推 gundam00: 推想像不到 而不是應用太少 04/30 14:38
推 kiawe: 推想像不到 而不是應用太少 04/30 15:20
→ CGary: 雖然你提的問題是有趣的 但把NP-Hard問題量級降低,用近似方 04/30 16:17
→ CGary: 法找區域解不是AI在做的,逼近做法主要還是透過Approx. Algo 04/30 16:21
→ CGary: 去降低難度,而要打平NP難度目前主要的方向是量子/生物電腦 04/30 16:22
→ CGary: AI主要還是處理Cognitive,所以整個NN設計都是想像人類是怎 04/30 16:23
→ CGary: 麼思考來設計的,比如甚麼LSTM,BLSTM這些都是想像我們怎麼利 04/30 16:24
→ CGary: 用記憶 來模擬人的認知 解決問題... 04/30 16:24
→ CGary: 雖然說AI「可以」降低解決難度 但目前AI突然間的發展根本不 04/30 16:25
→ CGary: 是技術難度的下降 而是GPU可以算得比以前快 演算法還是那堆 04/30 16:26
→ CGary: 不過AI的前境我還是有很高的預期 各種東西都準備得差不多了 04/30 16:28
AI是比較籠統一點的用詞,具體一點說就是NN
我想表達的方向其實不是「降低問題的難度」,
而是這些NP-hard問題有近似解,而NN可以找到品質很高的近似解,
有足夠的實用性,繞過了NP-hard的障礙。
例如AlphaGo並沒有把圍棋的複雜度降低,但是他卻可以產出媲美一流職業棋士的對局內容
另外NN的發想雖然是以人腦出發,但是要理解它的性質和潛在應用,
把它看成一個萬用 函數產生器 或許更接近核心精神。
※ 編輯: eb5137d (111.240.20.208), 04/30/2017 16:44:59
※ 編輯: eb5137d (111.240.20.208), 04/30/2017 17:02:49
※ 編輯: eb5137d (111.240.20.208), 04/30/2017 17:12:55
推 CGary: 很難短短幾句說完: 不是,他沒有繞過甚麼 他也不是找甚麼近 04/30 17:09
→ CGary: 似解 他是建立一個價值網路重新定義了問題 有些問題可以這 04/30 17:09
→ CGary: 樣做 有些則不行 NN潛在應用當然很多 但不是想像得到想像不 04/30 17:12
→ CGary: 到 而是現在的NN只能利用GPU去加速 而能從CPU搬到GPU的資料 04/30 17:13
→ CGary: 頻寬有限 所以並不是想像不到 而是加速不了 04/30 17:13
不懂為什麼這邊會提到CPU GPU? 有具體的例子嗎?
是指forward pass還是backward pass的計算?
→ CGary: AI 能做的東西 這十幾年資訊科學家能想的都提過了 問題是有 04/30 17:13
→ CGary: 些是很基礎的認知科學問題 有些是硬體做不到 而能夠"近似" 04/30 17:14
總感覺有我們不是在講同一樣東西XD
我在講的部分和認知科學或生物沒什麼關係。
→ CGary: 的題目 早就被一堆數學家設計一堆演算法approx了 所以我才 04/30 17:15
→ CGary: 說 AI 在解的問題 不是你提那些 那些有另外的路在搞... 04/30 17:16
→ CGary: 所以真要說AI發展就是想要補足 不知道怎麼繞的題目 所以你 04/30 17:18
→ CGary: 會發現Google想挑戰益智遊戲跟RTS, 就是這類題目是全開放的 04/30 17:18
※ 編輯: eb5137d (111.240.20.208), 04/30/2017 17:20:26
※ 編輯: eb5137d (111.240.20.208), 04/30/2017 17:25:02
推 CGary: 例子很多 你多做一點tera-scale 的圖像辨識 你就知道要把資 04/30 17:27
→ CGary: 料搬進GPU利用他現在的速度優勢是很困難的事情 概念是單純 04/30 17:28
推 CaptainH: 明顯一知半解,亂寫一通。 04/30 17:28
→ CGary: 的 就好像我們甚麼數學問題都是簡化問題找答案 但有些用在A 04/30 17:29
→ CGary: 有些用在B, 你不能把AI說「這是解決scale down問題」...這 04/30 17:29
→ CGary: 明明就不是用在這裡.... 04/30 17:29
→ CGary: 另外 為甚麼AI難進展 就是因為有些問題沒辦法被reduce成另 04/30 17:30
→ CGary: 一個問題 所以我們「希望」發展一套通用的架構解決人類怎麼 04/30 17:30
→ CGary: 認知 但不幸的事:一來架構沒辦法支援(Google搞TPU那堆人要 04/30 17:31
→ CGary: 試著出去開公司搞定通用硬體),二來認真的說我們連甚麼是人 04/30 17:32
→ CGary: 類認知都不是那麼清楚了 所以這些AI「可以」解的問題都有人 04/30 17:32
→ CGary: 端在檯面等大家挑戰 問題是這兩個問題遲遲沒好進展啊...所 04/30 17:33
→ CGary: 以最後才回到做最基礎的事情 因為除了這些以外 我們還不知 04/30 17:33
→ CGary: 道怎麼解決 04/30 17:34
→ CGary: 要把NP-Hard問題掃平 量子電腦快出來了 不需要AI... 一般的 04/30 17:35
→ CGary: NP-Hard可以靠量子電腦掃平 04/30 17:35
→ CGary: 講太多了 都要一篇文的長度了 = = 04/30 17:37
我的資訊是好幾年前的了,也不是這一行的專家
如果說錯大家笑笑就好。糾正錯誤也很歡迎
推 hsnuonly: 目前AI要跟人類拚的應該不是智商 而是在單一項目的能力 04/30 17:41
※ 編輯: eb5137d (111.240.20.208), 04/30/2017 18:01:17
推 oneheat: 連這個也可以吵 ptt版眾實在不簡單 04/30 18:17
推 revivalworld: 第一次聽說量子電腦可以掃平NP-Hard 04/30 18:46
→ revivalworld: 恕本魯無知 有相關文獻來源可以分享嗎 謝謝 04/30 18:47
→ hsnuonly: 應該是講到量子電腦解質因數分解吧 04/30 18:56
→ hsnuonly: 量子電腦概念上應該是可以把平行的部分壓到O(1)? 04/30 18:58
→ ssccg: 通用的量子電腦離"快出來了"還很遠吧... 04/30 19:14
→ pttworld: 這篇講的不是Strong AI那個區塊,比較趨向研究方法這部 04/30 19:26
→ pttworld: 分的。 04/30 19:26
推 Kazimir: 說NN事實上是在fit一個函數當然是沒錯的 問題是一連串 04/30 19:45
→ Kazimir: 矩陣運算找到的這個函數我們其實還是沒辦法解析 04/30 19:46
→ Kazimir: 所以主流一般還是專注於架構和結果 04/30 19:49
推 FRAXIS: 目前設計出來的量子演算法也沒辦法在理論上解 NP-Hard 05/01 00:10
→ FRAXIS: 質因數分解還沒被證明是 NP-Hard 的問題 05/01 00:11
噓 expiate: AI解NP-hard? 胡說八道什麼 05/01 00:51
→ expiate: 現在的AI光只朝最基本的感知型智慧都困難重重了,結果你 05/01 00:54
→ expiate: 說要解NP-hard? 這已經不是同一等級的智慧惹 05/01 00:55
文中有說要解NP-hard?要不要重看一次文章或看眼科?
學生時代學過的找NP-hard problem approximation的方向有
1. randomized local search
2. genetic algorithm
3. NN
可能還有一些其他我忘記的。如果這些已經過時或被推翻,
那就算我孤陋寡聞,出來獻醜了。
但是語無倫次的推文光會裝兇說不出個屁,我也不會客氣嗆回去。
→ sean2449: 感覺原Po數學跟物理系出身?理解跟我真不同 05/01 01:36
→ sean2449: 我的理解也是fit一個function 找極值 05/01 01:42
有點籠統,但應該跟我要表達的比較接近。
我要強調的就是AI的重點和應用並不只侷限在模擬人類的官能,
※ 編輯: eb5137d (111.240.20.208), 05/01/2017 11:02:56
※ 編輯: eb5137d (111.240.20.208), 05/01/2017 11:08:29
→ remmurds: 板上不都是宅宅相輕 05/01 13:04
推 CaptainH: 又是一個AI~=ML~=NN的跟風白痴 05/01 13:31
推 jacko1: 問題是不是NP-HARD,演算法解得好不好。其實不是AI重點 05/24 18:23
→ jacko1: 好的數學模型,好的目標函數,這部份很困難 05/24 18:25
→ jacko1: 舉例來說,影像辨識近年最有貢獻的是ImageNet 05/24 18:26
推 jacko1: 大量有"意義"標籤的圖片,可建立更有意義的數學系統模型 05/24 18:29
→ jacko1: 有意義的系統模型,跑最佳化得到的解才會有價值 05/24 18:30