在这个“智能+”的时代，有没有什么新的算法让人工智能更具学习能力？让人工神经网络学习变得轻松愉快？国际知名人工智能领域专家黄广斌给出了答案，开创性地研究出了extreme learning machines?（elm，超限学习机）理论和体系，突破了前30多年流行的前馈神经网络以及20多年广泛应用的支撑向量机（svm）的理论和技术瓶颈，打破了机器学习和生物学习之间的壁垒。

黄广斌，新加坡南洋理工大学电气和电子工程学院全职终身教授，被thomson reuters 评为“2015 highly cited researcher?”（工程类，计算机科学类），是新加坡总统科学奖被提名人（2016），世界三大出版集团之一elsevier数据管理顾问委员会顾问。黄教授的主要研究方向为大数据处理分析、脑机交互、人机交互、机器学习理论和技术等。

开宗立派，研究出人工神经网络新的算法（超限学习机）

extreme learning machine（elm），即超限学习机，人工神经网络研究中的一种算法，突破了前30年流行的前馈神经网络以及近20年广泛应用的支撑向量机（svm）的理论和技术瓶颈。这一种全新的理论和学习方法的诞生充满了诗意的偶然和科研的必然。

黄广斌教授曾接受采访说过，一开始埋头研究，暂时找不到明确的答案，为避免太压抑，阅读文学作品放松。第七次读《三国演义》，脑中浮现书里各色鲜活人物时，他突然意识到，过去的数百万年产生了数万亿人类和动物，都有着不同大脑，却很难在这么多的大脑中安装用于不同的应用和任务的不同学习算法。黄教授想到可能会出现一些通用的学习算法，可以安装在这数万亿个不同的大脑中，用于不同的应用和任务，而大脑中的这些算法都应该和数据和应用相互独立无关的。

就在当天凌晨黄广斌教授得到灵感，测试了 data-independent 算法，最终将该算法命名为超限学习机。elm和svm/ls-svm、deep learning（深度学习）相比，准确率高，简单易用，学习速度可以快几千到几万倍；而且为回归拟合（function?approximation）？，二类（binary?class）和多类（multi-class）分类应用问题提供了统一的解决方案。elm不仅能有效的应用于稀疏数据，也能有效用于大数据的学习处理。

elm理论最近也得到了生物和脑神经学的直接生物验证，弥补了机器学习和脑学习机制之间的空白，解决了计算机之父冯？诺依曼60年前的关于人脑和计算机结构和能力的困惑。现在elm已经被越来越多的用在模式识别，基于脑电波的疾病诊断预测，脑机交互，人机交互，图像处理，人脸识别，人的姿势手语识别，手写体识别，目标识别，卫星图象实时远程遥感，网络安全，从低分辨率图像构造超分辨率图像等等。

想知道elm的深刻意义吗？想知道人工智能学习能力究竟到了哪种程度以及未来趋势吗？关注第四届中国机器人峰会，听黄广斌教授现场解说。

以上是网络信息转载，信息真实性自行斟酌。