据说这是99%的人算不出来的题，来试试？

公众号新闻

2022-11-11 12:11

会解但又算不出来的题

今天请大家挑战一道非常经典的逻辑测试题，据说99%的人都算不出来。题目是这样的：

前提：

1、有五栋五种颜色的房子

2、每一位房子的主人国籍都不同

3、这五个人每人只喝一种饮料，只抽一种牌子的香烟，只养一种宠物

4、没有人有相同的宠物，抽相同牌子的香烟，喝相同的饮料

提示：

1、英国人住在红房子里

2、瑞典人养了一条狗

3、丹麦人喝茶

4、绿房子在白房子左边

5、绿房子主人喝咖啡

6、抽ＰＡＬＬＭＡＬＬ烟的人养了一只鸟

7、黄房子主人抽ＤＵＮＨＩＬＬ烟

8、住在中间那间房子的人喝牛奶

9、挪威人住第一间房子

10、抽混合烟的人住在养猫人的旁边

11、养马人住在抽ＤＵＮＨＩＬＬ烟的人旁边

12、抽ＢＬＵＥ　ＭＡＳＴＥＲ烟的人喝啤酒

13、德国人抽ＰＲＩＮＣＥ烟

14、挪威人住在蓝房子旁边

15、抽混合烟的人的邻居喝矿泉水

问题是：谁养鱼？

这道题看上去很难，但咱也没必要认怂。稍微有点儿基础的同学可能就会想到解法：无非是一个推理问题嘛。五种颜色的房子、五个国籍、五种饮料、五种香烟、五种宠物其实是一一对应的，而提示中又给出了大量的两两相关的约束条件，所以通过假设和排除，是可以得到最终答案的。

答案就是：德国人养鱼。

大脑算力爆炸ing

嗯……好吧，我承认，这个答案是我抄的。我花了半个小时在纸上去试图理清各种线索，然而，因为线索太多，其复杂程度还是超出了笔者的脑容量。

讲这个例子是想说：很多时候，知道解法和能算出答案是两码事。颇有点儿道德经中“吾言甚易知甚易行，天下莫能知莫能行”的意味。但至少，这道题是可解的。

知道但又无法运用的原理

“知道解法但算不出答案”这事儿放在科学领域就更常见了。我们经常遇到这样的案例：理论已经非常完备，但放在应用层面，往往算不出结果。

举个例子：用来描述电磁场的麦克斯韦方程组已经建立一百多年了。日常生活中遇到的绝大多数涉及到电磁场的场景，都可以通过麦克斯韦方程组加以求解。但这些“解”并非是我们传统认知中的“精确解”（比如鸡兔同笼问题中鸡和兔具体几只之类）。

会使用这个公式的请在评论区举手

由于电磁场方程求解的复杂性，绝大多数时候，我们无法得到它的解析解，只能通过某些数值计算的方法，得到一个数值解。以电磁炉为例，我们很难用某个表达式去描述电磁炉表面的电磁场，但我们可以知道它在每个位置上的数值近似是多少，当然，借助现代计算机的帮助，这个解的精度可以很高。

然而，这也只是因为电磁炉仍然是一个比较简单的模型。如果涉及到更复杂的对象，很可能连数值解也没有。做过耦合场计算的同学应该深有体会：有时候物理方程都写出来了，模型也搭了，但是求解……随缘吧。

这实际上反映了科学理论与产业实践之间的一条鸿沟。打个不严谨的比喻，就是“我们有了打开科学大门的钥匙，却没有力气去把门推开”。

科学的大门前，人类过于渺小

科学需要算力

那么，如何才能具备推开这扇门的力气，让已知（known）的科学问题变得可解（soluble）？

一个答案就是提升算力。算力不能解决所有的问题，但能解决一部分问题。

举个例子，相信大家都见过世界上第一张黑洞的照片了吧？这张2019年由视界望远镜(EHT)合作组织发布的照片，与其说是拍下来的，不如说是算出来的。因为“拍摄”目标对象是5500万光年外的M87超大质量黑洞，单个的望远镜根本不具备这样的能力，于是EHT组织将世界各地的八台望远镜连接起来，创建了一个虚拟的类似地球大小的望远镜，再将八台望远镜的数据组合在一起，使用超级计算机去处理这些数据，最终得到了我们所看到的照片。

如果没有超级计算机所提供的算力，我们也看不到那张“甜甜圈”了。

不过，算力只是一方面，不是所有的问题都可以通过提升算力解决。单纯的依靠高性能计算机集群进行科学计算，很容易遇到“维数灾难”，导致算不了、算不准、算得慢、算不动。

“维数灾难”是指在某些问题的求解中，随着维数的增加，计算代价会呈指数增长。比如薛定谔方程中，一个电子的增加就会导致方程的维度增加，算力增长水平可能跟不上方程维度增长需要的能力。

AI助力算力升级

这时候，就需要人工智能（AI）出马了。

维数灾难主要体现为两点：1、海量数据；2、复杂物理系统。以深度神经网络为代表的人工智能算法在面对这两点时的表现明显优于经典算法，也为复杂科学问题的求解带来了新的契机。

其实想想，AI本质就是一种算法，算力+算法，才是真正的“算能”。

AI相助，科学破局

近十年来，AI已经在多个我们所熟悉的日常领域取得了突破性的发展，比如图像识别、自然语言处理等等，充分体现了AI在处理海量数据和高维函数上所具备的优势。

如此强劲的工具，显然也是科学研究需要的。事实上，AI已在数学、物理、生物等科学领域，大大缩短了科学研究周期。越来越多的科学家也正在将AI技术引入到科学计算，从传统的依靠高性能计算机集群暴力运算进入到通过AI智能计算的新阶段。科学计算正逐渐变为科学智能。

科学智能具体实现方式，则有以下三种：

第一种是改变海量数据的处理方式，直接通过大量数据驱动获得AI模型。这里面最成功的一个例子就是 AlphaFold2。蛋白质折叠问题是一个典型的高维问题，AlphaFold2 通过 AI 的方式彻底改变了蛋白折叠的技术路线，实现了以原子精度预测蛋白质结构，且达到了惊人的准确率。

第二条路线是通过AI赋能机理计算，将AI计算嵌入到机理计算中，实现AI对机理计算的加速。典型案例就是用DeePMD实现分子动力学模拟。基于机器学习的分子动力学方法，依靠量子力学模型提供训练数据，用深度神经网络对高维势函数进行拟合，就可以同时保证算法的准确性和高效性。

第三条路线则是将机理计算与AI计算相结合，提升科学计算的准确率和计算效率。果壳前段时间发布的《谢邀 ——刚刚落地，如何高质量坐飞机？》中就展示了一个经典案例：中国商飞上海飞机设计研究院与华为合作，基于昇腾AI联合开发了业界首个工业级流体仿真大模型"东方.御风"，将流体仿真的单次计算耗时缩短24倍以上，平均误差降低至万分之一量级，达到工业级标准，帮助大飞机有效解决大型客机减阻等难题。

如今，科学智能已经在天气预报、材料合成、生命科学等领域取得了惊人的成绩，在生物科技、新能源、半导体、材料等领域的产业化实践中取得了初步的成果，在工业仿真、合成农业、环境科学、天体物理、地质学、图形学等领域也有巨大的想象空间。为此，作为智能计算的行业领先者，华为也倡议成立科学智能创新联合体，携手产学研用，突破科学前沿，加速科研创新到产业落地进程，加强交叉学科建设和人才培养，共建科学智能新生态。

华为科学智能创新联合体

科学智能，不仅成为了AI的下一个主战场，也让我们站在了科学的分水岭上。

不止是工具的优化

还有范式的改变

科学智能带来了新的科学工具，而新的科学工具将带来新的科研模式。科学智能将推动科学研究从小农作坊模式转变到大平台模式，即由整个科学家群体共同努力构建基础模型、基础算法和工具。这样的大平台将极大地提升整体科研的效率。

众多学者也期待，科学智能不只是一个新的浪潮，而是一个全新的科学时代。

果壳商业科技传播部出品

微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。

来源: qq

点击查看作者最近其他文章