國家發(fā)文加強數(shù)學研究，為什么？

浣溪沙

知道每年熱炒的高考壯元去哪了，都沒去科研，享清福，找不傷大腦的工作去了

wangshenglijn

現(xiàn)在國內(nèi)到處都搞人工智能，但是很少有數(shù)學專業(yè)的人員參與，我想，人工智能離不開計算方法，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？

& O) w  T/ ?" Y7 s) T“我認為用物理方法來解決問題已趨近飽和，要重視數(shù)學方法的突起。”——任正非與2012實驗室專家座談講話

* ~8 b  ^2 v4 @, r
# y$ J- h1 B/ R1 W) t. C0 H“以后高科技數(shù)學比物理還重要，要從最基礎(chǔ)學科開始發(fā)現(xiàn)”——任正非接受群訪
+ P! G( V( q8 ]# e2 ^

“在過去的20多年，凡是我們在數(shù)學和算法上投資比較大的，有專門的團隊在做工作的，我們在這個領(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)該充分認識到，面向未來，數(shù)學和算法在整個ICT行業(yè)，在構(gòu)筑競爭力和差異化方面起的作用會越來越大”——徐直軍（華為高管）在戰(zhàn)略與技術(shù)大會開幕式上的講話
( V8 p. V! d4 @1 [. n/ a  `
& o9 b6 }) r# w7 B華為。其在全世界擁有26個研發(fā)能力中心，700多名在職數(shù)學家，800多名物理學家，120多名化學家。從1995年開始，華為就不斷招聘數(shù)學博士，創(chuàng)新性地突破IT技術(shù)的瓶頸。因為當今核心的密碼學、圖像學、數(shù)據(jù)壓縮存儲等技術(shù)，都與數(shù)學密切相關(guān)。


2019年6月9日，第八屆世界華人數(shù)學家大會，在清華大學召開
會議中，丘成桐接受記者采訪時說：發(fā)展數(shù)學，并非直接為經(jīng)濟和技術(shù)服務(wù)，“很多人以為，基礎(chǔ)科學指的是技術(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際問題的應(yīng)用研究而已”

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

7 i' k" t0 X/ `4 h7 H* n2 N% N4 K. ^
) a3 A& z2 v( v+ B( ~3 y7 T

zmztx

wangshenglijn 發(fā)表于 2019-7-22 22:17
現(xiàn)在國內(nèi)到處都搞人工智能，但是很少有數(shù)學專業(yè)的人員參與，我想，人工智能離不開計算方法，沒有算法的保證 ...

有道理
現(xiàn)在人工智能有點濫，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，用了公認的AI算法，就可以歸入人工智能。
' x" T4 e" g* Z# z! V9 c$ n* {: f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
但也有問題，實際應(yīng)用中可能會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)化計算方法，大多數(shù)并不是數(shù)學家的成果，而是工程師們在實際中一點點弄出來的，好用，能用就行。不見得嚴謹
樓上文摘中丘成桐和任正非表達的意思，似乎就是兩個路子

0 k' C# H) u: W

柳建凱

數(shù)學是基礎(chǔ)

Cavalier_Ricky

為什么？突然發(fā)現(xiàn)差了唄。。。
# P% {0 f+ x5 J2 ~1 s8 S
問題是，到底怎么搞？

不會又是另一版本的綠壩、另一版本的電動汽車啥的吧。。。

爺說話，就是想撒錢！求爺，別再亂撒錢了。你以為會得到人，就是夠不著的啊。

集成機甲

只有一個數(shù)學么？了！其他學科怎么辦，如果各學科都能像體育 藝術(shù)考試一樣，那早就先進的不行不行的了。我們這些年特長就是把簡單問題復(fù)雜化，實體問題虛幻化，把水攪渾才好下手！

zmztx

注釋

• 馬爾可夫過程， 也稱為馬爾可夫鏈 (Markov chain)， 是一類離散隨機過程， 它的最大特點是每一步的轉(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， 也并未直接運用這一領(lǐng)域內(nèi)的數(shù)學定理。
• 在更細致的分類中， 這種每一列的矩陣元之和都為 1 的隨機矩陣稱為左隨機矩陣 (left stochastic matrix)， 以區(qū)別于每一行的矩陣元之和都等于 1 的所謂右隨機矩陣 (right stochastic matrix)。 這兩者在應(yīng)用上基本是等價的， 區(qū)別往往只在于約定。
• 這種幾乎滿足隨機矩陣條件， 但有些列 (或行) 的矩陣元之和小于 1 的矩陣也有一個名稱， 叫做亞隨機矩陣 (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正整數(shù)次冪為正矩陣。
• 讀者們想必看出來了， p 其實是矩陣 G 的本征值為 1 的本征向量， 而利用虛擬用戶確定網(wǎng)頁排序的思路其實是在用迭代法解決上述本征值問題。 在數(shù)學上可以證明， 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)頁制造者用自動程序到各大論壇發(fā)貼， 建立對自己網(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， 并對有些做假網(wǎng)站采取了嚴厲的懲罰措施。 這種懲罰 (有時是誤罰) 對于某些靠互聯(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， 這正是美國名校的一個可貴之處， 它們雖擅長從支持技術(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)利益干擾學術(shù)研究。 為此， 它們通常不愿長時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爭關(guān)系的學術(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。
  2 F. x2 T- r. t% ^, {5 S+ V

6 M$ n7 d( E+ c" j1 U- B  w
. ]2 s6 |( x) F補注


2 R+ D4 V! m" d2 r# H有些讀者對 “是數(shù)學成就了谷歌” 這一說法不以為然， 認為是佩奇和布林的商業(yè)才能， 或?qū)?shù)學與商業(yè)結(jié)合起來的才能成就了谷歌。 這是一個見仁見智的問題， 看法不同不足為奇。 我之所以認為是數(shù)學成就了谷歌， 是因為谷歌當年勝過其它搜索引擎的地方只有算法。 除算法外， 佩奇和布林當年并無其它勝過競爭對手的手段， 包括商業(yè)手段。 如果讓他們?nèi)ギ斊渌鼛准宜阉饕婀镜睦峡偅?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手。 因此， 雖然谷歌后來確實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)， 而當年那個算法在今天的谷歌——如正文所述——則早已被更復(fù)雜的算法所取代， 但我認為谷歌制勝的根基和根源在于那個算法， 而非商業(yè)手段， 因此我說 “是數(shù)學成就了谷歌”。 [2011-01-01]
  c! z1 @% e# p3 p0 F
) U1 M8 ~( G, ]- T) V

zmztx

% |6 x/ `& p8 W$ p  I' x

google矩陣以及MapReduce算法（網(wǎng)上的一個簡單解釋版）

# U9 X4 w6 v+ M0 B, z
! d$ e- f8 k2 {3 \6 P5 \+ }

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

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

% f3 y. B% f, L% ^2 U$ a* R3 w; q

0 W  A2 Q4 O/ H: M8 Z0 c  e

zll3310737

根本的東西不改進，再研究也沒什么大用處