、腦的稀疏特征、多尺度特征與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出Contourlet卷積神經(jīng)網(wǎng)絡(luò)，解決了稀疏的、方向的、多非變的尺度特征的提取和表征問(wèn)題。

3 進(jìn)化優(yōu)化與深度表征學(xué)習(xí)

人腦的進(jìn)化，包括神經(jīng)網(wǎng)絡(luò)的進(jìn)化，其實(shí)是參數(shù)的進(jìn)化、超參數(shù)調(diào)整，以及結(jié)構(gòu)進(jìn)化和動(dòng)力學(xué)過(guò)程。而進(jìn)化算法其實(shí)是從人工到自動(dòng)的突圍，深度學(xué)習(xí)與進(jìn)化相結(jié)合或許是讓機(jī)器學(xué)習(xí)擁有自動(dòng)進(jìn)化能力的一種路徑。

深度與進(jìn)化結(jié)合的研究有兩方面的優(yōu)勢(shì)。其一，進(jìn)化解決深度網(wǎng)絡(luò)結(jié)構(gòu)、權(quán)重、參數(shù)等優(yōu)化的科學(xué)問(wèn)題；其二，深度解決進(jìn)化搜索效率低、復(fù)雜度高的科學(xué)問(wèn)題。具體而言，深度學(xué)習(xí)改善進(jìn)化計(jì)算收斂速度慢、解多樣性退化、質(zhì)量低的問(wèn)題。

例如，利用深度神經(jīng)網(wǎng)絡(luò)表征問(wèn)題的特性，維持群體多樣性；深度神經(jīng)網(wǎng)絡(luò)代替昂貴的適應(yīng)度評(píng)價(jià)過(guò)程；利用深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)進(jìn)化計(jì)算的選解機(jī)制。

進(jìn)化計(jì)算和深度學(xué)習(xí)相結(jié)合在謀求自動(dòng)求解非線性、小樣本、大數(shù)據(jù)、高維度、組合爆炸等復(fù)雜向題非常有潛力。這方面的代表性工作是“神經(jīng)結(jié)構(gòu)進(jìn)化搜索(NAS)”。

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的進(jìn)化研究已經(jīng)有幾十年的歷程，如上圖所示，已經(jīng)出現(xiàn)了一些出色的工作。它有如下特點(diǎn)：

• 無(wú)需求導(dǎo)：進(jìn)化搜索是隨機(jī)搜索算法，不需要計(jì)算梯度和解析的目標(biāo)函數(shù)。
• 群體特性：進(jìn)化搜索是基于種群的搜索算法，一次可以獲得多個(gè)解。
• 組合爆炸：進(jìn)化搜索應(yīng)用范圍廣，適合大規(guī)模復(fù)雜問(wèn)題的優(yōu)化。
• 全局最優(yōu)解： 進(jìn)化搜索是隨機(jī)搜索方法，且算法以概率1收斂到全局最優(yōu)解。
• 非線性隨機(jī)：進(jìn)化搜索可以解決非線性問(wèn)題，尋優(yōu)規(guī)則由概率決定。
• 并行計(jì)算：可以通過(guò)大規(guī)模并行計(jì)算來(lái)提高計(jì)算速度。

2021年的最新工作中，加拿大渥太華以及麥吉爾大學(xué)的研究人員表明：使用突發(fā)規(guī)則構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)具有良好性能，為進(jìn)化神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索供了更加堅(jiān)實(shí)的理論基礎(chǔ)。換句話說(shuō)，機(jī)器正在進(jìn)行的學(xué)習(xí)方式可以通過(guò)生理過(guò)程來(lái)逼近。

神經(jīng)網(wǎng)絡(luò)權(quán)值優(yōu)化也經(jīng)過(guò)了多年的發(fā)展。80年代提出的權(quán)重優(yōu)化相關(guān)工作包含動(dòng)力學(xué)過(guò)程；而目前神經(jīng)網(wǎng)絡(luò)的進(jìn)化優(yōu)化，主要局限于權(quán)值的優(yōu)化和超參的優(yōu)化。這是組合爆炸問(wèn)題，使得優(yōu)化過(guò)程收斂速度慢、計(jì)算時(shí)間長(zhǎng)、復(fù)雜度高，而難以使用。因此，梯度優(yōu)化算法容易受到局部最優(yōu)的影響，而進(jìn)化算法在存在鞍點(diǎn)的情況下表現(xiàn)非常好。

當(dāng)前超參數(shù)選取大多依靠堆疊GPU，這只能緩解計(jì)算量問(wèn)題，但從機(jī)理上而言，需要找到自動(dòng)學(xué)習(xí)的方法。超參數(shù)優(yōu)化的問(wèn)題在于：非線性、非凸、組合優(yōu)化、混合優(yōu)化、試錯(cuò)成本高、組合爆炸。經(jīng)過(guò)幾十年的發(fā)展，這些問(wèn)題仍然沒(méi)有解決。

同樣有幾十年研究底蘊(yùn)的領(lǐng)域還有元學(xué)習(xí)，它需解決的基本問(wèn)題是：元知識(shí)的表征、元學(xué)習(xí)器以及元目標(biāo)。現(xiàn)在已經(jīng)有一系列的辦法解決可解釋性和魯棒性，但遠(yuǎn)遠(yuǎn)不夠，因?yàn)閷?duì)泛化性能的提高、對(duì)可解釋性的追求、對(duì)進(jìn)化全局最優(yōu)解的追求永遠(yuǎn)在路上。

4 總結(jié)

因此我們需要通過(guò)自然智能（包括類腦智能學(xué)習(xí)和優(yōu)化）來(lái)達(dá)成這些目標(biāo)。在進(jìn)化的路上，我們需要做到“耳聰目明”，例如表征的緊促、正交、準(zhǔn)確，學(xué)習(xí)的明確，解釋的清楚。以雷達(dá)研究為例，從最早的看得見(jiàn)，到測(cè)得準(zhǔn)，再到觀得清，最后到辨得明，這恰恰印證了人工智能（包括進(jìn)化計(jì)算和深度學(xué)習(xí)）的發(fā)展特點(diǎn)。

ABC，也就是人工智能（AI）、生物智能（BI）、計(jì)算智能（CI）有無(wú)限光明。希望我們共同牢記初心、不負(fù)使命、砥礪前行，認(rèn)認(rèn)真真、扎扎實(shí)實(shí)做學(xué)問(wèn)。