新一代人工智能超深度學習（Super Deep Learning SDL）的創新發展歷程是：早在1991年到1993年，伴隨著大規模集成電路極速發展的時期，大規模集成電路的最小面積，最短配線長度，同時還要考慮電氣特性的多目的最佳化解的獲得，成為當時科學技術領域中最為關注的課題。在那個時代，由美國學界提出的導入“熵”的理論解決最佳化組合問題，這一理論一時也被世界期待。但是，這個算法同目前深度學習相仿，計算復雜度極高。即使一個最簡單的電路的計算，要花費若干天。面對被世界推崇的理論，我們大膽提出“模糊事件概率測度”理論，通過用模糊事件概率測度判斷組合結果的價值，獲得了可以快速進行大規模集成電路的最短配線長，最小面積以及電氣特性的多目的組合最佳化的解決方法。

其實，當今的深度學習中的“訓練”，由于神經網絡之間不像大規模集成電路具有模塊之間的連接關系，也不像圍棋具有規則，可以建立棋子之間的連接關系，作為不具有連接關系的神經網絡從組合理論看，就是需要窮舉法才可以獲得最佳訓練結果，黑箱問題的出現，其原因就是神經網絡的訓練沒有獲得最佳解所造成的。

1994年到1999年，由于已經知道傳統的神經網絡的致命問題，為了同當時的神經網絡對抗，我們創建了“概率尺度自組織”的無監督機器學習理論。在長期的聲音識別，手寫文字識別，圖像識別等模式識別領域中進行了大量的應用，證明了概率尺度自組織機器學習理論的特殊的應用效果。

2000年到2014年，國際上個人信息法的制定，成為社會關注的焦點。由于當時個人信息的67%是通過紙介質文檔流失的，為此我們在國際上提出了新的代碼符號信息記錄的方法，由此具有隱形結構的第三代條碼網屏編碼誕生了，可以在A4的一張紙上埋入一本小說的信息備受業界的關注。在這十幾年中針對Google眼鏡，我們還提出了，可以把任何圖像直接通過概率尺度自組織的機器學習的手法，變換成不到十個字節的1036的代碼，就可以把任何圖像作為網絡入口，引導從網絡上下載各種文件，即ITC（Image To Code）理論，顛覆了當今流行的AR技術。在這期間，我們還提出可以統一歐幾里德空間與概率空間的距離公式。

2014年到2016年我們將概率尺度自組織同神經網絡理論結合，提出了分散機器學習的“超深度學習”理論，為人工智能的全面普及應用給予了理論支持。我們是經歷過上一個人工智能的研究的人，對于當今火熱的AI熱潮，親身感到上一個人工智能的特點是知識庫，其突出的成果是日本成功的實現了有軌電車的自動駕駛，由此在控制理論上產生了模糊控制的新理論。本次人工智能的特點就是機器學習，相信本次人工智能高潮的代表性成果一定是自動駕駛汽車。因為機器學習可以把人的知識以概率分布的形式進行記述，大大的簡化了知識庫的形式，面對復雜的自動駕駛汽車，機器學習可以將人的知識變成機器的智慧，使復雜的控制簡化。知識庫只能記述宏觀知識，機器學習在自動駕駛汽車中不僅可以高效率的學習人的宏觀知識，還可以學習微觀知識，一個以機器學習理論為核心的“機智獲得”的新的自動控制理論將展現在我們面前。