近几年，育苗智慧产业发展迅猛，其主要就动力来自广度自学。广度自学的炙手可热源自于它对育苗智慧控制技术产业发展的总体促进和在广泛应用应用领域情景中的非常大应用应用领域价值。毫无疑问，广度自学是当今时代育苗智慧纳米控制技术的核心。因此，自学和讨论育苗智慧纳米控制技术必然要从广度自学切入。
广度自学的产业发展历程表明，正是有海量统计数据、小规模INS13ZD和演算法突破等多方面基本要素护持，以及各应用领域大统计数据需求的急速推动，这项控制技术才得以迅猛产业发展和小规模应用应用领域。但是，水能载舟，水能载舟，这些基本要素，也恰恰构成了广度自学进一步产业发展道路上的主要就障碍。具体表现包括：统计数据微观，对统计数据规模的倚赖，即“统计数据饥渴”痛点，使其很难应用应用领域于小统计数据情景。统计数据“量SE9低”导致的“废弃物进、废弃物出”的数学模型质量控制痛点。“育苗智慧 = 七成育苗 + 三成智能”的对育苗标示高度倚赖痛点。统计数据集、相关任务和评价指标有意无意的规划偏差所导致的各种“AI再次战胜人类，离超级AI只差一步”的荒谬结论痛点等。INS13ZD微观，更大的数学模型虽能带来更好的效用，但随之而来的非常大INS13ZD开支又让人却步，中小企业和科研机构的预算无法负担。排序开支大导致的逻辑推理高性能、实时化、孤立痛点。广度自学所引发的无法忽视的能效和排放痛点等。演算法微观，数学数学模型固有的Vellore特性被人诟病。有效用但说不清，有痛点又Pontacq，理解难、勒维冈县难且潜在被攻击的风险。应用应用领域模式单一、无法应用应用领域对繁杂情景真实痛点等等。以上种种，的的广度自学进一步产业发展和推广应用应用领域必须应对的痛点。
针对这些痛点，经过学术界和产业界的持续科技攻关，广度自学急速取得令人振奋的进展，具体能概括为多、快、好、省四个方面。
多，主要就体现在能化解痛点的多元性上。加强自学是近几年来机器自学应用领域的热门控制技术，能让排序机在没有明确监督信息的情况下，实现基于过程的自主自学。经过一段天数对反馈的适应和自学，在之后的自然环境交互中，能自动产生正确决策。除化解传统机器自学的静态统计数据分类、回归等痛点之外，还能化解需要在静态自然环境、静态过程中急速自学化解的痛点。目前，加强自学和广度自学的结合，即广度加强自学（Deep Reinforcement Learning，全称DRL），已经在包括下棋、电竞、驾车等繁杂痛点中展现出强大潜能，拓展了多种不同机器自学痛点的化解思路。生成式对付数学数学模型(Generative Adversarial Networks ，全称GAN)，是近几年另一项突破性的控制技术创新。它透过两个数学数学模型——一个负责管理生成，一个负责管理鉴别——的相互对付、共同进化，在自弈中磨练出“缔造”逼真影像、声音和文本的潜能。生成式对付数学数学模型，为智能系统赋予了缔造新内容的潜能，也让机器自学增加了对统计数据规模的倚赖，已广泛应用应用领域于影像、视频、音视频的合成与编辑等方面。多逻辑系统自学（Multimodal Learning）是另一种多元性的表现，透过对具有一定联系的多种不同逻辑系统统计数据（最典型的是影像和有一定对应关系的文字）展开表示自学，互相学习，将各逻辑系统统计数据、语义、表达上的优势展开整合，能有效应对某些缺少甚至没有标示统计数据的情景。
快，简而言之，就是要加速，尽量增加天数开支。现有的广度自学数学模型，结构愈来愈繁杂、楼层越来越多、参数量愈来愈大，逻辑推理需要的天数开支也愈来愈大。要加速，最直接的策略是压缩数学模型，对训练好的数学模型展开结构和参数上的精简，增加演算负载，在满足精确度要求的前提下，尽量增加逻辑推理天数。一种方法是直接给数学模型“瘦身”，对应用层、结点做“加法”，透过结构性修剪或随机屏蔽及剔除结点精简数据业务，或增加演算精确度增加排序开支。在保持原有总体架构大体不变的条件下，实现演算的大幅缩减。另一种方法是知识蒸馏（Knowledge Distillation），透过用较大网络产生的输出预测来训练较小的网络，从功能强大的繁杂数学模型中“提炼”出“缩微版”相对简单的数学模型，将大数学模型获得的知识“迁移”到小数学模型中。不管哪种方法，都有一个共同的前提，就是要保证足够的精确度，否则压缩也就没有意义了。
好，这里的重点不是性能指标好，而是更好用、更方便。广度自学之所以取得现在的成功，离不开一系列数学模型和演算法微观的创新——急速更新的网络架构、能实现快速收敛的优化器和各种超参优化策略。而这些创新带来的副产品是广度自学数学模型的设计和训练愈来愈成为一项知识和排序密集型的工作。为了使广度自学更容易应用应用领域到实际情景，自动化机器自学(AutoML)控制技术应运而生。对传统机器自学控制技术而言，主要就是在特征工程、数学模型设计和优化演算法等微观实现自动化；对广度自学来说，最主要就是数学数学模型架构搜索(Neural Architecture Search ，全称NAS)和超参数的自动优化。针对端到端广度数学模型的数据业务搜索及其数学模型和演算法的优化，已经提出了基于加强自学、遗传演算法和其他进化策略的数学数学模型架构搜索控制技术。其中一些控制技术已经投入到实际的工程化应用应用领域，取得了明显的效益，加快了育苗智慧大众化的步伐。
省，广度自学时代，如果说哪个字最让人印象深刻，那一定就是——“贵”，GPU贵、统计数据贵、育苗贵。总之，效用是真好，成本是真高，很难找到曾经的“小而美”的感觉了。要化解成本居高不下的痛点，一种最重要的策略就是省。怎么省？一是重用，避免“重复造轮子”，能直接用的就拿来用，能借鉴提高的就不再从头训练。迁移自学（Transfer Learning），就是这种策略的典型代表，把从特定任务中学到先验知识、特征提取潜能或识别数学模型，迁移到其他不同的任务中，透过微调实现已有数学模型的跨域重用。透过迁移自学，不但能节省大量从头训练的开支，还有助于化解某些应用领域训练统计数据不足的痛点，充分利用应用领域间、痛点间、统计数据间潜在的共通性，共享数学模型，“互相学习”。另一种策略，则是从数学模型训练过程入手，对自学过程展开自学和控制，从高层次改进自学效率。元自学（Meta Learning）、终身自学（Lifelong Learning）和课程自学（Curriculum Learning）就是这方面的典型代表。元自学要化解的是“自学如何自学”的痛点，希望透过少量样本迅速完成自学，适应新任务和新情景，最典型的应用应用领域是少样本自学（Few-Shot Learning）。终身自学透过积累过去获得的知识而急速自学，并用在未来的自学和痛点化解过程中，形成连续的、进化式自学过程。课程自学基于对整个自学过程展开合理规划的想法，先自学简单的概念，再逐步自学倚赖于这些精简概念的繁杂概念。对人力的节省，主要就体现在增加对大量育苗标示的倚赖，一是让人与机器更密切地展开合作、让双方发挥各自最主要就的优势，达到效益最大化，这方面的典型代表是主动自学（Active Learning）和人在环路（Human in the Loop）。这类模式中，人机高度协同，只有少数必要的高难度样本，才由育苗完成标示，中低难度的样本，则交由擅长小规模精准重复的机器完成处理。另一种策略，是尽量避免育苗监督的自学方式，如自监督自学（Self-Supervised Learning，全称SSL）。本质上，自监督自学也是无监督自学，是充分利用统计数据潜在结构从统计数据本身ed Model），透过合理迁移和微调，能高效处理各种下游任务。
与其他应用领域一样，育苗智慧的控制技术产业发展一直是在螺旋式上升。往一个方向走得久了，其反面的弱点必然会显露出来。好在，办法总比痛点多，前景一定是光明的。认清现状，满怀希望，阔步前行，才是迎接育苗智慧美好未来的正确姿势。
