#图灵奖

avatar
图灵奖得主最新演讲：AI正学会“求生”和欺骗，失控灾难风险剧增
#图灵奖 #人工智能 #AI求生 #AI欺骗 #失控风险 #灾难
avatar
近年实践层面上，人类智力被证实非通用智能。 图灵奖得主LeCun指出“人类智能并非通用智能……我们的头脑是进化产物，只擅长解决对生存有用的问题” 。 如AlphaGo在围棋上击败人类冠军 ，显示AI在特定领域已超越人类专家，但仍依赖庞大计算。 综合来看，当前学术观点普遍认为AGI/超智能具有理论可能性，但必须妥善处理理解、价值和控制等关键问题，以防智能脱离人类初衷。
#人类智力 #通用智能 #AlphaGo #人工智能 #图灵奖 #AGI
avatar
宝玉
5个月前
人工智能的最高奖项——图灵奖，近日颁给了强化学习领域的两位先驱：安德鲁·巴托（Andrew Barto）和理查德·萨顿（Richard Sutton）。他们提出的强化学习理论，如今已成为ChatGPT等热门AI系统背后的核心技术。 故事的起点是1977年，当时巴托在美国麻省大学阿默斯特分校做研究。他提出了一个有趣的想法：大脑里的神经细胞就像一个个追求享乐、躲避痛苦的小生命。也就是说，人类智慧其实源自无数个细胞为了最大化快乐、减少痛苦而不断摸索。 一年后，萨顿加入了巴托的研究。他们将这个简单但巧妙的理论应用到了人工智能上，形成了我们今天熟悉的「强化学习」。通俗点讲，强化学习就是让机器通过类似人类的“奖惩机制”来学习做事。表现好就给“奖励”（机器感觉到的“快乐”），表现不好就给予“惩罚”（机器感受到的“痛苦”）。这样不断尝试、不断反馈，机器就能逐渐掌握如何做出更好的决定。 2025年3月5日，全球最大的计算机协会——计算机协会（Association for Computing Machinery）宣布，巴托和萨顿获得了今年的图灵奖。这一奖项创立于1966年，被誉为“计算机界的诺贝尔奖”，他们也将分享100万美元的奖金。 强化学习最近十年里在人工智能领域爆发式增长，影响深远。谷歌的AlphaGo围棋机器人，还有OpenAI开发的ChatGPT聊天机器人背后的技术，都是强化学习的直接成果。 正如华盛顿大学的计算机科学家奥伦·埃齐奥尼（Oren Etzioni）所说：“他们俩是强化学习领域毫无争议的开创者，他们创造了核心理论，还写了这领域的权威教材。” 他们在1998年出版的教材《强化学习导论》至今仍是强化学习最经典的教科书之一。 心理学家早就观察到，人和动物都会从经验中学习。早在1940年代，著名计算机科学家艾伦·图灵就提出，机器也许可以通过类似的方法来学习。但真正把这一想法数学化、系统化的，是巴托和萨顿。他们的研究最初只是学术理论，直到2016年AlphaGo打败了世界顶级围棋选手李世石，这项技术才震惊了全世界。 AlphaGo之所以强大，是因为它在背后进行了数百万场对局，每一步都靠试错的方式学习，找到了哪些走法会赢，哪些走法会输。这背后的技术团队负责人之一大卫·席尔弗（David Silver）正是在加拿大阿尔伯塔大学跟随萨顿学习强化学习的。 当然，很多专家曾怀疑强化学习是否能应用到游戏之外的场景。毕竟游戏胜负清晰，而现实生活中成功和失败却并不总那么简单。 但强化学习的应用早已突破游戏领域，比如如今大热的聊天机器人。像ChatGPT在发布前，OpenAI聘请了数百人跟它进行对话，并给出具体的反馈意见。ChatGPT就根据这些“奖惩反馈”不断优化自己，逐渐学会了更接近人类的对话方式。 这种技术就被称作“人类反馈强化学习”（RLHF）。最近，OpenAI和中国的创业公司DeepSeek更进一步，开发出了一种新型强化学习，让机器人不需要人为干预，就能通过不断自我尝试解决数学题，逐步学会更复杂的推理过程。这些新型AI被称作“推理系统”，比如OpenAI的o1以及DeepSeek的R1。 巴托和萨顿认为，这些新系统展示了未来机器学习的新方向。他们预测，将来机器人会像人类和动物一样，通过不断在现实世界中试错，学会如何操控自己的身体，完成更复杂的任务。 用巴托的话来说：“通过强化学习学会控制一个身体，这是一个非常自然的过程。”
#图灵奖 #人工智能 #强化学习 #ChatGPT #安德鲁·巴托 #理查德·萨顿 #历史 #神经细胞 #人类智慧
avatar
宝玉
6个月前
一名本科生推翻了图灵奖得主姚期智延续40年的数据科学猜想，能让哈希表平均查询时间成为一个与 x 无关的常数 自从计算机诞生以来，哈希表（hash table）就被视为最基础、最常用、研究最充分的数据结构之一。它能帮我们在海量数据中快速“插入、删除、查询”——效率之高使其遍布现代应用：从数据库管理到网络路由，再到编程语言的底层实现，几乎无处不在。也正因为它的重要性，围绕哈希表的理论研究和实践优化在过去几十年里始终没有停歇。 那么，哈希表还能多快？ 在1985年的一篇里程碑式论文中，图灵奖得主姚期智（Andrew Yao）提出了一个被广泛接受的判断：在特定类型的哈希表中，要想在最坏情况下（例如表里只剩下最后一个空位）进行插入或查询，所需的操作次数与哈希表的“填充度”x（接近99%、99.9%乃至更高）呈正比。换言之，当哈希表已几近装满，要寻找空位或者特定元素时，每一次都需要“多试几个位置”才行。而这一推论，40年来一直是计算机科学领域的共识之一。 这次，一个来自本科生的意外发现，却推翻了这条“铁律”。 安德鲁·克拉皮文（Andrew Krapivin）本是罗格斯大学的一名普通本科生，却在阅读一篇名为“微型指针”（Tiny Pointers）的论文时，突发奇想：如果指针可以变得更“微型”，那能否连带着重新设计哈希表本身？结果不但设计出了全新结构，速度超出预期，更挑战了业界对“最坏情况下插入和查询速度”的旧有认知。在导师和合作者的帮助下，他证明这种新型哈希表在几近满载时，寻找元素或空位的耗时仅仅和(log𝑥)²成正比，而非 x 。 这一成果直接动摇了姚期智的著名猜想。 更令人惊讶的是，他们还证明了一个“平均查询时间”上的突破。 传统的研究结论认为，满足某些性质（例如“贪心”插入）的哈希表，其平均查询时间至少要达到(log𝑥)。但克拉皮文团队给出的非贪心策略却把这个瓶颈彻底打破，甚至能让平均查询时间成为一个与 x 无关的常数。这是此前的研究几乎无人想到的可能性。 具体信息可以看 QuantaMagazine 的这篇报道《Undergraduate Upends a 40-Year-Old Data Science Conjecture》。
#哈希表 #数据科学 #图灵奖 #姚期智 #查询时间 #计算机 #本科生