作者eb5137d (eb5137b)
看板Soft_Job
标题Re: [新闻] PTT创办人杜奕瑾辞微软职务 创AI实验室
时间Sun Apr 30 14:06:03 2017
AI翻译就是人工智慧,所以通常都会被联想成「拟人」的功用。
但是那其实有点误解了机器学习、类神经网路这些技术的精神。
抽象的说这项技术的特性,比较像是
「让NP-hard的问题,得以用多项式时间复杂度的演算法,算出品质接近指数复杂度演算法
才能得到的解」
再加上
「将过去储存的算力,输送到当前使用而不会耗尽其存量」
以物理模拟来说,经典物理和量子力学的公式都有了,套公式的模型程式也写得出来,
但是为什麽许多工程上的问题仍然要用试误法、heuristic,或者老师傅的经验?
计算量太大,计算的时间和功耗,没有经济上的可行性。
像是开发新药的分子结构模拟、游戏引擎的粒子碰撞效果、或者大型
的线路最佳化问题,航太工程的流体模拟,都是像神经网路之类的技术可以发挥的地方。
也已经有人研究使用神经网路来做解调变(demodulation)等十分「基础」的工程问题。
只怕你想像不到,而不是应用太少。
物理特效模拟:
https://www.youtube.com/watch?v=iOWamCtnwTc
--
※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 111.240.20.208
※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Soft_Job/M.1493532365.A.7A7.html
1F:推 gundam00: 推想像不到 而不是应用太少 04/30 14:38
2F:推 kiawe: 推想像不到 而不是应用太少 04/30 15:20
3F:→ CGary: 虽然你提的问题是有趣的 但把NP-Hard问题量级降低,用近似方 04/30 16:17
4F:→ CGary: 法找区域解不是AI在做的,逼近做法主要还是透过Approx. Algo 04/30 16:21
5F:→ CGary: 去降低难度,而要打平NP难度目前主要的方向是量子/生物电脑 04/30 16:22
6F:→ CGary: AI主要还是处理Cognitive,所以整个NN设计都是想像人类是怎 04/30 16:23
7F:→ CGary: 麽思考来设计的,比如甚麽LSTM,BLSTM这些都是想像我们怎麽利 04/30 16:24
8F:→ CGary: 用记忆 来模拟人的认知 解决问题... 04/30 16:24
9F:→ CGary: 虽然说AI「可以」降低解决难度 但目前AI突然间的发展根本不 04/30 16:25
10F:→ CGary: 是技术难度的下降 而是GPU可以算得比以前快 演算法还是那堆 04/30 16:26
11F:→ CGary: 不过AI的前境我还是有很高的预期 各种东西都准备得差不多了 04/30 16:28
AI是比较笼统一点的用词,具体一点说就是NN
我想表达的方向其实不是「降低问题的难度」,
而是这些NP-hard问题有近似解,而NN可以找到品质很高的近似解,
有足够的实用性,绕过了NP-hard的障碍。
例如AlphaGo并没有把围棋的复杂度降低,但是他却可以产出媲美一流职业棋士的对局内容
另外NN的发想虽然是以人脑出发,但是要理解它的性质和潜在应用,
把它看成一个万用 函数产生器 或许更接近核心精神。
※ 编辑: eb5137d (111.240.20.208), 04/30/2017 16:44:59
※ 编辑: eb5137d (111.240.20.208), 04/30/2017 17:02:49
※ 编辑: eb5137d (111.240.20.208), 04/30/2017 17:12:55
12F:推 CGary: 很难短短几句说完: 不是,他没有绕过甚麽 他也不是找甚麽近 04/30 17:09
13F:→ CGary: 似解 他是建立一个价值网路重新定义了问题 有些问题可以这 04/30 17:09
14F:→ CGary: 样做 有些则不行 NN潜在应用当然很多 但不是想像得到想像不 04/30 17:12
15F:→ CGary: 到 而是现在的NN只能利用GPU去加速 而能从CPU搬到GPU的资料 04/30 17:13
16F:→ CGary: 频宽有限 所以并不是想像不到 而是加速不了 04/30 17:13
不懂为什麽这边会提到CPU GPU? 有具体的例子吗?
是指forward pass还是backward pass的计算?
17F:→ CGary: AI 能做的东西 这十几年资讯科学家能想的都提过了 问题是有 04/30 17:13
18F:→ CGary: 些是很基础的认知科学问题 有些是硬体做不到 而能够"近似" 04/30 17:14
总感觉有我们不是在讲同一样东西XD
我在讲的部分和认知科学或生物没什麽关系。
19F:→ CGary: 的题目 早就被一堆数学家设计一堆演算法approx了 所以我才 04/30 17:15
20F:→ CGary: 说 AI 在解的问题 不是你提那些 那些有另外的路在搞... 04/30 17:16
21F:→ CGary: 所以真要说AI发展就是想要补足 不知道怎麽绕的题目 所以你 04/30 17:18
22F:→ CGary: 会发现Google想挑战益智游戏跟RTS, 就是这类题目是全开放的 04/30 17:18
※ 编辑: eb5137d (111.240.20.208), 04/30/2017 17:20:26
※ 编辑: eb5137d (111.240.20.208), 04/30/2017 17:25:02
23F:推 CGary: 例子很多 你多做一点tera-scale 的图像辨识 你就知道要把资 04/30 17:27
24F:→ CGary: 料搬进GPU利用他现在的速度优势是很困难的事情 概念是单纯 04/30 17:28
25F:推 CaptainH: 明显一知半解,乱写一通。 04/30 17:28
26F:→ CGary: 的 就好像我们甚麽数学问题都是简化问题找答案 但有些用在A 04/30 17:29
27F:→ CGary: 有些用在B, 你不能把AI说「这是解决scale down问题」...这 04/30 17:29
28F:→ CGary: 明明就不是用在这里.... 04/30 17:29
29F:→ CGary: 另外 为甚麽AI难进展 就是因为有些问题没办法被reduce成另 04/30 17:30
30F:→ CGary: 一个问题 所以我们「希望」发展一套通用的架构解决人类怎麽 04/30 17:30
31F:→ CGary: 认知 但不幸的事:一来架构没办法支援(Google搞TPU那堆人要 04/30 17:31
32F:→ CGary: 试着出去开公司搞定通用硬体),二来认真的说我们连甚麽是人 04/30 17:32
33F:→ CGary: 类认知都不是那麽清楚了 所以这些AI「可以」解的问题都有人 04/30 17:32
34F:→ CGary: 端在台面等大家挑战 问题是这两个问题迟迟没好进展啊...所 04/30 17:33
35F:→ CGary: 以最後才回到做最基础的事情 因为除了这些以外 我们还不知 04/30 17:33
36F:→ CGary: 道怎麽解决 04/30 17:34
37F:→ CGary: 要把NP-Hard问题扫平 量子电脑快出来了 不需要AI... 一般的 04/30 17:35
38F:→ CGary: NP-Hard可以靠量子电脑扫平 04/30 17:35
39F:→ CGary: 讲太多了 都要一篇文的长度了 = = 04/30 17:37
我的资讯是好几年前的了,也不是这一行的专家
如果说错大家笑笑就好。纠正错误也很欢迎
40F:推 hsnuonly: 目前AI要跟人类拚的应该不是智商 而是在单一项目的能力 04/30 17:41
※ 编辑: eb5137d (111.240.20.208), 04/30/2017 18:01:17
41F:推 oneheat: 连这个也可以吵 ptt版众实在不简单 04/30 18:17
42F:推 revivalworld: 第一次听说量子电脑可以扫平NP-Hard 04/30 18:46
43F:→ revivalworld: 恕本鲁无知 有相关文献来源可以分享吗 谢谢 04/30 18:47
44F:→ hsnuonly: 应该是讲到量子电脑解质因数分解吧 04/30 18:56
45F:→ hsnuonly: 量子电脑概念上应该是可以把平行的部分压到O(1)? 04/30 18:58
46F:→ ssccg: 通用的量子电脑离"快出来了"还很远吧... 04/30 19:14
47F:→ pttworld: 这篇讲的不是Strong AI那个区块,比较趋向研究方法这部 04/30 19:26
48F:→ pttworld: 分的。 04/30 19:26
49F:推 Kazimir: 说NN事实上是在fit一个函数当然是没错的 问题是一连串 04/30 19:45
50F:→ Kazimir: 矩阵运算找到的这个函数我们其实还是没办法解析 04/30 19:46
51F:→ Kazimir: 所以主流一般还是专注於架构和结果 04/30 19:49
52F:推 FRAXIS: 目前设计出来的量子演算法也没办法在理论上解 NP-Hard 05/01 00:10
53F:→ FRAXIS: 质因数分解还没被证明是 NP-Hard 的问题 05/01 00:11
54F:嘘 expiate: AI解NP-hard? 胡说八道什麽 05/01 00:51
55F:→ expiate: 现在的AI光只朝最基本的感知型智慧都困难重重了,结果你 05/01 00:54
56F:→ expiate: 说要解NP-hard? 这已经不是同一等级的智慧惹 05/01 00:55
文中有说要解NP-hard?要不要重看一次文章或看眼科?
学生时代学过的找NP-hard problem approximation的方向有
1. randomized local search
2. genetic algorithm
3. NN
可能还有一些其他我忘记的。如果这些已经过时或被推翻,
那就算我孤陋寡闻,出来献丑了。
但是语无伦次的推文光会装凶说不出个屁,我也不会客气呛回去。
57F:→ sean2449: 感觉原Po数学跟物理系出身?理解跟我真不同 05/01 01:36
58F:→ sean2449: 我的理解也是fit一个function 找极值 05/01 01:42
有点笼统,但应该跟我要表达的比较接近。
我要强调的就是AI的重点和应用并不只局限在模拟人类的官能,
※ 编辑: eb5137d (111.240.20.208), 05/01/2017 11:02:56
※ 编辑: eb5137d (111.240.20.208), 05/01/2017 11:08:29
59F:→ remmurds: 板上不都是宅宅相轻 05/01 13:04
60F:推 CaptainH: 又是一个AI~=ML~=NN的跟风白痴 05/01 13:31
61F:推 jacko1: 问题是不是NP-HARD,演算法解得好不好。其实不是AI重点 05/24 18:23
62F:→ jacko1: 好的数学模型,好的目标函数,这部份很困难 05/24 18:25
63F:→ jacko1: 举例来说,影像辨识近年最有贡献的是ImageNet 05/24 18:26
64F:推 jacko1: 大量有"意义"标签的图片,可建立更有意义的数学系统模型 05/24 18:29
65F:→ jacko1: 有意义的系统模型,跑最佳化得到的解才会有价值 05/24 18:30