[bssd]ML/AI 的关键 - 未名空间MITBBS历史存档

国际科技财经博客移民网络热点娱乐民生时事公众号

Redian新闻

>未名空间

>Programming - 葵花宝典

[bssd]ML/AI 的关键

[bssd]ML/AI 的关键# Programming - 葵花宝典

j*j2019-01-30 08:01

1 楼

我enroll了一下，特地给我发邮件说要打电话联系，打了电话有要求把我的photoid和
地址证明复印件传真给他才能最终confirm，是只有我这样还是大家都这样啊？

c*v2019-01-30 08:01

2 楼

我的浅见:
(1)
AI 是well established knowledge body. hardcore science.
所以值得学。这点我和20年前一样肯定。
(2)
除了DL。我非常肯定,自动机器推理，人工生命，演化计算，multi－agent,RL etc
也都可以解决很多实际问题。
(3)
但是如果一个人没有软件技术，AI算法也没用。主要是AI系统的accessibility太差了
。90年代模拟退火算法一个C写的包，就有200多个参数，除了少数人之外别人没法用。
有这种没日没夜调参数经验的人太少了。
(4)
实际上例如天线设计，机械设计什么的。AI跑一跑完全有可能可以带来成本更低的设计
。但是任何一个公司不可能为了这个事，专门找个有多年经验的phd。这反过来
导致弄这些不清不楚的算法的人活不下去。
(5)
所以AI／ML多年来其实是卡在易用性上。多年来任何一个AI的办法，难用程度都超过汇
编语言。
(6)
所以的AI要点在系统设计。系统设计问题很多。主要是前面几十年程
序员主流都在搞IO bound。 tools不配套.程序员也不配套.
全球几十亿手机上，最容易卡死的app是map Routes & Directions.
这不是偶然的。
像下面这个文章：
Dynamic route planning for car navigation
systems using virus genetic algorithms
顶着个virus genetic algorithm的名字去哪里找程序员和tool？
80% 程序员连eigenvalue都忘了。
(7)
任何一个AI算法都有时候工作，有时候不工作。这也是人类智力的特征。
AI系统的软件方面要解决的问题，是通过软件来规定或者引导用户正确的使用AI。
让不工作的情况尽可能少的出现。这个难度非常高。因为software要放大算法的价值，
掩盖算法的缺陷.

d*k2019-01-30 08:01

3 楼

再打
有的csr比较Nice

s*n2019-01-30 08:01

4 楼

俺是外行，但是很想向AI技术靠拢以便谋生，希望跟大牛们多学习。昨天看了这篇文章
（https://cacm.acm.org/magazines/2019/2/234352-a-new-golden-age-for-computer
-architecture/fulltext）感觉很有意思。

m*a2019-01-30 08:01

5 楼

有的是，有的不是

s*y2019-01-30 08:01

6 楼

关键有两个
一个是数据多少人卡在这纸上谈兵是不会懂为啥数据最关键因为你们用的都是
sample dataset
另一个是分析问题的能力什么算法模型都是solution 但很对时候问题都没搞懂死
板硬套公式当然不会成功

C*l2019-01-30 08:01

7 楼

传统公司现在也在纷纷试水AI, 包括保险金融，制造业。。。，浅度融合的门槛并不高
，现在ML的工具拿来就能用，原有员工学一点就能用。深度融合并不是那么容易，比如
那个星际，得靠DM这样的ai顶级团队来突破

【在 c*******v 的大作中提到】

: 我的浅见:
: (1)
: AI 是well established knowledge body. hardcore science.
: 所以值得学。这点我和20年前一样肯定。
: (2)
: 除了DL。我非常肯定,自动机器推理，人工生命，演化计算，multi－agent,RL etc
: 也都可以解决很多实际问题。
: (3)
: 但是如果一个人没有软件技术，AI算法也没用。主要是AI系统的accessibility太差了
: 。90年代模拟退火算法一个C写的包，就有200多个参数，除了少数人之外别人没法用。

g*t2019-01-30 08:01

8 楼

假项目上市场立即就会被打出屎来。这可跟做个网站不一样。
但这是好事。上ML／AI系统需要的马工会非常多。

【在 C*****l 的大作中提到】

: 传统公司现在也在纷纷试水AI, 包括保险金融，制造业。。。，浅度融合的门槛并不高
: ，现在ML的工具拿来就能用，原有员工学一点就能用。深度融合并不是那么容易，比如
: 那个星际，得靠DM这样的ai顶级团队来突破

g*t2019-01-30 08:01

9 楼

数据量就相当于传感器的带宽。构成任何学习系统的物理限制。
现代物理始于望远镜。

【在 s*********y 的大作中提到】

: 关键有两个
: 一个是数据多少人卡在这纸上谈兵是不会懂为啥数据最关键因为你们用的都是
: sample dataset
: 另一个是分析问题的能力什么算法模型都是solution 但很对时候问题都没搞懂死
: 板硬套公式当然不会成功

s*y2019-01-30 08:01

10 楼

When asked how he would spend his time if he was given an hour to solve a
thorny problem, Einstein said he'd spend 55 minutes defining the problem and
alternatives and 5 minutes solving it.

【在 s*********y 的大作中提到】

r*t2019-01-30 08:01

11 楼

切老在做哪一部分？

【在 c*******v 的大作中提到】

g*t2019-01-30 08:01

12 楼

我在学习写程序。

【在 r****t 的大作中提到】

: 切老在做哪一部分？

T*i2019-01-30 08:01

13 楼

哪有那么容易？比如天线设计，我怀疑有几个能define problem的。要是连问题都不能
描述，你咋学习啊？
现在我们的问题是，我们都能算出来，工艺和测量仍然有很多鸿沟。

g*t2019-01-30 08:01

14 楼

只要你能定义cost和约束，黑盒类型的ML／AI算法就可以启发式的往前走，去找次优解
。不需要问题的数学定义，只需要一段代码定义。这就是AI强大的地方,
在于可以accept复杂约束。黑盒AI难的部分都是留在调参数那一块。
我在市场上测试过我的理解。你可以认为我的话有35000美元的置信度。

【在 T********i 的大作中提到】

: 哪有那么容易？比如天线设计，我怀疑有几个能define problem的。要是连问题都不能
: 描述，你咋学习啊？
: 现在我们的问题是，我们都能算出来，工艺和测量仍然有很多鸿沟。

T*i2019-01-30 08:01

15 楼

问题就是你定义不了cost和约束。不信的话你试试。。。

【在 g****t 的大作中提到】

: 只要你能定义cost和约束，黑盒类型的ML／AI算法就可以启发式的往前走，去找次优解
: 。不需要问题的数学定义，只需要一段代码定义。这就是AI强大的地方,
: 在于可以accept复杂约束。黑盒AI难的部分都是留在调参数那一块。
: 我在市场上测试过我的理解。你可以认为我的话有35000美元的置信度。

T*i2019-01-30 08:01

16 楼

比如一个简单的SMA接头。就是2个导体。
但是在高频的情况下，比如2.4G，有20多个参数。。。

【在 T********i 的大作中提到】

: 问题就是你定义不了cost和约束。不信的话你试试。。。

g*t2019-01-30 08:01

17 楼

对不同的天线设计。
你总有个程序给好坏打分吧？
再有个程序来检查这个设计是不是可行的吧？
这都没有的话，那是设计啥呢？
天线设计是敏感技术。不多谈。
AI／ML设计天线几十年历史。
ANN也可以做.

【在 T********i 的大作中提到】

: 问题就是你定义不了cost和约束。不信的话你试试。。。

T*i2019-01-30 08:01

18 楼

打什么分啊？模型建对了，自然就设计出来了。实测和理论值符合。
我们就是那个多键墙内开关天线效率差。因为周围有8个金属触点。要建模需要上千万
美金的设备，把参数量出来。

【在 g****t 的大作中提到】

: 对不同的天线设计。
: 你总有个程序给好坏打分吧？
: 再有个程序来检查这个设计是不是可行的吧？
: 这都没有的话，那是设计啥呢？
: 天线设计是敏感技术。不多谈。
: AI／ML设计天线几十年历史。
: ANN也可以做.

g*t2019-01-30 08:01

19 楼

My two cents:
AI／ML设计天线几十年历史。
ANN也可以做.

【在 T********i 的大作中提到】

: 打什么分啊？模型建对了，自然就设计出来了。实测和理论值符合。
: 我们就是那个多键墙内开关天线效率差。因为周围有8个金属触点。要建模需要上千万
: 美金的设备，把参数量出来。

T*i2019-01-30 08:01

20 楼

看来大家的招式都不大一样。分流派的。。。

【在 g****t 的大作中提到】

: My two cents:
: AI／ML设计天线几十年历史。
: ANN也可以做.

g*t2019-01-30 08:01

21 楼

不管什么办法。只要实际运行正确就都对。

【在 T********i 的大作中提到】

: 看来大家的招式都不大一样。分流派的。。。

r*t2019-01-30 08:01

22 楼

代码定义是指 (输入, 输出数据) pairs？

【在 g****t 的大作中提到】

g*t2019-01-30 08:01

23 楼

不是那么简单。输入也可以是图灵机。也就是一段程序。输出也可以是图灵机。
我举个最简单的例子。线程规划。如果你取全部可能的task,
Threads 这样的空间来考虑这个问题。那很容易就是NP问题。
但是事实上现实中的服务器相当一部分它的运行在相当的时间段内我认为是有规律的。
所以这个问题不一定要采取全空间，组合数学优化的办法。
那这个服务器的规律是什么呢？首先我们不可能找个老师傅蹲在那研究几年这个服务器
，靠人积累经验找规律，对吧？
(实际上有的人也许就靠这一手吃饭). 因为不同作用的服务器它有不同的规律。访客有
不同的涨落什么的。
然后找个phd沿着精确建模的方向继续走，对一般公司也不现实对吧。谁能雇得起一组
人写专用的scheduler?
那这种情况下，其实是可以用RL来试一下。根据过去一段时间的特征，预测未来一段时
间的性能。两个时间段的比例足够好，那结果应该是正贡献。
这个游戏的最简单的setup：自适应的调整Queuecapacity, coreMaxthread,什么的这
些JVM参数，让网页response 更快。这个问题是纯粹外延描述性的，精确建模的方法极
难介入。
如果是AI的思路，那就是类人的一些策略套进去。然后调整这些策略的参数。乱枪打鸟
。AI的思路可以做做看。如果传统的分析思路，那是毫无实际意义的。（这点在
effective java这本书上也有提及）
现在已经有很多人根据大量数据中心的log数据，用ML/AI的算法来做维护。但那个需要
人工干预。下一步，我认为完全可以把这个方法论写进去OS和JVM，作为一个选项。在
现在不知所云的各路scheduler外面再套上一层。

: 代码定义是指 (输入, 输出数据) pairs？

【在 r****t 的大作中提到】

: 代码定义是指 (输入, 输出数据) pairs？

C*l2019-01-30 08:01

24 楼

别说还真可以，说不定神经网络还可以scan每个process的binary code，预测他们的
behavior

【在 g****t 的大作中提到】

: 不是那么简单。输入也可以是图灵机。也就是一段程序。输出也可以是图灵机。
: 我举个最简单的例子。线程规划。如果你取全部可能的task,
: Threads 这样的空间来考虑这个问题。那很容易就是NP问题。
: 但是事实上现实中的服务器相当一部分它的运行在相当的时间段内我认为是有规律的。
: 所以这个问题不一定要采取全空间，组合数学优化的办法。
: 那这个服务器的规律是什么呢？首先我们不可能找个老师傅蹲在那研究几年这个服务器
: ，靠人积累经验找规律，对吧？
: (实际上有的人也许就靠这一手吃饭). 因为不同作用的服务器它有不同的规律。访客有
: 不同的涨落什么的。
: 然后找个phd沿着精确建模的方向继续走，对一般公司也不现实对吧。谁能雇得起一组

x*22019-01-30 08:01

25 楼

天线设计，关键是要最后制造出来实测，仅凭数字建模最后可能沦为口水战。需要实测
这一点，就意味着迭代次数有限，这种情况下AI肯定不如人。即使拿已经完虐人类的围
棋来说，如果限定从零起步只能学习100盘，那么人类的成绩远远强于AI。

：哪有那么容易？比如天线设计，我怀疑有几个能define problem的。要是连问题都不
能描述，你咋学习啊？
：现在我们的问题是，我们都能算出来，工艺和测量仍然有很多鸿沟。

l*s2019-01-30 08:01

26 楼

re, 无线电方向只有理论计算的论文都不值得浪费时间看，太容易放卫星了。

【在 x*****2 的大作中提到】

: 天线设计，关键是要最后制造出来实测，仅凭数字建模最后可能沦为口水战。需要实测
: 这一点，就意味着迭代次数有限，这种情况下AI肯定不如人。即使拿已经完虐人类的围
: 棋来说，如果限定从零起步只能学习100盘，那么人类的成绩远远强于AI。
:
: ：哪有那么容易？比如天线设计，我怀疑有几个能define problem的。要是连问题都不
: 能描述，你咋学习啊？
: ：现在我们的问题是，我们都能算出来，工艺和测量仍然有很多鸿沟。

g*t2019-01-30 08:01

27 楼

设计物理实验确定神经网络的结构和关键参数。
公司里哪有人是纯数字建模。
就是图像识别现也从来不是纯数字建模。
data augmentation等都是加进去物理意义出发。

【在 x*****2 的大作中提到】

g*t2019-01-30 08:01

28 楼

我们不说天线设计这样的复杂敏感技术。
就说一块板子，上面20个芯片，50个电阻，30个电容，2个电感。
如何画印刷电路板在满足一定抗干扰和散热条件下，尽可能的节省铜。
我个人认为这类问题
（1）人是一定输给AI的。
（2）其他布线方法性能通常更好。但是非常难接入复杂约束，以及随时改变的用户需
求。
不信你试验下。

【在 l*********s 的大作中提到】

: re, 无线电方向只有理论计算的论文都不值得浪费时间看，太容易放卫星了。

n*t2019-01-30 08:01

29 楼

這和AI有啥關係? 經典優化問題。。
AI這東西不是說沒用，但是一個人鉚足了心思想拿這個東西騙錢是不會做出真正能用的
東西的。現在的問題就是所有人都想把自己的東西貼個簽去騙錢.你想就像你這樣的也
開始扯這東西，你覺得情況能好哪去？

【在 g****t 的大作中提到】

: 我们不说天线设计这样的复杂敏感技术。
: 就说一块板子，上面20个芯片，50个电阻，30个电容，2个电感。
: 如何画印刷电路板在满足一定抗干扰和散热条件下，尽可能的节省铜。
: 我个人认为这类问题
: （1）人是一定输给AI的。
: （2）其他布线方法性能通常更好。但是非常难接入复杂约束，以及随时改变的用户需
: 求。
: 不信你试验下。

T*i2019-01-30 08:01

30 楼

说实话，这个问题和AI不AI的，基本没有一毛钱关系。你要做一个能用的算法，集成到
现有的布线软件里才行。算法的代码，能占5%就不错了。
反正现在还没有这样的东西。自动的还是不靠谱。约束太多太复杂。安规有爬线距离。
不同的器件有不同的温升。工业设计有器件的位置和尺寸约束。
这些还都好办。关键你还不能卖太贵。一个插件10万美金，在深圳够雇佣一个10多年经
验的布线工程师很多年的了。
这东西，跟资本主义都不兼容。。。你有点想多了。。。

【在 g****t 的大作中提到】

g*t2019-01-30 08:01

31 楼

约束经常变的优化问题，不是AI是什么。
neural network PCB layout,你可以查orCAD的说明书。
90年代一家公司已经套现卖给大公司。
你googlr ORCAD neural network,这是2000年左右的事了
最新的说法有；https://www.eetimes.com/author.asp?section_id=36

T*i2019-01-30 08:01

32 楼

这东西和AI下围棋一样，本来就应该work。
只不过auto router现在还不太work而已。将来有一天work了，我能够节约成本，是好
事啊。
至于什么时候能work？也不是我应该操心的问题。

【在 g****t 的大作中提到】

: 约束经常变的优化问题，不是AI是什么。
: neural network PCB layout,你可以查orCAD的说明书。
: 90年代一家公司已经套现卖给大公司。
: 你googlr ORCAD neural network,这是2000年左右的事了
: 最新的说法有；https://www.eetimes.com/author.asp?section_id=36

g*t2019-01-30 08:01

33 楼

倒不是不work.我觉得
最大可能是懂调neural network的人，不可能去给你画板子。
所以普及困难是个问题。

: 这东西和AI下围棋一样，本来就应该work。

: 只不过auto router现在还不太work而已。将来有一天work了，我能够节
约成本
，是好

: 事啊。

: 至于什么时候能work？也不是我应该操心的问题。

【在 T********i 的大作中提到】

: 这东西和AI下围棋一样，本来就应该work。
: 只不过auto router现在还不太work而已。将来有一天work了，我能够节约成本，是好
: 事啊。
: 至于什么时候能work？也不是我应该操心的问题。

T*i2019-01-30 08:01

34 楼

那能叫work么？我说的work是给它一个CAD的外形图，再给一个认证标准，工作温度区
间，它要自动把元器件参数抓下来，然后自动画好板子齐活才行。
这个work法，再花10年能搞定就不错。没准咱俩这辈子是看不到能搞定的那一天了。

【在 g****t 的大作中提到】

: 倒不是不work.我觉得
: 最大可能是懂调neural network的人，不可能去给你画板子。
: 所以普及困难是个问题。
:
:
: 这东西和AI下围棋一样，本来就应该work。
:
: 只不过auto router现在还不太work而已。将来有一天work了，我能够节
: 约成本
: ，是好
:
: 事啊。
:
: 至于什么时候能work？也不是我应该操心的问题。

n*t2019-01-30 08:01

35 楼

那就說約束變化的優化問題，不是很清楚么？除了沒有很sexy之外。
AI已經是個很含混的東西，更含混的好處是什麼？

【在 g****t 的大作中提到】

g*t2019-01-30 08:01

36 楼

所有的书上的优化问题，都是约束给定的。
“约束变化的优化问题”，是我发明的词。
这个词的意思看上去清楚是我的功劳，
并不意味着这个词就不含糊。
实际上，啥叫约束变化的优化问题，能说清楚才怪。
很多约束是内蕴在（X，X—label）这样的学习数据例子里的。
不是清楚给出。也不可能清楚给出。
另外AI最接近的本质，我确实认为是约束变化的优化问题。
即是说它不是一个setup定死的game。下围棋和AI其实一点关系没有。
因为它是定死的约束。

【在 n******t 的大作中提到】

: 那就說約束變化的優化問題，不是很清楚么？除了沒有很sexy之外。
: AI已經是個很含混的東西，更含混的好處是什麼？

n*t2019-01-30 08:01

37 楼

除了數學裡面的名詞，一般概念都沒有可能嚴格定義。
但是系統性的不能嚴格定義，和到處亂扯是不一樣的。前者會逐漸趨向精確的定義，後
面就是純扯淡。
比如說你這個定義，其實約束變化顯然是有要求的，數學好點的人就知道，如果約束能
隨意變化就等於不優化，所以你哪個說法，嚴格來說也沒有意義。但是你的知道這個沒
有意義，和因為xxx現在是熱點, 一定要貼上去是不一樣的。前者會讓逼著你怎麼去
improve那個"約束變化"的範疇，後面的不可能。

【在 g****t 的大作中提到】

: 所有的书上的优化问题，都是约束给定的。
: “约束变化的优化问题”，是我发明的词。
: 这个词的意思看上去清楚是我的功劳，
: 并不意味着这个词就不含糊。
: 实际上，啥叫约束变化的优化问题，能说清楚才怪。
: 很多约束是内蕴在（X，X—label）这样的学习数据例子里的。
: 不是清楚给出。也不可能清楚给出。
: 另外AI最接近的本质，我确实认为是约束变化的优化问题。
: 即是说它不是一个setup定死的game。下围棋和AI其实一点关系没有。
: 因为它是定死的约束。

n*t2019-01-30 08:01

38 楼

此外，當前ai的確是優化的的一個應用方向。
但是人在根本沒弄清楚什麼叫做intelligence之前，扯ai能代替人類，基本上目的只有
一個就是騙人。

【在 g****t 的大作中提到】

g*t2019-01-30 08:01

39 楼

“定义”这种东西是希腊人的发明。鸿蒙初判，西方科学的基础就在于把
定义和求解分而治之。
但是我讲的约束可以随意变化，不等于什么都不优化。
因为人可以认识到变化，人的适应速度可以超过约束的变化速度。
这个适应速度就是学习。
AI应该是问题的定义，以及它的解决在一起循环互动的过程。
把定义和求解分开，那是传统科学的办法。
从理论上来讲，渐进图灵机的计算空间是超过图灵机的。
但是不可能有程序判定计算结果是否正确。
我说的东西不是随便讲的。这种整体论的看法有自己的哲学基础和文化基础。
而且我1996年就做过各种AI优化的问题。中国人如果不走歪路，其实学modern AI有优
势。
我前面讲的学习速度和变化速度两者之间的关系，for a fixed system,
可以量化成一个不等式 a/b < C。
一个问题的内蕴难度d超过C这个常数，就会有海森伯不等式类似的结果。
也就是学不出来。内蕴难度d，例如自动驾驶的情况。就是方向盘放开，汽车走一百米
歪几米。这个d是轮胎摩擦力，液压延迟，传感器带宽等决定的。

【在 n******t 的大作中提到】

: 除了數學裡面的名詞，一般概念都沒有可能嚴格定義。
: 但是系統性的不能嚴格定義，和到處亂扯是不一樣的。前者會逐漸趨向精確的定義，後
: 面就是純扯淡。
: 比如說你這個定義，其實約束變化顯然是有要求的，數學好點的人就知道，如果約束能
: 隨意變化就等於不優化，所以你哪個說法，嚴格來說也沒有意義。但是你的知道這個沒
: 有意義，和因為xxx現在是熱點, 一定要貼上去是不一樣的。前者會讓逼著你怎麼去
: improve那個"約束變化"的範疇，後面的不可能。

T*i2019-01-30 08:01

40 楼

小心问一下，渐进图灵机是啥玩意儿？没听说过。

g*t2019-01-30 08:01

41 楼

我自己以前定义的。。。。。。
例如你有个图灵机 add（x，y）。渐进图灵机就是f（t）,每一个实数t,
f的返回值是一个图灵机。当t是无穷大的时候，f返回是add.
还有平均图灵机。f（t）=f（1+t）。每一个实数t，f都返回一个图灵机。
0，1区间，所有这些图灵机加起来，等于add。

【在 T********i 的大作中提到】

: 小心问一下，渐进图灵机是啥玩意儿？没听说过。

r*t2019-01-30 08:01

42 楼

画印刷电路板的例子就不是渐进图灵机问题啊。

【在 g****t 的大作中提到】

: 我自己以前定义的。。。。。。
: 例如你有个图灵机 add（x，y）。渐进图灵机就是f（t）,每一个实数t,
: f的返回值是一个图灵机。当t是无穷大的时候，f返回是add.
: 还有平均图灵机。f（t）=f（1+t）。每一个实数t，f都返回一个图灵机。
: 0，1区间，所有这些图灵机加起来，等于add。

g*t2019-01-30 08:01

43 楼

你不是迭代很多次。一次学习出一个图灵机么。
简而言之，model调参数过程不是图灵机可以完全描述的。

【在 r****t 的大作中提到】

: 画印刷电路板的例子就不是渐进图灵机问题啊。

T*i2019-01-30 08:01

44 楼

你这玩意儿和图灵机等价啊。比oracle机差远了。oracle机都和图灵机等价。

【在 g****t 的大作中提到】

g*t2019-01-30 08:01

45 楼

t is a real number, the set is not listable

【在 T********i 的大作中提到】

: 你这玩意儿和图灵机等价啊。比oracle机差远了。oracle机都和图灵机等价。

T*i2019-01-30 08:01

46 楼

There is no such thing as real number in turing machine.
It is not implementable. It is not like using cosmo ray as random generator
because it may still be listable.

【在 g****t 的大作中提到】

: t is a real number, the set is not listable

g*t2019-01-30 08:01

47 楼

在物理学的世界里，没有灵魂。
然而如果一个人连灵魂是什么都不懂，那他当然就不可能有灵魂。
电脑里面连自然数都无法实现。实现的是电流，电压。

generator

【在 T********i 的大作中提到】

: There is no such thing as real number in turing machine.
: It is not implementable. It is not like using cosmo ray as random generator
: because it may still be listable.

n*t2019-01-30 08:01

48 楼

問題是AI這個東西，除了artifical 之外有個東西叫做intelligence。
這個I是不清楚的，很多時候intelligent的東西並不是優化的東西。

【在 g****t 的大作中提到】

: “定义”这种东西是希腊人的发明。鸿蒙初判，西方科学的基础就在于把
: 定义和求解分而治之。
: 但是我讲的约束可以随意变化，不等于什么都不优化。
: 因为人可以认识到变化，人的适应速度可以超过约束的变化速度。
: 这个适应速度就是学习。
: AI应该是问题的定义，以及它的解决在一起循环互动的过程。
: 把定义和求解分开，那是传统科学的办法。
: 从理论上来讲，渐进图灵机的计算空间是超过图灵机的。
: 但是不可能有程序判定计算结果是否正确。
: 我说的东西不是随便讲的。这种整体论的看法有自己的哲学基础和文化基础。

g*t2019-01-30 08:01

49 楼

Intelligent就是对intelligent有所考虑的人的考虑,
也是对intelligent有所考虑的人本身。

【在 n******t 的大作中提到】

: 問題是AI這個東西，除了artifical 之外有個東西叫做intelligence。
: 這個I是不清楚的，很多時候intelligent的東西並不是優化的東西。

T*i2019-01-30 08:01

50 楼

有没有灵魂也不重要。反正灵魂也不能定义。就像I不能定义一样。

【在 g****t 的大作中提到】

: 在物理学的世界里，没有灵魂。
: 然而如果一个人连灵魂是什么都不懂，那他当然就不可能有灵魂。
: 电脑里面连自然数都无法实现。实现的是电流，电压。
:
: generator

g*t2019-01-30 08:01

51 楼

寻找"定义"的一个缺点是。永远坐在别人设置的考场。等着老师发糖。
优点是省事省心。但是老师如果把你当韭菜割了呢

【在 T********i 的大作中提到】

: 有没有灵魂也不重要。反正灵魂也不能定义。就像I不能定义一样。

T*i2019-01-30 08:01

52 楼

把任何人说话都当放屁就好了。你只需要考虑此屁有没有理？
话说回来，自己去定义也挺无聊的。定义本身关乎话语权，甚至有理没理都不重要。比
如某国马列立国，你去成立一个马列研究会试试？
你呀。就是太闲。我现在思考这些都是太奢侈。。。

【在 g****t 的大作中提到】

: 寻找"定义"的一个缺点是。永远坐在别人设置的考场。等着老师发糖。
: 优点是省事省心。但是老师如果把你当韭菜割了呢

n*t2019-01-30 08:01

53 楼

你可以自己定義自己的，不一定要用別人的。當然你用別人有好處，就是教育人的事情
你跳過了。
定義的最終要的作用是，避免顧左右而言他的扯淡行為。

【在 g****t 的大作中提到】

: 寻找"定义"的一个缺点是。永远坐在别人设置的考场。等着老师发糖。
: 优点是省事省心。但是老师如果把你当韭菜割了呢

r*t2019-01-30 08:01

54 楼

你自己找的定义怎么会是别人设置的考场，是不是别人监考并不重要。
考卷是自己出的就行了。

【在 g****t 的大作中提到】

: 寻找"定义"的一个缺点是。永远坐在别人设置的考场。等着老师发糖。
: 优点是省事省心。但是老师如果把你当韭菜割了呢

c*v2019-01-30 08:01

55 楼

我不是闲，我是自由。

【在 T********i 的大作中提到】

: 把任何人说话都当放屁就好了。你只需要考虑此屁有没有理？
: 话说回来，自己去定义也挺无聊的。定义本身关乎话语权，甚至有理没理都不重要。比
: 如某国马列立国，你去成立一个马列研究会试试？
: 你呀。就是太闲。我现在思考这些都是太奢侈。。。

c*v2019-01-30 08:01

56 楼

如果一个人认为定义／解的分割是唯一的真理之路，那首先无法解释这种分割的来处。
既然这种二分是合理的，那么导致这种二分的历史和逻辑的过程也应该是合理的。然后
你如果认定只有这种分割才是唯一的合理的办法，再既然这种二分法在历史上不是它本
身的来处，在逻辑上也不是它本身的来处，那他的来处就是不合理的。这就导致了理性
本身的悖谬。
也就封死了推导出西方现代理性同阶的文明的道路。一本说明书，封死无数becoming。
有名万物之母，无名才是万物之始

【在 n******t 的大作中提到】

: 你可以自己定義自己的，不一定要用別人的。當然你用別人有好處，就是教育人的事情
: 你跳過了。
: 定義的最終要的作用是，避免顧左右而言他的扯淡行為。

g*t2019-01-30 08:01

57 楼

海德格尔晚年加入星宿派，找了个年轻中国人一起翻译道德经。
企图找到来处，然后重演西方文明。这是真事。
这也算是当今意识形态的一个起源。你从流行文化里也可以看出来。
apple那个有把手的台式机，那个把手就是开启一个可能，一个becoming，
"不射之射".

【在 c*******v 的大作中提到】

: 如果一个人认为定义／解的分割是唯一的真理之路，那首先无法解释这种分割的来处。
: 既然这种二分是合理的，那么导致这种二分的历史和逻辑的过程也应该是合理的。然后
: 你如果认定只有这种分割才是唯一的合理的办法，再既然这种二分法在历史上不是它本
: 身的来处，在逻辑上也不是它本身的来处，那他的来处就是不合理的。这就导致了理性
: 本身的悖谬。
: 也就封死了推导出西方现代理性同阶的文明的道路。一本说明书，封死无数becoming。
: 有名万物之母，无名才是万物之始

x*22019-01-30 08:01

58 楼

AI比人类需要多很多的学习样本，这个问题短期内无解。图像识别能够成功，不仅仅依
靠李飞飞们，成千上万的农民也有贡献
电子线路与之最大不同是无法采用上述人海战术。电子线路的制造及其后的测试都需要
高精尖的设备和仪器，就是说每一份学习样本都代价不菲。在有限的资源下，让人学做
一件事比AI要强得多。

：设计物理实验确定神经网络的结构和关键参数。
：公司里哪有人是纯数字建模。

R*e2019-01-30 08:01

59 楼

两句话说完的事情花了一万多个字，仗着自己是图灵奖得主吗？
优化程序，用专用芯片。或许低看了这篇文章。

computer

【在 s*********n 的大作中提到】

: 俺是外行，但是很想向AI技术靠拢以便谋生，希望跟大牛们多学习。昨天看了这篇文章
: （https://cacm.acm.org/magazines/2019/2/234352-a-new-golden-age-for-computer
: -architecture/fulltext）感觉很有意思。

R*e2019-01-30 08:01

60 楼

你觉得人咋实现了自然数呢？事实上，照你的意思，人也没实现自然数

【在 g****t 的大作中提到】

s*n2019-01-30 08:01

61 楼

大牛对人工智能的发展方向/趋势有啥评论？

【在 R******e 的大作中提到】

: 两句话说完的事情花了一万多个字，仗着自己是图灵奖得主吗？
: 优化程序，用专用芯片。或许低看了这篇文章。
:
: computer

d*a2019-01-30 08:01

62 楼

Spark 的MLib已经实现了大多数ML算法，还能支持TensorFlow。可以在AWS上跑分布式
的AI算法。
https://spark.apache.org/docs/latest/ml-guide.html
感觉deep learning和基础ML就是调参了啊。