谷歌自主研发新型芯片支持人工智能
http://tech.firefox.163.com/16/0519/10/YZ46VRB9S51T7NUJ.html
玩钉耙的悟空 发表于 2016-2-21 20:52 static/image/common/back.gif
大数据是种技术，把识别-推理-规划-决策等技能组合在一起成为综合技能，相当于人类的思考，而且思考得更快 ...
这种大数据系统是决定论指向的，如果有实践偏差，后果是全部完蛋。人的存在有一种不确定性的目的，这种内在指向是反决定论的。
jeffersonlee 发表于 2016-6-8 14:12 static/image/common/back.gif
这种大数据系统是决定论指向的，如果有实践偏差，后果是全部完蛋。人的存在有一种不确定性的目的，这种内 ...
”燕园的燕子：泥沙俱下的大数据“中有一段描述：
『先来说个故事：假设在一个家庭中，妻子受了重伤，丈夫立刻把她送去医院，悉心治疗，彻夜陪床。请问，这个丈夫是不是好丈夫？如果你想好了答案，那么我再告诉你：为什么这个妻子会受重伤呢？是因为这个丈夫家暴，她的伤全部是丈夫打的。再问，这个丈夫是不是好丈夫？再比如，我继续告诉你，为什么这个丈夫会家暴呢？是因为他有间歇性精神病，病情发作时，他以为他在跟敌人作战，所以打了妻子。我再问你，这个丈夫是不是好丈夫？也许你说这场景太夸张了，无从讨论。但其实，《美丽心灵》中描述诺贝尔奖经济学奖得主约翰·纳什一生中的一段时间发生的事，就类似于这么个故事。
换个角度：如果我只告诉你前半部分，或者只告诉你中间部分，或者只告诉你最后这个部分，而没有告诉你这个故事的全部；但是我告诉你的全是真实的，请问，我算不算说谎？
这故事当然是个比喻。但是数据分析中，值得关注的核心问题之一，就是数据反映的是全部真相，还是部分真相？如果我告诉你的部分真相，我有没有老老实实承认，这只是部分真相、并且是真相中，大致处于哪个部分？在统计分析中，我们对于统计量的基本要求，一是无偏（就是该不偏不倚呈现所有事实）；二是一致，就是说哪怕有限观察时有偏，但是随着数据量的增大，我们应该可以逼近全部的真相。这类统计分析问题，过去离普通大众很远，因此杀伤力和危害力也许还有限。但是在这个大数据时代，人们可以获取的数据忽然变成了海量，错误的、带着其他目的来误导人的分析，带来的影响就可能巨大了。』
其实不只是数据包含部分全部真相的问题，超量垃圾数据不容忽视，而且垃圾进垃圾出。
原来人性本恶 发表于 2016-6-10 20:30 static/image/common/back.gif
”燕园的燕子：泥沙俱下的大数据“中有一段描述：
『先来说个故事：假设在一个家庭中，妻子受了重伤， ...
应该是全量数据吧，做关联分析才有意义！
葡萄 发表于 2016-2-15 06:21 static/image/common/back.gif
文小刚教授试图给出信息既物质的数学解，一旦可行。其带来的变化绝对不亚于，你提到过的人脑科学突破能带 ...
关于文小刚教授提出的二次量子革命及信息即物质，想更新一点信息。文小刚教授在今年上半年的讨论中，在关于深度学习的讨论中，有一个内容是这样的（大意）：“深度学习和智能，是一种面向关系的物理，重点在于群论中的‘重整化群’，‘重整化群=演生’，这是二次量子革命的一部分。演生，指的是时空几何的演生，是量子引力的演生。二次量子革命的主题是：信息（智能）=物质（引力）。在第二次量子革命、引力波、人工智能技术发展的大环境下，深度网络、重整化群、引力演生这三件事，指向了同一件事情。关于量子力学，其所用的数学是线性代数，摒弃微积分，由分析变成代数，这是最重要的世界观变化。但现在最关键最缺乏的数学工具，就是对于长程量子纠缠这个极其复杂现象的描述与量化，对长程量子纠缠的观测和定义是一件难题，对量子纠缠的数学描述又是另一个难题。” 以上引号内信息的来源是文小刚教授本人及研究伙伴。对此我的一个简单理解，就是通过长程量子纠缠和整体结构去衍生出信息（即智能），在某一临界点，出现非对称结构，出现非定域关联，出现自相似及整体性。再通过重整化群和“标度不变性”，使得描述这个系统的信息熵大大下降。因为，穷举法导致熵最大，而重整化群可以再熵较低的情况下得到结果。这就是重整化群的重要意义所在，效率极大提升，并且真正赋予智能的特征给信息系统。而“量子比特海”和“真空是0和1的海洋”以及高维范畴理论是在文小刚教授希望引入量子物理去描述长程量子纠缠的数学工具，这都是之前的采访中提到的内容。
另外贴一个论文，就是在讲这个重整化群与深度学习：An exact mapping between the Variational Renormalization Group and Deep Learning
链接 http://admis.fudan.edu.cn/machinelearning/papers/2015-3-28/2015-3-28_FanWu.pdf