假如，我是说假如，AI泡沫崩裂后的风口走向

IKBlue 发表于 2021-12-15 19:25
为什么你就认为自动驾驶做不出来呢？有啥根据没？
光说特斯拉这一个派系吧？ 据说要在cybertruck加上横 ...

简单来说就是科学本身还没到这个程度。完全自动驾驶是折腾不出来的。依靠AI顶多弄出点走高速和走大路的货。

---------------------------------------------------------------------------------------------------

人工智能的研究核心可以被简化为函数学习，也就是 y=f([x1 x2 x3...])

[x1 x2 x3]是输入，比如图像识别里的像素，NLP里的转为数字文本，自动驾驶里的道路图像。
y是输出，比如图像识别里的图像结果分类，NLP里的文本matchness，自动驾驶里的车辆控制。

近30年学习y=f([x1 x2 x3...])的主流方式就SVM和NN。SVM是完全统计学，这里就不讨论了。现今都是NN和所谓Deep NN之流。

但是NN的核心原理和 ''智能'' 还关系不大。NN的本质是一个基于函数展开的近似方法，就类似泰勒展开那种。更加深入一点，就是Universal Approximation Theorem:

a neural network with 1 hidden layer can approximate any continuous function for inputs within a specific range

这里就不讲的过于复杂，为了简单，我们先假定y=f([x1 x2 x3...]) 是完全数值连续的，也就是说x1 x2 ... 以及y都是负无穷到正无穷的一个数字。

我们可以做一个简单的函数展开，把y二进制化，也就是y -> y1 y2 y3 y4 y5.... 显然二进制化之后的y1 y2的值都是0或者1，也就是说

y1=f1([x1 x2 x3...]) in 0, 1
y2=f2([x1 x2 x3...]) in 0, 1
y3=f3([x1 x2 x3...]) in 0, 1

这里的f1 f2 f3...就是大家熟知的activation function。然后一层的NN的每一个节点就是y1 y2 y3...

所以说只要一层NN足够宽，activation function选的对，NN就可以无限逼近y=f([x1 x2 x3...])

换而言之，NN就是对输入输出函数y=f([x1 x2 x3...])做了类似泰勒展开的函数展开，只不过基函数是activation function。所谓DNN就是recursive function expansion。然后最近比较火的BERT就是增加了函数展开中基函数的多样性。

理论看起来很美好，无限逼近，但是实际情况比较糟糕，举个简单例子，让输入输出函数y=f([x1 x2 x3...])简单化到y=x1+x2*x3这样的简单函数。activation function就用sigmoid function。

然而NN是不能够处理上面的简单例子的，只要NN大小有限，训练数据有限，你一定可以找出一个测试失败的例子。原因很简单，因为y=x1+x2*x3不能够被函数展开到recursive weighted sigmoid function的和。

在上面这个简单的例子，我们可以通过合理的设置activation function的diversity来解决问题(比如一部分activation function用加，另一部分用乘)。但是实际引用情况比较复杂，并不知道如何perfect的设置activation function的combination。更加糟糕的是，我们也没办法去learn activation function本身，因为这会导致搜索空间不连续，不可导。

以上问题在学术上已经好几十年没有得到解决了，属于科学本身还未突破。做一个perfect的智能model，用来perfect learn y=f([x1 x2 x3...])的难度，本质上和做一个空间传送的难度是类似的，不是说堆钱就能解决。

考虑到自动驾驶的精确度要求很高，不然出车祸没法收场，而路况又复杂，目前的理论发展还不太能够支撑基于AI的完全自动驾驶。

---------------------------------------------------------------------------------------------------

自动驾驶最后还是要交差，能做的事情无非雷达。。。看到异常就停的货。走高速和走大路应该没问题，但小路的各种异常那必须orz。不是说开发自动驾驶没有价值(上下班高速上能用也很好了啦)，但想要完美的基于AI的自动驾驶，目前看还不可能(除非某巨巨巨巨牛打我脸)。

科学都还没搞清楚，先做应用了。这就好比牛顿提出力学三定律之前，大家砸钱制作火箭想上太空 :)
看看历史，无论是早年的microsft cisco apple，中期的google facebook，或者近些年的airbnb uber robinhood之类，这里面的科学原理都是很清晰的。

AI不是泡沫吧。AI已经落地和将来可见还会落地的项目可太多了

z928czzc 发表于 2021-12-16 00:37
简单来说就是科学本身还没到这个程度。完全自动驾驶是折腾不出来的。依靠AI顶多弄出点走高速和走大路的货 ...

自动驾驶不是一个科学问题，是一个工程集成问题。需要大规模的工程项目来配合以及政策法律支持才能有可能实现。所谓AI在里面的占比有可能会很低。。。。

我感觉会变成科幻片的视觉，一堆机器。然后人口集中在集装箱一样的地方。
怎么讲 信息差异现在越来越明显了，已经有人跟不上了。到时候估计只能用生物电给自己充能了。可怕。

stonepeter 发表于 2021-12-15 14:52:48
AI已经在身边了。比如说你上网搜索买东西看视频的时候，有没有发现电脑比你还懂你？还有如果你是特斯拉的车主，你看现在的辅助驾驶功能越来越好？还有Alexa, SIRI, Hello Google这种语音

支持一下，不要被踩影响了心情

stonepeter 发表于 2021-12-16 06:52
AI已经在身边了。比如说你上网搜索买东西看视频的时候，有没有发现电脑比你还懂你？还有如果你是特斯拉的车 ...

请问你是读了stanford AI graduate certificate吗，体验怎么样，值学费吗

EvaAsuka 发表于 2021-12-22 20:32:33
请问你是读了stanford AI graduate certificate吗，体验怎么样，值学费吗

值得读。尤其是有工作经验的，学习目的明确。

stonepeter 发表于 2021-12-23 15:58
值得读。尤其是有工作经验的，学习目的明确。

谢谢回复。我没有工作经验，是想用这个作为申博的加分项。请问和教授的互动多吗？

z928czzc 发表于 2021-12-15 21:37:36
简单来说就是科学本身还没到这个程度。完全自动驾驶是折腾不出来的。依靠AI顶多弄出点走高速和走大路的货。

---------------------------------------------

你举的例子很不靠谱啊，google apple 还有robinhood 是解决了什么基础科学问题？

yueyingjuesha 发表于 2021-12-23 11:30
你举的例子很不靠谱啊，google apple 还有robinhood 是解决了什么基础科学问题？

举例就是说google apple robinhood 不需要解决基础科学问题

google的pagerank搜素算法是有进步，但是最简单的搜索可以直接用query doc pair的term match，至少也是个产品了

apple的话，手机本身就很多家在做，无非提高工艺和性能(是不容易，但不是基础科学问题)

robinhood就是用软件写个交易股票工具

------------------------------------------------------------------------------------

相比之下，完全自动驾驶是真的需要解决AI问题

不然就只能做出一堆信号叠加+一堆if else的雷达货，高速大路估计没问题，小路异常orz