Re: [新聞] PTT創辦人杜奕瑾辭微軟職務 創AI實驗室

[eb5137d (eb5137b)]

AI翻譯就是人工智慧，所以通常都會被聯想成「擬人」的功用。
但是那其實有點誤解了機器學習、類神經網路這些技術的精神。

抽象的說這項技術的特性，比較像是

「讓NP-hard的問題，得以用多項式時間複雜度的演算法，算出品質接近指數複雜度演算法
才能得到的解」

再加上
「將過去儲存的算力，輸送到當前使用而不會耗盡其存量」

以物理模擬來說，經典物理和量子力學的公式都有了，套公式的模型程式也寫得出來，
但是為什麼許多工程上的問題仍然要用試誤法、heuristic，或者老師傅的經驗？
計算量太大，計算的時間和功耗，沒有經濟上的可行性。

像是開發新藥的分子結構模擬、遊戲引擎的粒子碰撞效果、或者大型
的線路最佳化問題，航太工程的流體模擬，都是像神經網路之類的技術可以發揮的地方。
也已經有人研究使用神經網路來做解調變(demodulation)等十分「基礎」的工程問題。
只怕你想像不到，而不是應用太少。


物理特效模擬: https://www.youtube.com/watch?v=iOWamCtnwTc

--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 111.240.20.208
※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1493532365.A.7A7.html
推 gundam00: 推想像不到 而不是應用太少
推 kiawe:    推想像不到 而不是應用太少
→ 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
→ CGary: 法找區域解不是AI在做的,逼近做法主要還是透過Approx. Algo
→ 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
→ CGary: AI主要還是處理Cognitive,所以整個NN設計都是想像人類是怎
→ 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
→ CGary: 用記憶 來模擬人的認知 解決問題...
→ 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
→ 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
→ 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
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
→ 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
→ 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
→ 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
→ CGary: 頻寬有限 所以並不是想像不到 而是加速不了
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
→ 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"
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
→ CGary: 說 AI 在解的問題 不是你提那些 那些有另外的路在搞...
→ 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
→ 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
※ 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
→ 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
推 CaptainH: 明顯一知半解，亂寫一通。
→ 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
→ CGary: 有些用在B, 你不能把AI說「這是解決scale down問題」...這
→ CGary: 明明就不是用在這裡....
→ 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
→ 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
→ CGary: 認知 但不幸的事:一來架構沒辦法支援(Google搞TPU那堆人要
→ 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
→ 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
→ 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
→ 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
→ CGary: 道怎麼解決
→ CGary: 要把NP-Hard問題掃平 量子電腦快出來了 不需要AI... 一般的
→ CGary: NP-Hard可以靠量子電腦掃平
→ CGary: 講太多了 都要一篇文的長度了 = =
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
※ 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
推 revivalworld: 第一次聽說量子電腦可以掃平NP-Hard
→ revivalworld: 恕本魯無知 有相關文獻來源可以分享嗎 謝謝
→ hsnuonly: 應該是講到量子電腦解質因數分解吧
→ hsnuonly: 量子電腦概念上應該是可以把平行的部分壓到O(1)?
→ ssccg: 通用的量子電腦離"快出來了"還很遠吧...
→ pttworld: 這篇講的不是Strong AI那個區塊，比較趨向研究方法這部
→ pttworld: 分的。
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
→ Kazimir: 矩陣運算找到的這個函數我們其實還是沒辦法解析
→ Kazimir: 所以主流一般還是專注於架構和結果
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
→ FRAXIS: 質因數分解還沒被證明是 NP-Hard 的問題
噓 expiate: AI解NP-hard? 胡說八道什麼
→ 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
→ expiate: 說要解NP-hard?  這已經不是同一等級的智慧惹
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
→ sean2449: 我的理解也是fit一個function 找極值
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
推 CaptainH: 又是一個AI~=ML~=NN的跟風白痴
推 jacko1: 問題是不是NP-HARD，演算法解得好不好。其實不是AI重點
→ jacko1: 好的數學模型，好的目標函數，這部份很困難
→ jacko1: 舉例來說，影像辨識近年最有貢獻的是ImageNet
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
→ jacko1: 有意義的系統模型，跑最佳化得到的解才會有價值