PTT職涯區 / Soft_Job (軟體人)

Re: [新聞] PTT創辦人杜奕瑾辭微軟職務 創AI實驗室

看板Soft_Job (軟體人)作者 (eb5137b)時間9年前 (2017/04/30 14:06), 9年前編輯推噓12(13推 1噓 51→)
留言65則, 15人參與, 最新討論串6/8 (看更多)
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
04/30 14:38, , 1F
推想像不到 而不是應用太少
04/30 14:38, 1F
推
04/30 15:20, , 2F
推想像不到 而不是應用太少
04/30 15:20, 2F
→
04/30 16:17, , 3F
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, 3F
→
04/30 16:21, , 4F
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, 4F
→
04/30 16:22, , 5F
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, 5F
→
04/30 16:23, , 6F
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, 6F
→
04/30 16:24, , 7F
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, 7F
→
04/30 16:24, , 8F
用記憶 來模擬人的認知 解決問題...
04/30 16:24, 8F
→
04/30 16:25, , 9F
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, 9F
→
04/30 16:26, , 10F
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, 10F
→
04/30 16:28, , 11F
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, 11F
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
04/30 17:09, , 12F
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, 12F
→
04/30 17:09, , 13F
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, 13F
→
04/30 17:12, , 14F
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, 14F
→
04/30 17:13, , 15F
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, 15F
→
04/30 17:13, , 16F
頻寬有限 所以並不是想像不到 而是加速不了
04/30 17:13, 16F
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?
→
04/30 17:13, , 17F
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, 17F
→
04/30 17:14, , 18F
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, 18F
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。
→
04/30 17:15, , 19F
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, 19F
→
04/30 17:16, , 20F
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, 20F
→
04/30 17:18, , 21F
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, 21F
→
04/30 17:18, , 22F
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, 22F
※ 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
04/30 17:27, , 23F
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, 23F
→
04/30 17:28, , 24F
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, 24F
推
04/30 17:28, , 25F
明顯一知半解，亂寫一通。
04/30 17:28, 25F
→
04/30 17:29, , 26F
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, 26F
→
04/30 17:29, , 27F
有些用在B, 你不能把AI說「這是解決scale down問題」...這
04/30 17:29, 27F
→
04/30 17:29, , 28F
明明就不是用在這裡....
04/30 17:29, 28F
→
04/30 17:30, , 29F
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, 29F
→
04/30 17:30, , 30F
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, 30F
→
04/30 17:31, , 31F
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, 31F
→
04/30 17:32, , 32F
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, 32F
→
04/30 17:32, , 33F
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, 33F
→
04/30 17:33, , 34F
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, 34F
→
04/30 17:33, , 35F
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, 35F
→
04/30 17:34, , 36F
道怎麼解決
04/30 17:34, 36F
→
04/30 17:35, , 37F
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, 37F
→
04/30 17:35, , 38F
NP-Hard可以靠量子電腦掃平
04/30 17:35, 38F
→
04/30 17:37, , 39F
講太多了 都要一篇文的長度了 = =
04/30 17:37, 39F
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
04/30 17:41, , 40F
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, 40F
※ 編輯: eb5137d (111.240.20.208), 04/30/2017 18:01:17
推
04/30 18:17, , 41F
連這個也可以吵 ptt版眾實在不簡單
04/30 18:17, 41F
推
04/30 18:46, , 42F
第一次聽說量子電腦可以掃平NP-Hard
04/30 18:46, 42F
→
04/30 18:47, , 43F
恕本魯無知 有相關文獻來源可以分享嗎 謝謝
04/30 18:47, 43F
→
04/30 18:56, , 44F
應該是講到量子電腦解質因數分解吧
04/30 18:56, 44F
→
04/30 18:58, , 45F
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, 45F
→
04/30 19:14, , 46F
通用的量子電腦離"快出來了"還很遠吧...
04/30 19:14, 46F
→
04/30 19:26, , 47F
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, 47F
→
04/30 19:26, , 48F
分的。
04/30 19:26, 48F
推
04/30 19:45, , 49F
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, 49F
→
04/30 19:46, , 50F
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, 50F
→
04/30 19:49, , 51F
所以主流一般還是專注於架構和結果
04/30 19:49, 51F
推
05/01 00:10, , 52F
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, 52F
→
05/01 00:11, , 53F
質因數分解還沒被證明是 NP-Hard 的問題
05/01 00:11, 53F
噓
05/01 00:51, , 54F
AI解NP-hard? 胡說八道什麼
05/01 00:51, 54F
→
05/01 00:54, , 55F
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, 55F
→
05/01 00:55, , 56F
說要解NP-hard? 這已經不是同一等級的智慧惹
05/01 00:55, 56F
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。
→
05/01 01:36, , 57F
感覺原Po數學跟物理系出身？理解跟我真不同
05/01 01:36, 57F
→
05/01 01:42, , 58F
我的理解也是fit一個function 找極值
05/01 01:42, 58F
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
→
05/01 13:04, , 59F
板上不都是宅宅相輕
05/01 13:04, 59F
推
05/01 13:31, , 60F
又是一個AI~=ML~=NN的跟風白痴
05/01 13:31, 60F
推
05/24 18:23, , 61F
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, 61F
→
05/24 18:25, , 62F
好的數學模型，好的目標函數，這部份很困難
05/24 18:25, 62F
→
05/24 18:26, , 63F
舉例來說，影像辨識近年最有貢獻的是ImageNet
05/24 18:26, 63F
推
05/24 18:29, , 64F
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, 64F
→
05/24 18:30, , 65F
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, 65F
‣ 更多 eb5137d 的文章
文章代碼(AID): #1P1NxDUd (Soft_Job)
討論串 (同標題文章)
以下文章回應了本文：
完整討論串 (本文為第 6 之 8 篇)：
排序： 最新先 | 最舊先 | 留言數
在新視窗開啟完整討論串 (共8篇)
Soft_Job 近期熱門文章
更多 近期熱門文章 >>
PTT職涯區 即時熱門文章
更多 即時熱門文章 >>
‣ 更多 eb5137d 的文章
文章代碼(AID): #1P1NxDUd (Soft_Job)