2008年图灵奖 揭晓

coredump

FROM： http://developers.solidot.org/ar ... /11/0143256&from=rss

MIT教授Barbara Liskov因为在程序语言方面的开创性研究而获得了计算机科学界的最高奖项——图灵奖。Liskov生于1939年，1961年获得UC伯克利的数学学士学位，1968年成为第一位获得计算机科学博士学位的美国女性，成为斯坦福大学的CSPh.D，她的博士论文主题是一个玩EndgameChess的程序。Liskov早期在软件设计领域的创新已成为现代语言的基础，包括Ada、C++、Java和C#。她帮助软件变得可靠、一致和预防错误。她是第二位授予图灵奖的女性，将获得25万美元奖金。

decisiontree

又是学数学出身的。计算机科学追本溯源就是变成数学研究了。数学不好吃亏啊。

coredump

岂止计算机科学？ 基本上任何科学分支都是建立在数学的基础上的，非数学基础的学科基本上只能划归为艺术领域。

ritz

Liskov substitution principle
怪不得听名字很熟悉

coredump

反应过来了

那几个principle 唯一一个用人名命名的，当时就觉得奇怪，特意查了查。

她还是CLU语言的发明人，C++的Template就是从CLU借鉴来的。

someonehappy

看来我只能玩艺术了。。。

woodheadz

Liskov substitution principle
面向对象的基本设计原则之一啊...

beysup

就计算机科学而言，与数学的相关性比其他学科要紧密，计算机科班的相当于半个数学系。如果读计算机专业的PhD，尤其是技术方向的，你会发现基本都是在研究数学问题。

原帖由 coredump 于 11-3-2009 21:30 发表

                               
登录/注册后可看大图

岂止计算机科学？ 基本上任何科学分支都是建立在数学的基础上的，非数学基础的学科基本上只能划归为艺术领域。

青山

现在计算机科学界确实太依赖数学了。我认为这是人工智能研究长期停滞不前的重要原因。
计算机至少在某些领域，应该回归实验科学。比如我搞的自然语言领域，我现在完全是实验
科学的路子，猜想+实验+总结。我觉得进展不错。至少能有一些与众不同的体会和思路。

虽然可以说计算机科学是基于数学的。但是，当算法和模型复杂到一定程度，就不是现有
的数学可以解决的了。尤其当算法和模型本身也需要自动生成的时候，必须大量的采用模
拟的方法。这才是计算机科学与数学的不同。

可惜的是，我去年去德国开一个会，有一个讲座就是谈计算机科学的研究方法。当台上
的人问谁认为计算机科学是实验科学的时候，上百人的大厅里，只有我一个人举手。

原帖由 decisiontree 于 11-3-2009 19:12 发表

                               
登录/注册后可看大图

又是学数学出身的。计算机科学追本溯源就是变成数学研究了。数学不好吃亏啊。

青山

我觉得我现在的研究中，用到的数学基本上不超过中学数学的范围。

恩，唯一超出的，可能有些概率的东西，不过我也不喜欢严格遵循概
率论的方法。有时故意不按概率论的方法去算。我这里很多时候，0.1
和0.2差别并不大。

原帖由 beysup 于 12-3-2009 12:26 发表

                               
登录/注册后可看大图

就计算机科学而言，与数学的相关性比其他学科要紧密，计算机科班的相当于半个数学系。如果读计算机专业的PhD，尤其是技术方向的，你会发现基本都是在研究数学问题。

青山

68年的博士，那这个图灵奖是为她哪个年代的成就发的啊？
看来要得图灵奖，不但要有突出的成就，还要活得够长。

coredump

OOP, 结构化编程，编程契约， 错误处理，模板...... 一大堆东西都有这位大姐的贡献。

我觉得你对数学范围的理解有误啊， 很多计算机的形式化方法的推导和证明都是用的数学方法。比如上面那个LSP原理，其证明的paper:http://www.objectmentor.com/resources/articles/lsp.pdf  ， 用完全形式化的数学语言提出和证明了我们习以为常的继承，子类，多态等概念。

coredump

图灵奖有点像诺贝尔奖，都是奖励给老人的，不像数学菲尔茨奖那样强调只颁发给年轻人。

青山

不是我对数学的理解有误，而是我说的东西不是这些。要靠数学去解决问题，首先必须形式化。
其实现在对已经形式化的问题的解决，已经走得相当远了。这块并不是瓶颈。问题是，我们面临
的很多问题，并不是形式化的问题。比如人工视觉，语音识别，自然语言处理。

这些概念都是几十年前就都提出来的，但是始终裹足不前。原因就在于，很多人试图直接用形式
化的方法，或者说数学去解决这些问题。

说白了，我觉得现在的自然语言理解，瓶颈在建模，如何建立一个真正适用于自然语言的阅读理
解的模型，这个才是多年来没有解决的问题。而建立模型的过程，是不可能依靠数学来进行的。
只能靠猜想和实验。

就像当年牛顿发现力学定律一样，他显然要先靠猜想建立起基本的框架，要建立起新的公理体系。
万有引力的存在，显然不是靠前人的理论和数学就可以推导出来的。人工智能面临同样的问题。
而且我能清楚地感觉到，自然语言理解的模型，用不着高深的数学，只要初等数学基本上就够了。
就像牛顿定律用初等数学表达就足够了一样。

说实话，我觉得任何可以用数学直接推导出来的东西，都属于数学的范畴。计算机科学和物理学
一样，有自己的领域。我想绝大多数物理学家，也不会完全依赖数学推导去做研究吧？

原帖由 coredump 于 12-3-2009 21:25 发表

                               
登录/注册后可看大图

OOP, 结构化编程，编程契约， 错误处理，模板...... 一大堆东西都有这位大姐的贡献。

我觉得你对数学范围的理解有误啊， 很多计算机的形式化方法的推导和证明都是用的数学方法。比如上面那个LSP原理，其证明的pap ...

青山

问题是，我们习以为常的概念有多少呢？成千上万。

现实世界中，即使是继承，子类，多态这些东西，也不是严格遵循形式化的定义的。
有各种各样的例外。而事实上，这些概念本身，已经是高度形式化，高度概括的结果。

用数学可以证明这些高度形式化的概念，却并不能解决现实中的各种例外。
数学能做的，也只是证明这些概念，并不能帮助人们从现实世界中，总结出这些概念。
这些概念的提出，依然要靠人的想象力和概括能力。我敢说，当人们第一次想到继承，
子类，多态这些概念的时候，决不是从数学推导中发现的，而是从日常生活中来的。

原帖由 coredump 于 12-3-2009 21:25 发表

                               
登录/注册后可看大图

用完全形式化的数学语言提出和证明了我们习以为常的继承，子类，多态等概念。

jerryzh

我觉得没有必要把数学和生活分得那么开吧。
数学开始也是人们从生活中抽象出来的。

beysup

我认为把现实世界中的事物或生活中的实践所得加以形式化，是一种先进的高度概括，便于其它人掌握和应用。形式化的过程很困难，但形式化的应用是很高效的。

beysup

图灵奖就是计算机界的诺贝尔奖，诺贝尔时代还没有计算机呢

原帖由 coredump 于 12-3-2009 21:27 发表

                               
登录/注册后可看大图

图灵奖有点像诺贝尔奖，都是奖励给老人的，不像数学菲尔茨奖那样强调只颁发给年轻人。

coredump

原帖由 青山 于 13-3-2009 08:11 发表

                               
登录/注册后可看大图

而建立模型的过程，是不可能依靠数学来进行的。只能靠猜想和实验。

这又不是矛盾的，新的发明发现可以从各种途径出现，可以是牛顿的苹果，也可以是你的一个梦，或者某个飘了N亿年的宇宙粒子击中了你的脑神经  模型的发现和建立和模型的数学形式化是科学的两个不同的阶段而已。

猜想，实验，fail, 猜想， 实验,  .............. good idea, 形式化, 。。。。。。。。。。。

dover

原帖由 青山 于 12-3-2009 18:10 发表

                               
登录/注册后可看大图

我觉得我现在的研究中，用到的数学基本上不超过中学数学的范围。

恩，唯一超出的，可能有些概率的东西，不过我也不喜欢严格遵循概
率论的方法。有时故意不按概率论的方法去算。我这里很多时候，0.1
和0.2差别并 ...

很难想像研究中没有数学，人类的抽像思维没有数学的铺垫与支持是走有不了多远的。一些基础问题的提出往往是很直观的，它们的证明有赖于数学工具，反过来又促进了数学的发展，数学的发展让人类能往更抽像的假设进行探索。于是越来越抽像高级的假设被提出，形成数学的分支越来越多。现今的计算机科学研究没有深厚的数学基础，光靠个人的聪明是很难有突破的，思绪是一个循序渐进的过程，idea也不是凭空想过来的。就如前面所说的自然语言的理解或AI，它涉及了数学分析，概率统计，随机过程，图论，最优化，组合数学等等一大批数学分支，并且自然语言本身是可以用代数的形式进行抽像的，进而可以用代数工具进行处理。

现在数学已经可以让人类去想像可能根本不存在的时空，它是这么多年最聪明人的思维总结。我本身是机算机出身，做过十多年的做程序开发，现在主要做一些研究工作，做研究一定要跳出程序员的思维，做程序很大部分靠个人的聪明才智与理解力，但是做研究必须有很好的理论基础，循序渐进，不断的发展现有理论，才会有伟大的成就。

青山

我没说过不要用数学，我说的是，纯粹靠数学而脱离实验的计算机科学研究是有问题的。
恰恰现在大量的计算机研究者，都是这个样子的。很多人都不怎么做实验。做也是数学模
型都想好了，然后用实验验证一下。实验根本不是研究过程，只是写论文的一个步骤。

原帖由 coredump 于 13-3-2009 13:34 发表

                               
登录/注册后可看大图

这又不是矛盾的，新的发明发现可以从各种途径出现，可以是牛顿的苹果，也可以是你的一个梦，或者某个飘了N亿年的宇宙粒子击中了你的脑神经  模型的发现和建立和模型的数学形式化是科学的两个不同的阶段而已。
...

青山

我坚决反对这句话，而且认为，这种思路才是自然语言相关领域几十年停滞不前的根本性障碍。
好好想想google那哥们的话，“人工智能的本质是搜索”吧。如果你一定要说搜索也是代数工具，那我就没话可说了。

原帖由 dover 于 13-3-2009 14:02 发表

                               
登录/注册后可看大图

并且自然语言本身是可以用代数的形式进行抽像的，进而可以用代数工具进行处理。

青山

这句话我认为也是错的，一个5岁的孩子就能理解自然语言，他的大脑中的处理模式，肯定不是这些东西在起作用。
这种思路非常害人，总以为把很多数学理论用上，就能解决问题，事实上南辕北辙。

大脑处理语言的机理应当是相对简单的。单个脑细胞肯定不会进行数学分析。
图论，概率会用到，但是也是很简单的一些模型。

我觉得自然语言处理模型必须能用简单的数学模型表达出来。不然肯定会走进死胡同。

原帖由 dover 于 13-3-2009 14:02 发表

                               
登录/注册后可看大图

就如前面所说的自然语言的理解或AI，它涉及了数学分析，概率统计，随机过程，图论，最优化，组合数学等等一大批数学分支，

青山

按这个思路，如果现有的理论不能解决问题，那么你永远也不能解决问题。
理论是从实验中总结出来的。当现有的理论解决不了问题的时候，就要回到
实验中去，搞新的理论。这正是我说计算机科学是实验科学，而不是数学的原因。

数学解决的，是已知模型的问题，计算机科学解决的，是建立模型的问题。
而计算机科学建立的模型，并不必然需要复杂高深的数学。就像牛顿定律，并不
需要他那个时代最高深的数学一样。

原帖由 dover 于 13-3-2009 14:02 发表

                               
登录/注册后可看大图

不断的发展现有理论，才会有伟大的成就。

coredump

原帖由 青山 于 13-3-2009 18:12 发表

                               
登录/注册后可看大图

我没说过不要用数学，我说的是，纯粹靠数学而脱离实验的计算机科学研究是有问题的。
恰恰现在大量的计算机研究者，都是这个样子的。很多人都不怎么做实验。做也是数学模
型都想好了，然后用实验验证一下。实验根本 ...

只能说这些都算不上一流的研究者，看看那些数量众多的open source项目，其中很大比例都是学校的研究项目，有的是某个博士的研究论文。而其中又有很大比例更是远远超出做实验和为论文做准备的状态。

相信没有充分的实践，Google的Page Rank算法也不会只是灵光一闪和纯粹的数学模型，没有Google的那些强大的工程实践支撑着它的基础设施，Page Rank也只能是空中楼阁。

coredump

原帖由 青山 于 13-3-2009 18:14 发表

                               
登录/注册后可看大图

我坚决反对这句话，而且认为，这种思路才是自然语言相关领域几十年停滞不前的根本性障碍。
好好想想google那哥们的话，“人工智能的本质是搜索”吧。如果你一定要说搜索也是代数工具，那我就没话可说了。

Google那哥们还说过，互联网搜索的本质就是个巨大的矩阵运算

青山

我很同意。这些才是真正的顶级研究。比如我现在用到的stanford dependency parser。就是句法分析研究的成果。
不过澳洲的学校，或者说普遍的研究方法，现在偏离了这一方向。在自然语言这个领域，我看到的顶级会议和期刊
中的论文，只有不到20%是这一类。剩下的80%，都先理论，后实验那种，说实话，我认为那些基本上没什么前途。

原帖由 coredump 于 13-3-2009 20:36 发表

                               
登录/注册后可看大图

只能说这些都算不上一流的研究者，看看那些数量众多的open source项目，其中很大比例都是学校的研究项目，有的是某个博士的研究论文。而其中又有很大比例更是远远超出做实验和为论文做准备的状态。

相信没有充分的实践，Google的Page Rank算法也不会只是灵光一闪和纯粹的数学模型，没有Google的那些强大的工程实践支撑着它的基础设施，Page Rank也只能是空中楼阁。

青山

矩阵运算是很高深的数学么？矩阵运算是一种很简单的模型，但是需要海量的计算。
所以我上边说，如果你把搜索说成代数方法，那我也没办法，广义来说，计算机能
运行的都可以算代数方法，但是研究思路的差别，是很明显的。

事实上，数学方法倾向于通过推论来找到答案。这是因为人类本身的计算能力局限决定的。
举个例子，就说积分吧，你可以用数学方法去证明，也可以用计算机去模拟。这就是
数学和计算机科学解决问题思路的不同。在解决高度形式化的问题的时候，传统的数学
证明方法，可能可以用更少的资源得到结果。但是，当问题不是形式化的时候，高度形式化
的方法就不那么好用了。

你可以想一下，用计算机模拟去解决一个积分问题，用初等数学就够了吧？其实未来AI,
自然语言理解这块，就是应该用这类方法，通过简单的数学模型，和强大的计算能力去
解决问题。我认为这才是有可能获得真正突破的方向。

原帖由 coredump 于 13-3-2009 20:41 发表

                               
登录/注册后可看大图

Google那哥们还说过，互联网搜索的本质就是个巨大的矩阵运算

dover

原帖由 青山 于 13-3-2009 19:39 发表

                               
登录/注册后可看大图

按这个思路，如果现有的理论不能解决问题，那么你永远也不能解决问题。
理论是从实验中总结出来的。当现有的理论解决不了问题的时候，就要回到
实验中去，搞新的理论。这正是我说计算机科学是实验科学，而不是数学 ...

我举几个例子，说明一下数学理论是不空的，先理论，后实验不一定没前途。爱因斯坦的相对论是从理论出来，然后用于实践。如果没有理论基础单靠去实验中发现，永远也不可能。霍金的黑洞理论推进了宇宙起源的探索，而那是不可实验的。就算是Google的诞生，本身也是数学推导的结果。不要以为一个5岁的孩子就能理解自然语言只是一个简单的过程，中间的学习过程本身就是一个我们现在还未知的复杂数学模型，而没有理论基础又怎么能建立模型？

在AI中很大一块是机器学习或者说模式识别，所遇到的问题大多都已经很明确，问题是现在我们没办法去处理，很大一个原因是相应的理论还没有出来，这是为什么很多研究者都在现行理论探索而不是天天在写程序。我们现在所用的机器学习工具中，SVM， Neural Network, Bayesian, HMM, Particle Filter, 信号处理中的Fourier, wavelet, 高斯模型等等很多，它们为我们解决了大量问题，但我看不出它们是由简单模型，大量运算就可以达到的。反而都是由数学工具所产生，是先理论，后实验的结果。幻想只靠一些简单模型，由大量运算来解决问题，本身就不是一种研究精神，研究的本身就是抽像概括问题，然后用已有的或产生新的理论做支持，推出结果，进而指引我们的实验方向。它是一种严谨的过程，没有捷径。还有，做研究一定要多听听同行的意见，如果别人和有你不一样的关点就是没有前途，如果人人都这样科学是没法进步的。

[ 本帖最后由 dover 于 13-3-2009 23:13 编辑 ]

dover

原帖由 青山 于 13-3-2009 20:47 发表

                               
登录/注册后可看大图

矩阵运算是很高深的数学么？矩阵运算是一种很简单的模型，但是需要海量的计算。
所以我上边说，如果你把搜索说成代数方法，那我也没办法，广义来说，计算机能
运行的都可以算代数方法，但是研究思路的差别，是很明 ...

矩阵不是只有海量的计算，比如现在用于做压缩或降维方法，像PCA，是源于矩阵里的特征向量和特征值基础，这也是由数学家形式化以后为人们所应用的。用计算机模拟去解决一个积分问题，用初等数学是不行的，除非简单积分运算，不然也会用到级数，积分变换或微分方程的公式方法，而那是数学的成果再交由电脑去实现完成。计算机科学源于数学，计算机的能力也随着数学的发展得到提升，由原来的科学计算发展到现在的人工智能，没有数学，计算机能用于什么地方人们都可能不知道，它的每一个应用都由数学发展来指导，离开了数学计算机只是一堆电路。

[ 本帖最后由 dover 于 13-3-2009 23:35 编辑 ]