知道每年热炒的高考壮元去哪了，都没去科研，享清福，找不伤大脑的工作去了
现在国内到处都搞人工智能，但是很少有数学专业的人员参与，我想，人工智能离不开计算方法，没有算法的保证，如何搞好人工智能？
为什么华为和任正非如此崇尚数学？
“我认为用物理方法来解决问题已趋近饱和，要重视数学方法的突起。”——任正非与2012实验室专家座谈讲话
“以后高科技数学比物理还重要，要从最基础学科开始发现”——任正非接受群访
“在过去的20多年，凡是我们在数学和算法上投资比较大的，有专门的团队在做工作的，我们在这个领域的产品在全球都逐渐走向了领先；凡是不重视在数学和算法上投资的，这些产品目前来看都是落后的。所以我们应该充分认识到，面向未来，数学和算法在整个ICT行业，在构筑竞争力和差异化方面起的作用会越来越大”——徐直军（华为高管）在战略与技术大会开幕式上的讲话
华为。其在全世界拥有26个研发能力中心，700多名在职数学家，800多名物理学家，120多名化学家。从1995年开始，华为就不断招聘数学博士，创新性地突破IT技术的瓶颈。因为当今核心的密码学、图像学、数据压缩存储等技术，都与数学密切相关。
2019年6月9日，第八届世界华人数学家大会，在清华大学召开
会议中，丘成桐接受记者采访时说：发展数学，并非直接为经济和技术服务，“很多人以为，基础科学指的是技术上的原理和方法”“他们说重视基础研究，重视的无非还是解决实际问题的应用研究而已”
丘成桐认为，华为的数学家（或者成为数学工程师），可能还是解决硬件和软件的用用数学家偏多，“真正做基础研究的科学家，和他们想象的不一样”
wangshenglijn 发表于 2019-7-22 22:17
现在国内到处都搞人工智能，但是很少有数学专业的人员参与，我想，人工智能离不开计算方法，没有算法的保证 ...
有道理
现在人工智能有点滥，甚至把红绿灯变化也说成是人工智能。比较靠谱的是以算法划界，用了公认的AI算法，就可以归入人工智能。
比如楼上提到的贝叶斯网络和贝叶斯推理，就算是人工智能
但也有问题，实际应用中可能会有很巧妙的方法出现，解决了不好解决的问题，这算什么？就像现在的优化计算方法，大多数并不是数学家的成果，而是工程师们在实际中一点点弄出来的，好用，能用就行。不见得严谨
楼上文摘中丘成桐和任正非表达的意思，似乎就是两个路子
数学是基础
为什么？突然发现差了呗。。。
问题是，到底怎么搞？
不会又是另一版本的绿坝、另一版本的电动汽车啥的吧。。。
爷说话，就是想撒钱！求爷，别再乱撒钱了。你以为会得到人，就是够不着的啊。
只有一个数学么？了！其他学科怎么办，如果各学科都能像体育 艺术考试一样，那早就先进的不行不行的了。我们这些年特长就是把简单问题复杂化，实体问题虚幻化，把水搅浑才好下手！
注释
[*]马尔可夫过程， 也称为马尔可夫链 (Markov chain)， 是一类离散随机过程， 它的最大特点是每一步的转移概率分布都只与前一步有关。 而平稳马尔可夫过程则是指转移概率分布与步数无关的马尔可夫过程 (体现在我们的例子中， 即 H 与 n 无关)。 另外要说明的是， 本文在表述上不同于佩奇和布林的原始论文， 后者并未使用诸如 “马尔可夫过程” 或 “马尔可夫链” 那样的术语， 也并未直接运用这一领域内的数学定理。
[*]在更细致的分类中， 这种每一列的矩阵元之和都为 1 的随机矩阵称为左随机矩阵 (left stochastic matrix)， 以区别于每一行的矩阵元之和都等于 1 的所谓右随机矩阵 (right stochastic matrix)。 这两者在应用上基本是等价的， 区别往往只在于约定。
[*]这种几乎满足随机矩阵条件， 但有些列 (或行) 的矩阵元之和小于 1 的矩阵也有一个名称， 叫做亚随机矩阵 (substochastic matrix)。
[*]确切地说， 这种所有矩阵元都为正的矩阵不仅是素矩阵， 而且还是所谓的正矩阵 (positive matrix)。 这两者的区别是： 正矩阵要求所有矩阵元都为正， 而素矩阵只要求自己的某个正整数次幂为正矩阵。
[*]读者们想必看出来了， p 其实是矩阵 G 的本征值为 1 的本征向量， 而利用虚拟用户确定网页排序的思路其实是在用迭代法解决上述本征值问题。 在数学上可以证明， 上述本征向量是唯一的， 而且 G 的其它本征值 λ 全都满足 |λ|<1 (更准确地说， 是 |λ|≤α ——这也正是下文即将提到的 Gnp0 的收敛速度与 α 有关的原因)。
[*]当然， 这绝不意味着在网页排序上已不可能再做假。 相反， 这种做假在互联网上依然比比皆是， 比如许多广告或垃圾网页制造者用自动程序到各大论坛发贴， 建立对自己网页的链接， 以提高排序， 就是一种常见的做假手法。 为了遏制做假， 谷歌采取了很多技术手段， 并对有些做假网站采取了严厉的惩罚措施。 这种惩罚 (有时是误罚) 对于某些靠互联网吃饭的公司有毁灭性的打击力。
[*]从投资角度讲， 斯坦福大学显然是过早卖掉了股票， 否则获利将更为丰厚。 不过， 这正是美国名校的一个可贵之处， 它们虽擅长从支持技术研发中获利， 却并不唯利是图。 它们有自己的原则， 那就是不能让商业利益干扰学术研究。 为此， 它们通常不愿长时间持有特定公司的股票， 以免在无形中干扰与该公司存在竞争关系的学术研究的开展。
[*]那些研究与 “佩奇排序” 的类似仅仅在于大方向 (即都利用互联网的链接结构来决定网页排序)， 而非具体算法类似。
补注
有些读者对 “是数学成就了谷歌” 这一说法不以为然， 认为是佩奇和布林的商业才能， 或将数学与商业结合起来的才能成就了谷歌。 这是一个见仁见智的问题， 看法不同不足为奇。 我之所以认为是数学成就了谷歌， 是因为谷歌当年胜过其它搜索引擎的地方只有算法。 除算法外， 佩奇和布林当年并无其它胜过竞争对手的手段， 包括商业手段。 如果让他们去当其它几家搜索引擎公司的老总， 用那几家公司的算法， 他们是不可能脱颖而出的； 而反过来， 如果让其它几家搜索引擎公司的老总来管理谷歌， 用谷歌的算法， 我相信谷歌依然能超越对手。 因此， 虽然谷歌后来确实用过不少出色的商业手段 (任何一家那样巨型的公司都必然有商业手段上的成功之处)， 而当年那个算法在今天的谷歌——如正文所述——则早已被更复杂的算法所取代， 但我认为谷歌制胜的根基和根源在于那个算法， 而非商业手段， 因此我说 “是数学成就了谷歌”。
本帖最后由 zmztx 于 2019-7-27 08:13 编辑
google矩阵以及MapReduce算法（网上的一个简单解释版）
Map-Reduce, 通过将运算矩阵按页面分离到多个页面进行运算，例如运算节点1上放1000个页面，这1000个页面的外链有4000个，那么这个节点的矩阵也就是一个1000列，4000行的，那么Map-Redure可以取特征向量的对应的1000个（1列，1000行）的值到该节点进行矩阵运算，然后会得到一个（1列，4000行）的向量，每个页面实际对应到一行，传递到汇总节点进行汇总求和即可。
这里有个问题就是可能各个运算节点的页面不一样，所以最终各个节点合并矩阵时，最终可以类似成为一个hash表一样定位页面，然后将各个页面算出来的一列向量进行定位求和，最终得到计算出来的特征向量，第一次计算出来之后，才能知道这次运算的向量到底是有多少个页面。
根本的东西不改进，再研究也没什么大用处