FreeOZ论坛

标题: 2008年图灵奖揭晓 [打印本页]

作者: coredump 时间: 11-3-2009 16:39
标题: 2008年图灵奖揭晓
FROM： http://developers.solidot.org/ar ... /11/0143256&amp;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。

作者: decisiontree 时间: 11-3-2009 19:12
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。

作者: coredump 时间: 11-3-2009 21:30
标题: 回复 #2 decisiontree 的帖子
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。

作者: ritz 时间: 11-3-2009 21:35
Liskov substitution principle
怪不得听名字很熟悉

作者: coredump 时间: 11-3-2009 21:40
标题: 回复 #4 ritz 的帖子
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。

作者: someonehappy 时间: 12-3-2009 00:46
看来我只能玩艺术了。。。

作者: woodheadz 时间: 12-3-2009 02:34
Liskov substitution principle
面向对象的基本设计原则之一啊...

作者: beysup 时间: 12-3-2009 12:26
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。

作者: 青山 时间: 12-3-2009 18:09
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。

作者: 青山 时间: 12-3-2009 18:10
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。

作者: 青山 时间: 12-3-2009 18:14
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。

作者: coredump 时间: 12-3-2009 21:25
标题: 回复 #11 青山的帖子
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。

作者: coredump 时间: 12-3-2009 21:27
标题: 回复 #11 青山的帖子
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。

作者: 青山 时间: 13-3-2009 09:11
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 ...

作者: 青山 时间: 13-3-2009 09:23
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。

作者: jerryzh 时间: 13-3-2009 12:33
标题: 回复 #15 青山的帖子
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。

作者: beysup 时间: 13-3-2009 13:23
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。

作者: beysup 时间: 13-3-2009 13:25
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。

作者: coredump 时间: 13-3-2009 13:34

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, 。。。。。。。。。。。

作者: dover 时间: 13-3-2009 14:02

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。

作者: 青山 时间: 13-3-2009 19:12
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。
...

作者: 青山 时间: 13-3-2009 19:14
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。

作者: 青山 时间: 13-3-2009 19:26
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，

作者: 青山 时间: 13-3-2009 19:39
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。

作者: coredump 时间: 13-3-2009 20:36

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。

作者: coredump 时间: 13-3-2009 20:41

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

作者: 青山 时间: 13-3-2009 20:45
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。

作者: 青山 时间: 13-3-2009 20:47
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

作者: dover 时间: 13-3-2009 23:03

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 ]

作者: dover 时间: 13-3-2009 23:27

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 ]

作者: 青山 时间: 13-3-2009 23:32
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， ...

作者: 青山 时间: 13-3-2009 23:38
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。

作者: dover 时间: 13-3-2009 23:39

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？

作者: 青山 时间: 13-3-2009 23:43
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？

作者: coredump 时间: 13-3-2009 23:49
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。

作者: coredump 时间: 13-3-2009 23:52

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。

作者: 青山 时间: 13-3-2009 23:53
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。

作者: 青山 时间: 13-3-2009 23:54
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。

作者: coredump 时间: 13-3-2009 23:56
标题: 回复 #37 青山的帖子
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

作者: 青山 时间: 13-3-2009 23:58
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

作者: dover 时间: 14-3-2009 00:02

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。

作者: 青山 时间: 14-3-2009 00:04
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。

作者: dover 时间: 14-3-2009 00:12

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！

作者: 青山 时间: 14-3-2009 00:15
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。

作者: coredump 时间: 14-3-2009 00:20
标题: 回复 #44 青山的帖子
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。

作者: dover 时间: 14-3-2009 00:24

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 ]

作者: coredump 时间: 14-3-2009 00:31
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》。

作者: 青山 时间: 14-3-2009 07:30
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。

作者: 青山 时间: 14-3-2009 07:38
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。

作者: 青山 时间: 14-3-2009 08:47
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。

作者: 青山 时间: 14-3-2009 08:54
　　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）　　

作者: 青山 时间: 14-3-2009 08:56
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

作者: 青山 时间: 14-3-2009 09:07
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。

作者: decisiontree 时间: 14-3-2009 09:49

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.“

作者: 青山 时间: 14-3-2009 09:55
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。

作者: decisiontree 时间: 14-3-2009 10:15

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。

作者: 青山 时间: 14-3-2009 10:18
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。

作者: beysup 时间: 14-3-2009 15:08
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

欢迎光临 FreeOZ论坛 (https://www.freeoz.org/ibbs/)