2008年图灵奖 揭晓

青山

霍金是很关注那个最大的对撞机的。如果靠数学理论都可以解决，花那么多钱建对撞机何用？

我没说过不要理论基础，但是理论基础并不是越高深越好，而是要找到真正适用的，计算机领域
目前未解决的很多问题，并不需要高深的数学。

原帖由 dover 于 13-3-2009 23:03 发表

                               
登录/注册后可看大图

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， ...

青山

这有点类似机器语言对计算机的作用。计算机确实是建立在机器语言基础上的。
但是这并不等于现在你研究计算机问题，仍然要用机器语言。计算机的设计，
确实是基于数学的，但是具体到你现在研究的问题，你并不是在计算机的底层
做研究。

我现在要说的就是，随着计算机处理能力的大幅提高，需要跳出现有数学思维
的框框。你当然可以把我所有做的都归在广义的数学范畴内，但是这与上边提
到的那些数学概念和思路，有着本质的不同。

这里有一个本质区别，就是数学应用于计算机的思路是你要先找到答案，然后
用计算机去验证你的答案。而我说的思路是，你不知道答案，让计算机自己去
找答案。你帮助计算机去找答案。

原帖由 dover 于 13-3-2009 23:27 发表

                               
登录/注册后可看大图

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。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。

dover

原帖由 青山 于 13-3-2009 23:32 发表

                               
登录/注册后可看大图

霍金是很关注那个最大的对撞机的。如果靠数学理论都可以解决，花那么多钱建对撞机何用？

我没说过不要理论基础，但是理论基础并不是越高深越好，而是要找到真正适用的，计算机领域
目前未解决的很多问题，并不需 ...

正好说反了，建对撞机是为了验证理论的正确性，说明理论引导了实验，不然谁会去将几个微观粒子加速到光速？这个实验有意义吗？用这种实验能得出什么有用的理论？

青山

建立对撞机，绝对不仅仅是为了验证现有的理论，虽然它可以验证现有的理论。
建立对撞机，主要还是为了观测和新的研究。

何况，对撞机验证之后，很可能很多理论都是错误的。比如现有10个理论。
实验发现8个错误2个正确，那么以后的方向就沿着那2个正确的去走。

在没有经过实验验证之前，其实这些理论只能称作猜想。

原帖由 dover 于 13-3-2009 23:39 发表

                               
登录/注册后可看大图

正好说反了，建对撞机是为了验证理论的正确性，说明理论引导了实验，不然谁会去将几个微观粒子加速到光速？这个实验有意义吗？用这种实验能得出什么有用的理论？

coredump

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。


--- 你心目中什么才是高深的数学？ 其实越是能用最简单的数学原理描述事物本质才越高深吧。 比如很多差分模型，还不就是加减乘除吗？加减乘除本身谈不上高深，知道怎么加减乘除的才高深吧。


再比如加密算法, MD5, RSA等，要说运算就更简单了 所以能够把互联网海量信息搜索抽象成矩阵运算的能力绝对是不简单的。

coredump

原帖由 青山 于 13-3-2009 22:43 发表

                               
登录/注册后可看大图

在没有经过实验验证之前，其实这些理论只能称作猜想。

越是猜想越是需要数学的形式化理论知识做基础，否则就是胡思乱想。

青山

事实上，随着计算机处理能力的提高，一个人已经不可能完全预测计算机处理某个问题的结果了。如果你设计的算法，即能让计算机满负荷运转，你又可以预测运算结果，只能说明，你设计的算法只能处理一大批同质化的问题。这正是现有的计算机系统的局限所在。

我认为这个局限就在于，人们总是试图让计算机严格按照自己设计的规则行事，而不是充分的挖掘计算机本身的能力。如果只把计算机看作旧有概念中的“机器”，那么这个局限永远也不会突破。只有当算法的设计者，真正接受，人和计算机各有优势，去尝试优势互补的合作的时候，才可能突破这个局限。

青山

我说得很清楚了，不同的课题需要不同的数学理论基础。目前计算机领域，AI,自然语言等方面，我认为只需要相对简单的数学理论即可。绝对不是胡思乱想，而是这些问题本来就不是什么高深的数学问题。

原帖由 coredump 于 13-3-2009 23:52 发表

                               
登录/注册后可看大图

越是猜想越是需要数学的形式化理论知识做基础，否则就是胡思乱想。

coredump

现有的计算机体系结构只能严格按照设计的规则行事，你说的应该是未来可能出现的计算机吧

青山

这么说吧，如果你设定一个规则，你可以预测最终结果，和你不能预测最终结果，是有很大差别的。
我这里说的规则，你可以理解为，一个可预测结果的规则。

多数现有的研究者，试图以一个给定的输入集和一个可预测的规则去建立模型。
而事实上，真正要解决问题，可能需要一个海量的输入集。在能够解决问题之前，
结果已经成为不可预测的了。而很多人当发现结果不可预测以后，就停步了。因为
这已经超出了他们习惯的，确定的数学思维的范畴。

原帖由 coredump 于 13-3-2009 23:56 发表

                               
登录/注册后可看大图

现有的计算机体系结构只能严格按照设计的规则行事，你说的应该是未来可能出现的计算机吧

dover

原帖由 青山 于 13-3-2009 23:43 发表

                               
登录/注册后可看大图

建立对撞机，绝对不仅仅是为了验证现有的理论，虽然它可以验证现有的理论。
建立对撞机，主要还是为了观测和新的研究。

何况，对撞机验证之后，很可能很多理论都是错误的。比如现有10个理论。
实验发现8个错误2 ...

我不太明白了，我们在说研究工作，对撞机不是理论指引的实验吗？而且建造对撞机是一种费力不讨好的做法，花钱而且和开创性的成果无关，没有多少国家愿意做。

青山

对撞机的主要工作是观测，而不是验证，当然，观测结果可以用于验证，但很多新的理论可能来源于观测出来的以往不知道的现象。对撞机如果和开创性的成果无关，那就不会有人建造了。

原帖由 dover 于 14-3-2009 00:02 发表

                               
登录/注册后可看大图

我不太明白了，我们在说研究工作，对撞机不是理论指引的实验吗？而且建造对撞机是一种费力不讨好的做法，花钱而且和开创性的成果无关，没有多少国家愿意做。

dover

原帖由 青山 于 14-3-2009 00:04 发表

                               
登录/注册后可看大图

对撞机的主要工作是观测，而不是验证，当然，观测结果可以用于验证，但很多新的理论可能来源于观测出来的以往不知道的现象。对撞机如果和开创性的成果无关，那就不会有人建造了。

算了，哥们，我不说了，祝你好运吧！

青山

对撞机不说了，还是回到计算机吧。

我觉得我们应该努力让计算机帮你去发现规则，而不是你自己数学推导出规则，再转变成算法，教给计算机。当然，基础算法是你自己设计的。但是随着海量输入的数据的处理，计算机会发现新的规则，这才是计算机科学，至少是AI领域的正确方向。而且并不是不可能实现的。

coredump

我倒觉得用我们这个时代的计算机，你再努力都没用。  形象点说，现在的计算机都是典型的“宿命论”者：前一个状态决定并唯一决定了下一个状态。

dover

原帖由 青山 于 14-3-2009 00:15 发表

                               
登录/注册后可看大图

对撞机不说了，还是回到计算机吧。

我觉得我们应该努力让计算机帮你去发现规则，而不是你自己数学推导出规则，再转变成算法，教给计算机。当然，基础算法是你自己设计的。但是随着海量输入的数据的处理，计算机会 ...

如果靠输入数据电脑就可以发现新规则那就是人脑了。在冯。诺依曼体系结构下的计算机是没这能力的。就那几年，还是做点可行的事吧。

[ 本帖最后由 dover 于 14-3-2009 09:43 编辑 ]

coredump

我觉得青山的观点和那个Wolfram的《一种新科学》有点类似：

元胞自动机的基础就在于“如果让计算机反复地计算极其简单的运算法则，那么就可以使之发展成为异常复杂的模型，并可以解释自然界中的所有现象”的观点。

根据《一种新科学》中的观点，认为截目前数千年来发展而成的全部科学从某种意义上讲，依赖的是一种完全无法预测的方法。从物理学、化学、生物学到心理学，甚至各种社会学等现有学术领域本来就不应该进行如此分类。

　　这些科学领域中各种各样的现象，说到底实际上都在受同一种运算法则的支配，利用各种方法对此反复计算就可以生成各种领域的复杂现象。Wolfram认为，“支持整个宇宙的原理无非就是区区几行程序代码”。

　　从“完全打破现有的学术体系，按照完全不同的原理来理解自然界”的意义出发，新作被命名为《一种新科学》。

青山

我可没说要完全打破现有的体系。只是对于自然语言的研究，我一开始就有自己的思路。而且在过去的一年中，沿着我自己的方向向前走，在不断的产生新的成果，算法，路越走越宽。发现基于我的模型，原先自然语言领域几个分立的问题，似乎都可以纳入同一个体系去解决。而这是我开始设计模型的时候，都没有预期的。

所以我现在越来越相信，我走的路是对的，而且已经进门了。

青山

其实没有那么神秘。你去用google的时候，你能预测搜索的结果么？其实就这么简单。
你之所以不能预测结果，是因为google的数据量远超过你的大脑。keyword搜索的算法，
从数学意义上来说，并不复杂吧？

自然语言问题的本质是搜索，却不仅仅是google这样的keyword搜索。而是一种更复杂的搜索。
然而，再复杂的搜索也还是搜索，并不需要多么高深的数学模型。从数学的角度讲，仍然很简单。
我需要做的，是找到这个模型，然后让计算机去做海量的计算，解决问题。我觉得我离目标越来越近了。

原帖由 coredump 于 14-3-2009 00:20 发表

                               
登录/注册后可看大图

我倒觉得用我们这个时代的计算机，你再努力都没用。  形象点说，现在的计算机都是典型的“宿命论”者：前一个状态决定并唯一决定了下一个状态。

青山

刚才经coredump提示，看了一下《一种新科学》的相关介绍，还没看到文本。感觉我能理解他的思路，也能理解他的工作模式。事实上，我这3年也是类似的工作模式。

不过这哥们把问题搞得太大了。一下想搞出普适的理论。一个人的能力必定是有限的，所以他可能在一些他不够熟悉的领域，犯一些错误，而让一些庸才抓住这些小毛病对他进行抨击。

而他的整个理论，真要检验，可能需要上百年。这个周期太长了，他有生之年很难看到了。看他的履历，我就知道这是个什么人。跟他比我差太多了，所以我我就集中注意力在自然语言这一个领域，争取能在几年内拿出让人们确信的成果。就像我跟我导师说的那样，我现在的研，如果没有足够好的实验结果，我的理论就很难发表。

青山

　　这个科学怪才名叫史蒂芬·沃尔弗雷姆（Stephen Wolfram）。他的搜索网站名叫“Wolfram Alpha”，将于五月份对外推出。这一工具将结合沃尔弗雷姆本人在数学和NKS（新科学）方面的研究成果。

　　在最近的一篇博客中，沃尔弗雷姆写道，网站所作的事情是提取用户的问题，根据语言学、语义学的研究成果将句子转换成计算科学能够理解的数据。并依靠对大量的知识数据进行组合，产生问题的答案。

　　沃尔弗雷姆是个科学怪才。1979年，只有20岁的他从加州理工学院获得了理论物理博士学位。1988年，他研究了一款用于计算科学的软件Mathematica。2002年，他根据多年研究复杂系统的成果，撰写了一本名为《新科学》的著作。这本书在科学界引发了广泛争论。

　　这一网站将遵循Google的风格，即让用户输入简单的问题，然后获得答案。Radar网络公司的CEO Noa Spivack表示，这一项目对于互联网的重要性不亚于Google，只不过方向不同。

　　Spivack解释了沃尔弗雷姆的搜索工具的工作模式，“网站好像插入了一个电子大脑，可以向林林总总的问题提供令人吃惊的答案。网站不是搜寻一个大型数据库，而是计算出答案。这方面来说，网站甚至比Google还要聪明。Google只不过是根据关键词搜索大量网页。Google不理解问题或者答案的内容，也不是根据人类的知识计算结果。”

　　据悉， Wolfram Alpha包含多个领域的知识，比如科学、技术、地理、天气、烹饪、商务、旅游、人物、音乐等等。（西子晴雪编译）　　

青山

从这个红字部分看，他用的方法很可能跟我现在做的是类似的，不过显然他走在我前边很多，我才刚刚入门，他产品都出来了。

看看他发布后效果如何吧。我相信他现在还不能说已经完成了这方面的研究。这个领域才刚刚开始露出曙光。

如果他真的是走在和我相似的那条道路上，那么我前一段说的，预期我们有生之年可以看到的东西，恐怕都会成为现实。

我找到了他的书的电子版，看来真的要读一读相关章节。不知道我如果下次写paper，把他的书当作reference，那些评委们会是什么反应。
http://www.wolframscience.com/nksonline/toc.html

青山

我发现这种讨论还是相当有益的。说实话，由于精力限制，我不可能读太多东西，大家的视野互相补充，可以得到很多有益的信息。而且我发现，FreeOZ对人工智能相关领域有思想的人，比学校里还多，站的角度还高。

decisiontree

原帖由 青山 于 14-3-2009 07:38 发表

                               
登录/注册后可看大图

其实没有那么神秘。你去用google的时候，你能预测搜索的结果么？其实就这么简单。
你之所以不能预测结果，是因为google的数据量远超过你的大脑。keyword搜索的算法，
从数学意义上来说，并不复杂吧？

自然语言问 ...

information retrieval 还是个BABY，发展也就是过去十几年的时间。它也许是离数学最远的计算机科学的一个分支。因为问题非常简单，要做的就是如何把海量数据在瞬间完成搜索并返回用户。可就是为了解决这个问题，图论，信息论，被用于数据存储，压缩，机器学习被用于RANK搜索结果，语义识别被用于query expansion。GOOGLE不知道语义识别的重要性吗？可现在最准确的语意识别还不如PAGE RANK算法的结果。
大家提到的Stephen Wolfram同学，他也承认了现在语意识别“incredibly difficult“，所以貌似他把这个重担交给用户了。
“But if one’s already made knowledge computable, one doesn’t need to do that kind of natural language understanding. All one needs to be able to do is to take questions people ask in natural language, and represent them in a precise form that fits into the computations one can do.“

青山

如果现在都做出来了，我也就不用做了。最准确的语义识别仍然很糟，正说明现有的研究很糟啊。
十几年都解决不了，这正说明，多数人可能走在错误的道路上。

decisiontree

原帖由 青山 于 14-3-2009 09:55 发表

                               
登录/注册后可看大图

如果现在都做出来了，我也就不用做了。最准确的语义识别仍然很糟，正说明现有的研究很糟啊。
十几年都解决不了，这正说明，多数人可能走在错误的道路上。

三种可能性吧。
１。就是你说的这个问题不该用复杂的数学模型。
２。现有数学模型没有强大到解决这个问题程度。
３。没人能把这个问题抽象成数学模型。

我个人觉得３的可能性比较大。

青山

对，这3种可能都存在。到底是哪一种，就看结果了。

原帖由 decisiontree 于 14-3-2009 10:15 发表

                               
登录/注册后可看大图

三种可能性吧。
１。就是你说的这个问题不该用复杂的数学模型。
２。现有数学模型没有强大到解决这个问题程度。
３。没人能把这个问题抽象成数学模型。

我个人觉得３的可能性比较大。

beysup

比较赞同dover的观点

简单说说，不然大家都很晕

计算机是很笨的，它不会像人那样有思维，因为计算机不会走“捷径”，它唯一的优势就是快；
关于理论和实验，其实这个没有必须是谁先谁后的，无论是理论指导实验还是从实验结果抽象出理论，目的都是为了解决问题，但是最终载入史册的都是理论模型，因为抽象和理论的东西才是科学的精髓和灵魂；
我认为目前没有解决的问题，主要还是没有相应理论的支撑，所以对于基础学科的研究，是很重要的，基础的东西现在看不出什么意义，若干年后会产生不可估量的作用，比如没有爱因斯坦的质能转换理论，就不会造出原子弹，没有坡尔的量子理论，就不会有今天的芯片，半导体技术

最后，祝大家都玩的开心，该做实验的做实验去，该编程的接着编，该happy的尽情去happy