國家發文加強數學研究，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

現在國內到處都搞人工智能，但是很少有數學專業的人員參與，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學？

“我認為用物理方法來解決問題已趨近飽和，要重視數學方法的突起。”——任正非與2012實驗室專家座談講話
7 o' X: y  ~3 I
. |! k& b( w* k( W
“以后高科技數學比物理還重要，要從最基礎學科開始發現”——任正非接受群訪
6 Z. x5 {* p- @9 |+ _/ F6 }
$ c+ i# n7 P% v+ _
“在過去的20多年，凡是我們在數學和算法上投資比較大的，有專門的團隊在做工作的，我們在這個領域的產品在全球都逐漸走向了領先；凡是不重視在數學和算法上投資的，這些產品目前來看都是落后的。所以我們應該充分認識到，面向未來，數學和算法在整個ICT行業，在構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）在戰略與技術大會開幕式上的講話

. P8 L! b! G$ k  q3 {華為。其在全世界擁有26個研發能力中心，700多名在職數學家，800多名物理學家，120多名化學家。從1995年開始，華為就不斷招聘數學博士，創新性地突破IT技術的瓶頸。因為當今核心的密碼學、圖像學、數據壓縮存儲等技術，都與數學密切相關。

- |1 A8 |0 }4 b6 Z: j
4 q. e6 ?1 ~4 g+ T( z/ x2 C0 f9 K2019年6月9日，第八屆世界華人數學家大會，在清華大學召開
; W" t' K0 a* T7 \+ g' C7 l7 |會議中，丘成桐接受記者采訪時說：發展數學，并非直接為經濟和技術服務，“很多人以為，基礎科學指的是技術上的原理和方法”“他們說重視基礎研究，重視的無非還是解決實際問題的應用研究而已”
* J" R. ~0 D/ n/ V% M

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

. _/ t- c0 W, j' Q' N' u) r7 |
5 D8 t6 }+ I% X8 J: X
5 d  s3 u4 a& G2 Z

zmztx

wangshenglijn 發表于 2019-7-22 22:17
5 H- A! U. g) o現在國內到處都搞人工智能，但是很少有數學專業的人員參與，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。
比如樓上提到的貝葉斯網絡和貝葉斯推理，就算是人工智能
但也有問題，實際應用中可能會有很巧妙的方法出現，解決了不好解決的問題，這算什么？就像現在的優化計算方法，大多數并不是數學家的成果，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

: v0 K; |8 T2 V" M

柳建凱

數學是基礎

Cavalier_Ricky

為什么？突然發現差了唄。。。
* o% R3 k; E: O$ k
問題是，到底怎么搞？
8 B! n" E8 r' K- \5 O- Y: v0 _6 t
不會又是另一版本的綠壩、另一版本的電動汽車啥的吧。。。
6 H2 |* z5 L/ J
8 N$ n' L  o3 a1 M3 Z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

只有一個數學么？了！其他學科怎么辦，如果各學科都能像體育 藝術考試一樣，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雜化，實體問題虛幻化，把水攪渾才好下手！

zmztx

注釋
9 q  k' q7 m3 p, R, B) J- b
* X$ w, h/ N& B( ~; O' y( N" Q

• 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移概率分布都只與前一步有關。 而平穩馬爾可夫過程則是指轉移概率分布與步數無關的馬爾可夫過程 (體現在我們的例子中， 即 H 與 n 無關)。 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” 那樣的術語， 也并未直接運用這一領域內的數學定理。
• 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)。 這兩者在應用上基本是等價的， 區別往往只在于約定。
• 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 有關的原因)。
• 當然， 這絕不意味著在網頁排序上已不可能再做假。 相反， 這種做假在互聯網上依然比比皆是， 比如許多廣告或垃圾網頁制造者用自動程序到各大論壇發貼， 建立對自己網頁的鏈接， 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手段， 并對有些做假網站采取了嚴厲的懲罰措施。 這種懲罰 (有時是誤罰) 對于某些靠互聯網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研發中獲利， 卻并不唯利是圖。 它們有自己的原則， 那就是不能讓商業利益干擾學術研究。 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系的學術研究的開展。
• 那些研究與 “佩奇排序” 的類似僅僅在于大方向 (即都利用互聯網的鏈接結構來決定網頁排序)， 而非具體算法類似。
  5 D' m" K8 Q7 r

, n9 [( H/ {" N5 }6 w
% V8 [; |& e2 N3 t6 p! B. v" d補注
! j; r( Y4 Y7 C# b% k( ~4 x) z
5 c8 s+ O2 A( B3 \) x, u. F& c
& ]& p! l6 j0 p& x  u+ b有些讀者對 “是數學成就了谷歌” 這一說法不以為然， 認為是佩奇和布林的商業才能， 或將數學與商業結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， 包括商業手段。 如果讓他們去當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手。 因此， 雖然谷歌后來確實用過不少出色的商業手段 (任何一家那樣巨型的公司都必然有商業手段上的成功之處)， 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， 而非商業手段， 因此我說 “是數學成就了谷歌”。 [2011-01-01]

zmztx

; v2 ?$ a* `' Y' ?( E+ G/ ]
# P4 H7 s$ c- j5 k1 K9 `+ y

google矩陣以及MapReduce算法（網上的一個簡單解釋版）

( D( @9 S4 s- p1 V# R/ b
0 \7 @7 r5 |" v4 ?3 S: u
' x1 Y* }7 X% n# Q

        Map-Reduce, 通過將運算矩陣按頁面分離到多個頁面進行運算，例如運算節點1上放1000個頁面，這1000個頁面的外鏈有4000個，那么這個節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的1000個（1列，1000行）的值到該節點進行矩陣運算，然后會得到一個（1列，4000行）的向量，每個頁面實際對應到一行，傳遞到匯總節點進行匯總求和即可。

        這里有個問題就是可能各個運算節點的頁面不一樣，所以最終各個節點合并矩陣時，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。

$ L% e* D/ {; {1 J

! }9 W# p2 M8 k* U: t
1 t* x8 {& x0 |" `% M& |7 F; r% L# l

zll3310737

根本的東西不改進，再研究也沒什么大用處