國(guó)家發(fā)文加強(qiáng)數(shù)學(xué)研究，為什么？

浣溪沙

知道每年熱炒的高考?jí)言ツ牧?，都沒去科研，享清福，找不傷大腦的工作去了

wangshenglijn

現(xiàn)在國(guó)內(nèi)到處都搞人工智能，但是很少有數(shù)學(xué)專業(yè)的人員參與，我想，人工智能離不開計(jì)算方法，沒有算法的保證，如何搞好人工智能？

zmztx

為什么華為和任正非如此崇尚數(shù)學(xué)？

9 [, Q+ P9 L- m# O“我認(rèn)為用物理方法來解決問題已趨近飽和，要重視數(shù)學(xué)方法的突起。”——任正非與2012實(shí)驗(yàn)室專家座談講話


% A, V. i+ E2 E. Z. l2 q; t“以后高科技數(shù)學(xué)比物理還重要，要從最基礎(chǔ)學(xué)科開始發(fā)現(xiàn)”——任正非接受群訪
+ s7 j2 f) l: ]  T
$ U* [( ^! J3 z  H' a: l0 h/ a
“在過去的20多年，凡是我們?cè)跀?shù)學(xué)和算法上投資比較大的，有專門的團(tuán)隊(duì)在做工作的，我們?cè)谶@個(gè)領(lǐng)域的產(chǎn)品在全球都逐漸走向了領(lǐng)先；凡是不重視在數(shù)學(xué)和算法上投資的，這些產(chǎn)品目前來看都是落后的。所以我們應(yīng)該充分認(rèn)識(shí)到，面向未來，數(shù)學(xué)和算法在整個(gè)ICT行業(yè)，在構(gòu)筑競(jìng)爭(zhēng)力和差異化方面起的作用會(huì)越來越大”——徐直軍（華為高管）在戰(zhàn)略與技術(shù)大會(huì)開幕式上的講話
& s: }6 f% t$ e" {' V
華為。其在全世界擁有26個(gè)研發(fā)能力中心，700多名在職數(shù)學(xué)家，800多名物理學(xué)家，120多名化學(xué)家。從1995年開始，華為就不斷招聘數(shù)學(xué)博士，創(chuàng)新性地突破IT技術(shù)的瓶頸。因?yàn)楫?dāng)今核心的密碼學(xué)、圖像學(xué)、數(shù)據(jù)壓縮存儲(chǔ)等技術(shù)，都與數(shù)學(xué)密切相關(guān)。
3 _: @4 }  C% M3 [7 C- j. u2 W" b
" w- z% U) A& @: ?; e; X' ?- U
8 {' w0 q' z' s( z2019年6月9日，第八屆世界華人數(shù)學(xué)家大會(huì)，在清華大學(xué)召開
會(huì)議中，丘成桐接受記者采訪時(shí)說：發(fā)展數(shù)學(xué)，并非直接為經(jīng)濟(jì)和技術(shù)服務(wù)，“很多人以為，基礎(chǔ)科學(xué)指的是技術(shù)上的原理和方法”“他們說重視基礎(chǔ)研究，重視的無非還是解決實(shí)際問題的應(yīng)用研究而已”
* r1 F  I* s7 s8 R3 [8 Y

丘成桐認(rèn)為，華為的數(shù)學(xué)家（或者成為數(shù)學(xué)工程師），可能還是解決硬件和軟件的用用數(shù)學(xué)家偏多，“真正做基礎(chǔ)研究的科學(xué)家，和他們想象的不一樣”

( D" a) k+ S* E  w
7 l2 v4 ^3 Y, q1 e: \* U. H

zmztx

wangshenglijn 發(fā)表于 2019-7-22 22:17
/ F; D' v; B, e現(xiàn)在國(guó)內(nèi)到處都搞人工智能，但是很少有數(shù)學(xué)專業(yè)的人員參與，我想，人工智能離不開計(jì)算方法，沒有算法的保證 ...

9 d1 i, T. C; n/ g3 \有道理
$ J$ U% Y/ a. a8 A3 Q現(xiàn)在人工智能有點(diǎn)濫，甚至把紅綠燈變化也說成是人工智能。比較靠譜的是以算法劃界，用了公認(rèn)的AI算法，就可以歸入人工智能。
! p0 i# O, s' S* d$ {比如樓上提到的貝葉斯網(wǎng)絡(luò)和貝葉斯推理，就算是人工智能
% {/ W: E) a" E5 u" ?; d但也有問題，實(shí)際應(yīng)用中可能會(huì)有很巧妙的方法出現(xiàn)，解決了不好解決的問題，這算什么？就像現(xiàn)在的優(yōu)化計(jì)算方法，大多數(shù)并不是數(shù)學(xué)家的成果，而是工程師們?cè)趯?shí)際中一點(diǎn)點(diǎn)弄出來的，好用，能用就行。不見得嚴(yán)謹(jǐn)
樓上文摘中丘成桐和任正非表達(dá)的意思，似乎就是兩個(gè)路子

$ R  ]4 K3 l( o4 R" e

柳建凱

數(shù)學(xué)是基礎(chǔ)

Cavalier_Ricky

為什么？突然發(fā)現(xiàn)差了唄。。。

問題是，到底怎么搞？
) h( z; F5 P5 u: R, m+ _; {
不會(huì)又是另一版本的綠壩、另一版本的電動(dòng)汽車啥的吧。。。
1 K9 Q' e9 W5 x4 d6 E2 H& z1 {" P. D0 \/ C
爺說話，就是想撒錢！求爺，別再亂撒錢了。你以為會(huì)得到人，就是夠不著的啊。

集成機(jī)甲

只有一個(gè)數(shù)學(xué)么？了！其他學(xué)科怎么辦，如果各學(xué)科都能像體育 藝術(shù)考試一樣，那早就先進(jìn)的不行不行的了。我們這些年特長(zhǎng)就是把簡(jiǎn)單問題復(fù)雜化，實(shí)體問題虛幻化，把水?dāng)嚋啿藕孟率郑?/td>

zmztx

注釋
% t+ i9 e5 G9 W0 y

• 馬爾可夫過程， 也稱為馬爾可夫鏈 (Markov chain)， 是一類離散隨機(jī)過程， 它的最大特點(diǎn)是每一步的轉(zhuǎn)移概率分布都只與前一步有關(guān)。 而平穩(wěn)馬爾可夫過程則是指轉(zhuǎn)移概率分布與步數(shù)無關(guān)的馬爾可夫過程 (體現(xiàn)在我們的例子中， 即 H 與 n 無關(guān))。 另外要說明的是， 本文在表述上不同于佩奇和布林的原始論文， 后者并未使用諸如 “馬爾可夫過程” 或 “馬爾可夫鏈” 那樣的術(shù)語， 也并未直接運(yùn)用這一領(lǐng)域內(nèi)的數(shù)學(xué)定理。
• 在更細(xì)致的分類中， 這種每一列的矩陣元之和都為 1 的隨機(jī)矩陣稱為左隨機(jī)矩陣 (left stochastic matrix)， 以區(qū)別于每一行的矩陣元之和都等于 1 的所謂右隨機(jī)矩陣 (right stochastic matrix)。 這兩者在應(yīng)用上基本是等價(jià)的， 區(qū)別往往只在于約定。
• 這種幾乎滿足隨機(jī)矩陣條件， 但有些列 (或行) 的矩陣元之和小于 1 的矩陣也有一個(gè)名稱， 叫做亞隨機(jī)矩陣 (substochastic matrix)。
• 確切地說， 這種所有矩陣元都為正的矩陣不僅是素矩陣， 而且還是所謂的正矩陣 (positive matrix)。 這兩者的區(qū)別是： 正矩陣要求所有矩陣元都為正， 而素矩陣只要求自己的某個(gè)正整數(shù)次冪為正矩陣。
• 讀者們想必看出來了， p 其實(shí)是矩陣 G 的本征值為 1 的本征向量， 而利用虛擬用戶確定網(wǎng)頁排序的思路其實(shí)是在用迭代法解決上述本征值問題。 在數(shù)學(xué)上可以證明， 上述本征向量是唯一的， 而且 G 的其它本征值 λ 全都滿足 |λ|<1 (更準(zhǔn)確地說， 是 |λ|≤α ——這也正是下文即將提到的 Gnp0 的收斂速度與 α 有關(guān)的原因)。
• 當(dāng)然， 這絕不意味著在網(wǎng)頁排序上已不可能再做假。 相反， 這種做假在互聯(lián)網(wǎng)上依然比比皆是， 比如許多廣告或垃圾網(wǎng)頁制造者用自動(dòng)程序到各大論壇發(fā)貼， 建立對(duì)自己網(wǎng)頁的鏈接， 以提高排序， 就是一種常見的做假手法。 為了遏制做假， 谷歌采取了很多技術(shù)手段， 并對(duì)有些做假網(wǎng)站采取了嚴(yán)厲的懲罰措施。 這種懲罰 (有時(shí)是誤罰) 對(duì)于某些靠互聯(lián)網(wǎng)吃飯的公司有毀滅性的打擊力。
• 從投資角度講， 斯坦福大學(xué)顯然是過早賣掉了股票， 否則獲利將更為豐厚。 不過， 這正是美國(guó)名校的一個(gè)可貴之處， 它們雖擅長(zhǎng)從支持技術(shù)研發(fā)中獲利， 卻并不唯利是圖。 它們有自己的原則， 那就是不能讓商業(yè)利益干擾學(xué)術(shù)研究。 為此， 它們通常不愿長(zhǎng)時(shí)間持有特定公司的股票， 以免在無形中干擾與該公司存在競(jìng)爭(zhēng)關(guān)系的學(xué)術(shù)研究的開展。
• 那些研究與 “佩奇排序” 的類似僅僅在于大方向 (即都利用互聯(lián)網(wǎng)的鏈接結(jié)構(gòu)來決定網(wǎng)頁排序)， 而非具體算法類似。
  * B/ ]' ^3 a& y  u, V

補(bǔ)注
) d  @/ \# p! W
( D5 F5 b( ~1 z9 ?' K* C+ e7 }
有些讀者對(duì) “是數(shù)學(xué)成就了谷歌” 這一說法不以為然， 認(rèn)為是佩奇和布林的商業(yè)才能， 或?qū)?shù)學(xué)與商業(yè)結(jié)合起來的才能成就了谷歌。 這是一個(gè)見仁見智的問題， 看法不同不足為奇。 我之所以認(rèn)為是數(shù)學(xué)成就了谷歌， 是因?yàn)楣雀璁?dāng)年勝過其它搜索引擎的地方只有算法。 除算法外， 佩奇和布林當(dāng)年并無其它勝過競(jìng)爭(zhēng)對(duì)手的手段， 包括商業(yè)手段。 如果讓他們?nèi)ギ?dāng)其它幾家搜索引擎公司的老總， 用那幾家公司的算法， 他們是不可能脫穎而出的； 而反過來， 如果讓其它幾家搜索引擎公司的老總來管理谷歌， 用谷歌的算法， 我相信谷歌依然能超越對(duì)手。 因此， 雖然谷歌后來確實(shí)用過不少出色的商業(yè)手段 (任何一家那樣巨型的公司都必然有商業(yè)手段上的成功之處)， 而當(dāng)年那個(gè)算法在今天的谷歌——如正文所述——?jiǎng)t早已被更復(fù)雜的算法所取代， 但我認(rèn)為谷歌制勝的根基和根源在于那個(gè)算法， 而非商業(yè)手段， 因此我說 “是數(shù)學(xué)成就了谷歌”。 [2011-01-01]

zmztx

' T# w! k" C( _; w; b. Z
0 J% D4 k) A5 Z# ]' N  c

google矩陣以及MapReduce算法（網(wǎng)上的一個(gè)簡(jiǎn)單解釋版）

/ k- A* t, M+ U: G' @
- j) l# {  E1 g, e) d

        Map-Reduce, 通過將運(yùn)算矩陣按頁面分離到多個(gè)頁面進(jìn)行運(yùn)算，例如運(yùn)算節(jié)點(diǎn)1上放1000個(gè)頁面，這1000個(gè)頁面的外鏈有4000個(gè)，那么這個(gè)節(jié)點(diǎn)的矩陣也就是一個(gè)1000列，4000行的，那么Map-Redure可以取特征向量的對(duì)應(yīng)的1000個(gè)（1列，1000行）的值到該節(jié)點(diǎn)進(jìn)行矩陣運(yùn)算，然后會(huì)得到一個(gè)（1列，4000行）的向量，每個(gè)頁面實(shí)際對(duì)應(yīng)到一行，傳遞到匯總節(jié)點(diǎn)進(jìn)行匯總求和即可。

        這里有個(gè)問題就是可能各個(gè)運(yùn)算節(jié)點(diǎn)的頁面不一樣，所以最終各個(gè)節(jié)點(diǎn)合并矩陣時(shí)，最終可以類似成為一個(gè)hash表一樣定位頁面，然后將各個(gè)頁面算出來的一列向量進(jìn)行定位求和，最終得到計(jì)算出來的特征向量，第一次計(jì)算出來之后，才能知道這次運(yùn)算的向量到底是有多少個(gè)頁面。

% j+ Z5 \: h* x! K+ G9 F

8 T7 M, j- b4 O
4 |% b* y" l2 x; P& {8 t

zll3310737

根本的東西不改進(jìn)，再研究也沒什么大用處