{"version":"https://jsonfeed.org/version/1.1","title":"苏迟但到的主页","home_page_url":"https://kexohproject.pages.dev","feed_url":"https://kexohproject.pages.dev/json/","description":"<p>你好，欢迎访问个人主页！</p><p>擅长密码学，安全分析，数字水印等技术。</p><p>你可以联系我通过:findmykexin@gmail.com或者知乎私信。</p><p>我的知乎链接：<a href=\"https://www.zhihu.com/people/su-chi-dan-dao\" rel=\"noopener noreferrer\" target=\"_blank\">苏迟但到 - 知乎 (zhihu.com)</a></p><p>我的github链接：<a href=\"https://github.com/kexinoh\" rel=\"noopener noreferrer\" target=\"_blank\">kexinoh</a></p>","icon":"https://kexohcdn.gptapi.cyou/kexohproject/production/images/channel-2e54d141ee195646ca12a9d16507a908.jpg","favicon":"https://kexohcdn.gptapi.cyou/kexohproject/production/images/favicon-340a2925d02a0386f3b954a032834917.jpg","authors":[{"name":"苏迟但到"}],"language":"zh-cn","items":[{"id":"JXjdKzQqgB0","title":"如何看待 DeepMind 新发布的 AlphaGeometry?","content_html":"<p data-pid=\"xLicPw2_\">我对于Q-star的猜想与deepmind的实际研发工作有很多相似之处。</p><a href=\"https://www.zhihu.com/question/631459269/answer/3310870885\" data-draft-node=\"block\" data-draft-type=\"link-card\" data-image=\"https://pic2.zhimg.com/v2-b6fe607da96d5c9cae2d7ba660d199b5_180x120.jpg\" data-image-width=\"1286\" data-image-height=\"789\" class=\"internal\">消息称OpenAI解雇奥特曼的导火索是可能对人类造成威胁的Q-star，它具体是什么？</a><p data-pid=\"IyoKv8kJ\">我尝试从比较宏观的角度来看待未来AI数学模型的改进方向（可能比较片面，仅做抛砖引玉的作用）。</p><p data-pid=\"3aANAU4c\">在很长时间内数学都被认为人类智商的真正高地，因为里面有着很多思考的过程，而且里面的弯弯绕绕太过于复杂了。</p><p data-pid=\"YkGWeRaO\">而且无论是写数学题还是证明定理，都需要一个东西叫做灵感。</p><p data-pid=\"ljsIEPyn\">灵感到底是什么?</p><p data-pid=\"u-RsEJXj\">我认为可以看作人脑通过过往的数学知识对于最优路径的拟合。</p><p data-pid=\"7VwDeeEf\">而解答数学题的过程其实就是灵感+遍历。我们产生一个又一个灵感，然后再排除一个又一个灵感，直到找到正确的灵感。</p><p data-pid=\"8FZW_WcR\">过去的机器证明大量的工作都在为验证做准备。验证是实现灵感的前提，因为只有可以验证，那么我们才可以通过程序来生成大量的题目，从而完成AI的训练。</p><p data-pid=\"Zo9s-eHe\">在可以预期的未来，随着可验证的数学领域的不断扩展和AI的不断强化，未来也许会有有限域证明机器，数论证明机器，流体力学证明机器等等。我可以相信未来AI可以解决一些目前人类难以想象的难题，也许是哥德巴赫猜想，谁知道呢？</p><p data-pid=\"T6QWE37s\">但是目前的AI架构和数学领域的发展之间还是有一些不同的，这是我本文想说的东西。</p><p data-pid=\"MmEdzU3R\">在数学领域中，人们具有抽象的概念，从而提出了许多新的概念，例如群，环，域，椭圆曲线等等。以及将一些有证明过程合理的总结为定理，从而帮助我们简化证明定理。</p><p data-pid=\"sRsUe0SU\">这个简化过程就类似于将一大堆向量简化为了一个新的向量基，从而使得我们可以证明一些非常有难度的问题。不然每一个证明里面的引理都充分展开，就如同print(&#34;hello world&#34;)一样看上去很简单，但是展开之后的包的体积可能几十M。</p><p data-pid=\"F0EbApjG\">但是AI目前还不具备这种抽象能力。</p><p data-pid=\"OHW5XLNw\">虽然形式上来看，由很多段小的证明和几个分块的证明看上去的效果是一致的。</p><p data-pid=\"QJY9wLOA\">但是通过引理的方式，可以帮助AI节约路径长度，从而提高效率。</p><figure data-size=\"normal\"><noscript><img src=\"https://pic4.zhimg.com/v2-b4b807982de42cd7ea060c39e91a1773_b.jpg\" data-size=\"normal\" data-rawwidth=\"1575\" data-rawheight=\"1120\" data-original-token=\"v2-4184484dc65e3403c1db8f8d571ff99d\" data-default-watermark-src=\"https://pic1.zhimg.com/v2-8751d0dc6ed1a44658b6a1d7b0b1ff6c_b.jpg\" class=\"origin_image zh-lightbox-thumb\" width=\"1575\" data-original=\"https://pic4.zhimg.com/v2-b4b807982de42cd7ea060c39e91a1773_r.jpg\"/></noscript><img src=\"data:image/svg+xml;utf8,&lt;svg xmlns=&#39;http://www.w3.org/2000/svg&#39; width=&#39;1575&#39; height=&#39;1120&#39;&gt;&lt;/svg&gt;\" data-size=\"normal\" data-rawwidth=\"1575\" data-rawheight=\"1120\" data-original-token=\"v2-4184484dc65e3403c1db8f8d571ff99d\" data-default-watermark-src=\"https://pic1.zhimg.com/v2-8751d0dc6ed1a44658b6a1d7b0b1ff6c_b.jpg\" class=\"origin_image zh-lightbox-thumb lazy\" width=\"1575\" data-original=\"https://pic4.zhimg.com/v2-b4b807982de42cd7ea060c39e91a1773_r.jpg\" data-actualsrc=\"https://pic4.zhimg.com/v2-b4b807982de42cd7ea060c39e91a1773_b.jpg\"/><figcaption>示意图</figcaption></figure><p data-pid=\"BSapc5Zh\">引理应该通过人工导入吗？</p><p data-pid=\"CikQNmSS\">虽然在alphago里面会人工导入棋谱，但是alphazero就已经完全重新开始对局了。</p><p data-pid=\"-NYCo0FG\">在AI里面，越多先验，越意味着上限的限制。虽然在短期，充分的先验有利于帮助它证明更难的一些问题，但是同样也会锁死它的上限。</p><p data-pid=\"MtEp4zT7\">因此最终还是要让AI学会对证明过程的打包。</p><p data-pid=\"SoqQY5jb\">让AI学会创建定理并尝试引用自己创建的定理，那么需要重新设计强化学习网络。</p><p data-pid=\"i77GDckT\">一个简单的奖励函数可以设计为当前总共有m个定理，新增了一个定理，可以有效节约1/n的证明步骤。</p><p data-pid=\"70_zjx1o\">当1/m&gt;1/n的就可以认为这个定理存在是必要的。</p><p data-pid=\"CCNTXlAR\">这样的过程可以诱导AI去总结不同情况的共性。</p><p data-pid=\"2j8dZsTm\">（以上奖励函数仅为随手写的）</p><p data-pid=\"myZGyyHc\">虽然从长期来看，抽象思维作为先验的引入可能也会导致AI的水平的下降，但是架构上的先验的效果好处远远大于数据集上的先验好处。</p><p></p>","content_text":"我对于Q-star的猜想与deepmind的实际研发工作有很多相似之处。\n\n消息称OpenAI解雇奥特曼的导火索是可能对人类造成威胁的Q-star，它具体是什么？\n\n我尝试从比较宏观的角度来看待未来AI数学模型的改进方向（可能比较片面，仅做抛砖引玉的作用）。\n\n在很长时间内数学都被认为人类智商的真正高地，因为里面有着很多思考的过程，而且里面的弯弯绕绕太过于复杂了。\n\n而且无论是写数学题还是证明定理，都需要一个东西叫做灵感。\n\n灵感到底是什么?\n\n我认为可以看作人脑通过过往的数学知识对于最优路径的拟合。\n\n而解答数学题的过程其实就是灵感+遍历。我们产生一个又一个灵感，然后再排除一个又一个灵感，直到找到正确的灵感。\n\n过去的机器证明大量的工作都在为验证做准备。验证是实现灵感的前提，因为只有可以验证，那么我们才可以通过程序来生成大量的题目，从而完成AI的训练。\n\n在可以预期的未来，随着可验证的数学领域的不断扩展和AI的不断强化，未来也许会有有限域证明机器，数论证明机器，流体力学证明机器等等。我可以相信未来AI可以解决一些目前人类难以想象的难题，也许是哥德巴赫猜想，谁知道呢？\n\n但是目前的AI架构和数学领域的发展之间还是有一些不同的，这是我本文想说的东西。\n\n在数学领域中，人们具有抽象的概念，从而提出了许多新的概念，例如群，环，域，椭圆曲线等等。以及将一些有证明过程合理的总结为定理，从而帮助我们简化证明定理。\n\n这个简化过程就类似于将一大堆向量简化为了一个新的向量基，从而使得我们可以证明一些非常有难度的问题。不然每一个证明里面的引理都充分展开，就如同print(\"hello\nworld\")一样看上去很简单，但是展开之后的包的体积可能几十M。\n\n但是AI目前还不具备这种抽象能力。\n\n虽然形式上来看，由很多段小的证明和几个分块的证明看上去的效果是一致的。\n\n但是通过引理的方式，可以帮助AI节约路径长度，从而提高效率。\n\n[https://pic4.zhimg.com/v2-b4b807982de42cd7ea060c39e91a1773_b.jpg][data:image/svg+xml;utf8,&lt;svg\nxmlns=&#39;http://www.w3.org/2000/svg&#39; width=&#39;1575&#39;\nheight=&#39;1120&#39;&gt;&lt;/svg&gt;]示意图\n\n引理应该通过人工导入吗？\n\n虽然在alphago里面会人工导入棋谱，但是alphazero就已经完全重新开始对局了。\n\n在AI里面，越多先验，越意味着上限的限制。虽然在短期，充分的先验有利于帮助它证明更难的一些问题，但是同样也会锁死它的上限。\n\n因此最终还是要让AI学会对证明过程的打包。\n\n让AI学会创建定理并尝试引用自己创建的定理，那么需要重新设计强化学习网络。\n\n一个简单的奖励函数可以设计为当前总共有m个定理，新增了一个定理，可以有效节约1/n的证明步骤。\n\n当1/m>1/n的就可以认为这个定理存在是必要的。\n\n这样的过程可以诱导AI去总结不同情况的共性。\n\n（以上奖励函数仅为随手写的）\n\n虽然从长期来看，抽象思维作为先验的引入可能也会导致AI的水平的下降，但是架构上的先验的效果好处远远大于数据集上的先验好处。\n\n","date_published":"2024-01-19T15:22:49.000Z","_microfeed":{"web_url":"https://kexohproject.pages.dev/i/deepmind-alphageometry-JXjdKzQqgB0/","json_url":"https://kexohproject.pages.dev/i/JXjdKzQqgB0/json/","rss_url":"https://kexohproject.pages.dev/i/JXjdKzQqgB0/rss/","guid":"JXjdKzQqgB0","status":"published","itunes:title":"New Article Title for iTunes","date_published_short":"Fri Jan 19 2024","date_published_ms":1705677769000}}],"_microfeed":{"microfeed_version":"0.1.2","base_url":"https://kexohproject.pages.dev","categories":[{"name":"Education","categories":[{"name":"Language Learning"}]},{"name":"Technology"}],"subscribe_methods":[{"name":"RSS","type":"rss","url":"https://kexohproject.pages.dev/rss/","image":"https://kexohproject.pages.dev/assets/brands/subscribe/rss.png","enabled":true,"editable":false,"id":"4KlfbtkEfzy"},{"name":"JSON","type":"json","url":"https://kexohproject.pages.dev/json/","image":"https://kexohproject.pages.dev/assets/brands/subscribe/json.png","enabled":true,"editable":false,"id":"DVFm7TYiNSq"}],"description_text":"你好，欢迎访问个人主页！\n\n擅长密码学，安全分析，数字水印等技术。\n\n你可以联系我通过:findmykexin@gmail.com或者知乎私信。\n\n我的知乎链接：苏迟但到 - 知乎 (zhihu.com)\n\n我的github链接：kexinoh","copyright":"©2024","itunes:type":"episodic","items_sort_order":"newest_first"}}