10月27日，2025年度广东省科学技术奖名单正式公布，227项项目（人）摘得荣誉。

由华南理工大学陈俊龙教授领衔完成的“动态结构神经网络系统及其在智能控制系统中的应用研究”，获得广东省科学技术奖自然科学奖一等奖。围绕宽度学习、动态结构神经网络等方向，团队持续推进理论创新，探索破解传统神经网络结构固定、训练耗时较长、模型更新成本较高等问题。

在深度学习占据主流的人工智能技术版图中，宽度学习开辟了一条不同的演进路径。不同于深度学习通过纵向叠加网络层级提升模型能力，宽度学习则着眼于横向拓展网络结构，通过增量计算，使模型随数据与环境变化而调整。

羊城晚报记者采访陈俊龙教授，围绕宽度学习的技术突破、应用前景及成果转化等话题展开对话。从依赖云端计算到走向设备前端，从执行既定模型到适应动态环境，他希望赋予机器人、无人机和工业设备现场感知、实时决策和持续学习的能力，让机器实现“不联网，也有智能”。

突破固定结构
神经网络“按需生长”

羊城晚报：什么是动态结构神经网络？

陈俊龙：传统神经网络通常先确定结构，再训练参数。动态结构神经网络则会根据输入的数据、所处的环境和任务精度，调整自身结构。数据不断进入，网络也能增加节点或者层次，使模型逐步逼近目标结果。

羊城晚报：您为什么会选择这一研究方向？

陈俊龙：相关基础研究可以追溯到上世纪80年代。当时，我们已经开始思考神经网络结构能否根据任务变化。到了2017年至2018年前后，大数据、物联网快速发展，数据规模不断扩大，环境也在实时变化。我们意识到，早期关于网络结构的研究，可以用来解决增量数据和实时更新问题，于是逐步形成动态结构神经网络和宽度学习的研究方向。

羊城晚报：宽度学习与深度学习有什么不同？

陈俊龙：两者都是从数据中寻找规律、逼近目标结果。深度学习通常通过固定网络结构的网络层数提升能力，宽度学习则把特征映射节点和动态的增强节点铺展在相对扁平的结构中，参数求解相对直接，训练和更新也比较快。

如果现有节点已经达到精度要求，就不再增加；如果精度不够，可以横向增加节点。如果单层横向增加节点的网络解决不了问题，还可以纵向增加新的宽度网络。因此，它不是一开始就配置一个庞大模型，而是根据任务需要“生长”。

羊城晚报：在实际部署中，宽度学习能否取代大模型？

陈俊龙：不能简单地说谁取代谁。深度学习已经形成成熟的软件、硬件和产业生态，在超大规模模型上具有明显优势。宽度学习现阶段更适合百万级、千万级参数的边缘应用，优势是结构可变、更新快、算力需求相对较低。两种技术各有适用场景。

智能走向边缘
让机器在断网时自主学习

羊城晚报：您为什么特别关注边缘端？

陈俊龙：现在不少人工智能系统把主要模型放在云端。设备采集数据后上传服务器，等待计算结果返回。这个过程容易受到网络、时延和成本的影响。

如果把宽度学习系统部署在设备前端的小型计算盒、计算卡或者芯片中，设备就能在现场完成感知、判断和一定程度的学习，不必遇到每个问题都向云端“请示”。

羊城晚报：这就是您所说的“不联网，也有智能”吗？

陈俊龙：是的，我们把它称为“离线智能”。在没有网络的情况下，设备仍能根据本地传感器采集的数据作出反应，并把新数据快速加入原有模型。

这里不只是离线推理，更重要的是离线学习。离线推理是按照训练好的模型给出答案，离线学习则意味着机器遇到新情况后，能够在现场更新模型，继续适应环境。

羊城晚报：能否举一个具体例子？

陈俊龙：一台家用机器人已经熟悉客厅里的桌椅和灯具，后来主人买回一盏新灯。按照传统方式软件来做推理，如果软件版本需要更新，机器人可能需要把数据上传，由厂商重新训练模型、发布新版本。

具备增量学习能力后，机器人感知到这个新物体，可以在本地快速更新模型。下一次再遇到它时，就知道应该怎样识别、避让或者操作。不同机器人接触的环境不同，长期学习后，还会形成各自的“经验”。

打通产业链条
推动原创算法走出实验室

羊城晚报：宽度学习可能率先在哪些领域落地？

陈俊龙：我们希望从机器人、无人机和智能制造的边缘端切入。工厂增加设备、生产流程发生变化，或者机器运行数据不断更新，模型都要及时调整。宽度学习可以利用新数据快速更新，为参数调试、流程优化和现场控制提供支持。

对智能汽车来说，这项技术可以用于个性化学习；对机器人来说，可以帮助它适应不同家庭和工作环境；对无人机来说，可以提高其在网络不稳定情况下的感知和决策能力。

羊城晚报：无人机为什么尤其需要“离线学习”能力？

陈俊龙：因为无人机飞行的环境属于低空飞行，低空飞行环境变化很快，网络也不一定始终稳定。如果每次判断都依赖远端通信，时延或者失联都可能影响任务。把感知、学习和决策能力部署在前端，无人机遇到新障碍或环境变化时，就能现场判断、及时调整。

航空航天领域对可靠性要求很高，相关技术还要经过大量严格验证。我们目前主要从科研项目和具体应用场景开始，逐步推进。

羊城晚报：这项技术从实验室走向生产线，最难打通的是哪一环？

陈俊龙：首先是工程化。一项研究成果要成为产品，需要稳定的工程师团队长期维护、测试和迭代。其次是产业生态。许多企业已经采用成熟的深度学习架构，不会轻易更换整套系统。

因此，我们与企业建设联合实验室，从小型硬件、前端模块和具体场景开始验证。宽度学习不一定要一次性改变企业的整个后台，可以先成为现有系统在边缘端的补充。

羊城晚报：广东能够为成果转化提供哪些条件？

陈俊龙：广东的突出优势是产业链完整。广州、深圳、佛山、东莞等地集聚了机器人、智能汽车、无人机、芯片和软件企业。算法要产生价值，必须进入硬件、设备和生产流程。广东具备把原创算法转化为产品的良好基础。

羊城晚报：团队还在探索哪些方向？

陈俊龙：我们正在研究“遗忘学习”。模型使用过人脸、身体或者医疗数据后，即使删除原始数据，相关信息仍可能以参数贡献的方式留在模型中。我们希望不仅删除数据，还能移除这些数据对模型的影响。

模型需要什么，可以继续增量学习；哪些信息不应该保留，也要能够及时遗忘。这对医疗数据、个人隐私保护和人工智能产品出海具有现实意义。

羊城晚报：您如何看待未来的发展？

陈俊龙：机器人将从“会运动”逐步走向“会感知、会判断、会学习”。当机器人能够在本地思考，成本又降低到普通消费者可以承受的水平，它才可能从工厂、展厅走向千家万户。“不联网，也有智能”，将是机器真正融入生产生活的一项重要基础能力。

文、视频｜记者 杨进怡 黎秋玲