Na čem pracují vývojáři webového prohlížeče Ladybird (GitHub)? Byl publikován přehled vývoje za duben (YouTube).
Provozovatel čínské sociální sítě TikTok dostal v Evropské unii pokutu 530 milionů eur (13,2 miliardy Kč) za nedostatky při ochraně osobních údajů. Ve svém oznámení to dnes uvedla irská Komise pro ochranu údajů (DPC), která jedná jménem EU. Zároveň TikToku nařídila, že pokud správu dat neuvede do šesti měsíců do souladu s požadavky, musí přestat posílat data o unijních uživatelích do Číny. TikTok uvedl, že se proti rozhodnutí odvolá.
Společnost JetBrains uvolnila Mellum, tj. svůj velký jazykový model (LLM) pro vývojáře, jako open source. Mellum podporuje programovací jazyky Java, Kotlin, Python, Go, PHP, C, C++, C#, JavaScript, TypeScript, CSS, HTML, Rust a Ruby.
Vývojáři Kali Linuxu upozorňují na nový klíč pro podepisování balíčků. K původnímu klíči ztratili přístup.
V březnu loňského roku přestal být Redis svobodný. Společnost Redis Labs jej přelicencovala z licence BSD na nesvobodné licence Redis Source Available License (RSALv2) a Server Side Public License (SSPLv1). Hned o pár dní později vznikly svobodné forky Redisu s názvy Valkey a Redict. Dnes bylo oznámeno, že Redis je opět svobodný. S nejnovější verzí 8 je k dispozici také pod licencí AGPLv3.
Oficiální ceny Raspberry Pi Compute Modulů 4 klesly o 5 dolarů (4 GB varianty), respektive o 10 dolarů (8 GB varianty).
Byla vydána beta verze openSUSE Leap 16. Ve výchozím nastavení s novým instalátorem Agama.
Devadesátková hra Brány Skeldalu prošla portací a je dostupná na platformě Steam. Vyšel i parádní blog autora o portaci na moderní systémy a platformy včetně Linuxu.
Lidi dělají divné věci. Například spouští Linux v Excelu. Využít je emulátor RISC-V mini-rv32ima sestavený jako knihovna DLL, která je volaná z makra VBA (Visual Basic for Applications).
Revolut nabídne neomezený mobilní tarif za 12,50 eur (312 Kč). Aktuálně startuje ve Velké Británii a Německu.
Pro někoho je vidina pokoření tzv. IMO (International Mathematical Olympiad) stále suboptimální, pro mnoho jiných se jedná o spíše nedosažitelné sci-fi. Ostatně já to donedávna považoval rovněž za nemyslitelné, ale o deskové hře Go jsem si myslel totéž, takže už si nejsem tak jistý...
IMO je soutěž určená pro středoškolské studenty konající se každé léto různě po světě. Skoro všechny státy světa na ni vysílají svých šest nejnadějnějších studentů. Například nedávno se konala v Brazilském Rio de Janeiru, a Český IMO tým si tentokrát vedl výjimečně dobře -- skončili 14. ze 111 zemí (kdo je Čech, skáče, hop hop hop :D). Soutěží se ve dvou dnech a oba dny fungují stejně: Všichni soutěžící dostanou zadání, něco na způsob školní písemky, a cílem je během čtyř a půl hodiny vyřešit tři zadané úlohy, což většinou znamená najít důkaz nějakého tvrzení. Soutěžící mají k dispozici pouze propisku, papír a pár základních rýsovacích potřeb (kružítko, tužka, pravítko). Ačkoli jsou vybrány úlohy, o kterých se ví, že řešení mají, zřídka komu se povede vyřešit vše na plný počet bodů.
Pořadatelé se snaží dávat pozor je, aby nebylo v lidských silách zabít tyto úlohy standardními metodami jako je analytická geometrie či třeba lagrangeovy multiplikátory. Vznešeně se dá říci, že se IMO se snaží být oslavou nápaditosti a lidského důvtipu. Současně to má i pragmatické vysvětlení -- opravovatelům se nechce výpočetně složitá řešení kontrolovat.
Myšlenka porazit lidi počítačem v IMO není jen moje. Na jedné promo přednášce Josefa Urbana, který se problematikou umělé inteligence v matematice dlouhodobě zabývá, jsem se dozvěděl, že je pro IMO připravený formální jazyk, kterým by se stroji předložily úlohy. Dokonce se někteří bývalí soutěžící nechali slyšet, že by si to s počítačem rozdali, Jen chybí ten strojový oponent...
Najít automaticky důkaz matematického tvrzení je těžké, ale ověřit formálně napsaný důkaz je pro stroj hračka. Motivací proč to dělat může být více:
Ať už je motivace k formálně ověřenému důkazu jakákoli, je celkem otrava psaní důkazu, ve kterém musíte být mnohem preciznější, než kdybyste to vysvětlovali normálnímu člověku. Proto je snaha, aby počítače přeci jenom měli jistou míru schopnosti si důkaz domyslet. Software, který tohle umí se nazývá "Proof Assistant" a existuje jich celá řada, já si malinko pohrál s Izabelou, ale ne dost na to, abych do ní nějak pronikl.
Izabela není úplně blbá, z návodu jsem zjistil, že sama zvládne dokázat dokonce Cantorovu větu o tom, že je potenční množina větší než množina původní. Důkazoví asistenti jsou v domýšlení si důkazů čím dál schopnější. Dalo by se čekat, že pozvolnou evolucí dosáhnou takové úrovně, že ti lidi za nimi už časem nebudou skoro vůbec potřeba s výjimkou formulace zadání...
A nebo taky ne. Proč jsem v nadpisu zmínil možnost brzdy pokroku? Když je motivace k vývoji takových nástrojů, stávají se tyto nástroje stále robustnější a schopnější dělat to, k čemu je lidi budou primárně využívat. Tím se ale odchylují od cíle opravdu matematiku pokořit. Jedná se, podobně jako třeba Mathematica, o schopné ale specializované nástroje, které jsou natolik složité na proniknutí, že odrazují výzkumníky od drobných ale možná nadějných experimentů.
Vědecký svět formální matematiky a vědecký svět strojového učení a neuronových sítí mi dneska přijde stále na míle vzdálený. Někdy se zabuduje jednoduchá technika strojového učení do automatických dokazovačů. Nebo naopak někdo vytáhne z automatických dokazovačů data, aby na konkrétní klasifikační úlohu použil moderní neuronky a zjistil, jestli to přináší nějaké výsledky. Ale že by to někdo dokázal pořádně skloubit? Už ten fakt, že důkazové systémy jsou typicky psané v jazyce ML a nástroje pro neuronové sítě jsou většinou v Pythonu je jistá bariéra.
A ostatně AlphaGo taky přišel do světa Go náhle bez předchozí spolupráce se softwarem na Go. Takže i v případě matematiky osobně tipuji, že pokud se někdy povede postavit úspěšný automat, vzejde spíše od nějakého týmu zkoumajícího AI, nežli evolucí stávajících dokazovačů.
Připadá mi provokativní, že dokážu provádět starou, místy rutinní intelektuální činnost, a přitom se dosud nikomu nepovedlo ji naučit počítač. Jak o tom tématu přemítám, občas mě napadne něco, co bych rád implementoval, kdybych na to měl čas, znalosti a prostředky.
Vzhledem k tomu, že mě nedávný blog na abclinuxu inspiroval k zapůjčení si knížky o robotech, budou možná moje nápady poněkud vědecko-fantastické, ale pokusím se držet při zemi.
Naopak, vůbec by mě nepřekvapilo, kdyby tyto nápady nebyly nové a někdo se o něco z toho už pokoušel. Tak trochu čekám, že se pod blogem najdou chytří lidi, kteří budou mít v různých oblastech lepší přehled než já.
Současná umělá inteligence se pyšní tím, že umí hrát videohry. Začalo to tuším jako projekt DeepMindu, teď existuje samotná stránka s připravenými videohrami pro umělou inteligenci. Princip je prostý -- neuronová síť dostane na vstupu pixely z obrazovky a zkusí reakci. Podle toho, jak ve spoustě různých pokusů dostává body, se učí ve hře zorientovat a pochopit, jak se to ovládá a co je cílem.
Matematika je taky tak trochu videohra. Máte k dispozici různé věty a formule a snažíte se je šikovně kombinovat, abyste dostávali "zajímavé" věty. Co znamená "zajímavé" není explicitně jasné, ale pro začátek by to mohly být věty dokázané lidmi, než by se počítač naučil "zajímavost" nějak poznat sám.
Zjevný rozdíl matematiky oproti videohře spočívá ve vstupu, ale přijde mi to jako docela technický detail. Ve videohře dostáváme pixely, které chceme zpracovat metodami na zpracování obrazu (konvoluční sítě), zatímco v matematice dostáváme stromové formule, které se dají prohnat metodami zpracování jazyka, třeba pomocí stromové rekurzivní sítě.
Přirozenou námitkou by mohlo být, že v logických hrách jako je Sokoban je tato obecná umělá inteligence dost marná. To je ale dáno tím, že tyto hry samy o sobě nenabízí moc prostoru k "přemýšlení".
Naopak, "matematická hra" by byla prostorem k přemýšlení "by design". Představuji si to jako když právě dáte matematikovi k dispozici tu tužku a papír, aby si nemusel chudák všechno představovat.
Problém samozřejmě je navrhnout vhodné rozhraní mezi neuronkou a matematikou, to může mít zásadní vliv na úspěšnost oné neuronky. Autor by musel rozumět jak neuronkám, tak formální matematice, a mimo jiné překonat v předchozí kapitole zmíněnou překážku, že neuronky "se" píšou v Pythonu, zatímco dokazovací prostředí "se" píšou v Ocaml. Ostatně to bych tipoval jako důvod, proč se to ještě nezkusilo (jestli se pletu, opravte mě, o algoritmech vím, a taky to částečně považuji za cestu správným směrem, ale daleko od dokazování).
V současnosti se rozlišují "důkazy pro počítač" a "důkazy pro člověka". Vyrobení důkazu pro počítač z důkazu pro člověka je doménou interaktivních dokazovačů, ale ani cesta zpátky není nikterak snadná. Počítačový důkaz většinou spočívá v obrovském množství kroků, z nichž je patrně mnoho zbytečných a na konci je kýžený spor.
Vydolovat z této změti něco lidsky čitelného je nesnadné ale považuje se to za dost odlišný problém než samotné nalezení důkazu. Já jsem ale přesvědčen, že pokud chceme automat, který úspěšně dokazuje, potřebujeme automat, který umí hledat "pěkné" důkazy. Nemyslím, že je to jen lidská touha mít výsledek kontrolou.
K čemu totiž matematikům slouží důkaz?
Co se týče bodu 1, je jedno, jestli je důkaz jednoduchý či složitý, hlavně, že je. Bod 2 je spíše filosofický problém, který může být stroji docela ukradený. Bod 3 však považuji za klíčový.
Třeba hlavní výsledek mojí diplomky spočíval v tom, že jsem zobecnil
dříve známý důkaz, což se mi povedlo díky tomu, že ještě někdo jiný
tenhle důkaz napsal jednodušeji. Vlastně je valná část matematického
výzkumu o zjednodušování a zobecňování. Kdyby počítače samy
od sebe usilovaly o jednoduchost, třeba by nebylo tolik zbastleného
kódu ...
Jednoduchost a schopnost vypíchnutí myšlenky z důkazu jsou zajisté pěkné ideály, ale neříkají moc o tom, jak to implementovat. Nabídnu tedy o něco konkrétnější vizi. Dejme tomu, že už máme algoritmus s prvky umělé inteligence, který je schopný najít důkaz. Tím, že se rozhoduje částečně náhodně, najde někdy důkaz kratší, někdy delší, někdy žádný.
Mohli bychom mu pomoci, kdybychom ho nechali si na začátku celý nejkratší důkaz "přečíst" a až potom by se snažil onen důkaz opět provést (opět co nejkratší, co nejspolehlivěji). Vize je, že se časem naučí si z důkazu vytáhnout ty "důležité myšlenky" a vyrobit si pro svoje budoucí poslání efektivní "nápovědu". Je to vlastně jen jakási varianta auto-enkodéru, které se používají pro kompresi, zbavení šumu, generování obrázků atp.., Jen s tím rozdílem že namísto co nejvěrnějšího napodobení hodnotíme jiná kritéria.
Dalo by se to iterovat. Zjednodušený důkaz by mohl vést k lepšímu načtení, a to pak k ještě lepšímu zjednodušení. Pak by tenhle princip mohl mít ještě další uplatnění, co třeba když se chci inspirovat důkazem tvrzení A pro důkaz tvrzení B? Vezmu si nápovědu vyrobenou z důkazu A a aplikuji ji na důkaz B. Když chci zobecnit důkazy několika speciálních případů, zkusím nakombinovat nápovědy příslušných důkazů, ... Variant je mnoho.
Jakkoli mám k výuce matematiky z jedné strany jisté výhrady, a z druhé se mi zdá, že ani spoustě lidí to téma neumíme pořádně vysvětlit, řekl bych, že principiálně je výuka matematiky rozvržená docela rozumně. Přinejmenším je správně, že se v první třídě učí děti počítat místo toho, aby se naučily axiomy teorie množin nebo základy teorie kategorií.
Prvňák totiž nepochopí kategoriální součin nebo axiom extensionality. Z teorie typů, která se často v dokazovačích používá příklad neuvádím, jelikož ji moc neumím, ale čekám, že to není učivo vhodné pro první třídu. Je tedy z jistého pohledu pochybné chtít po umělé inteligenci, aby se zorientovala rovnou ve vysokoškolských článcích postavených na formální teorii, když za sebou nemá "základní" a "střední" školu.
Srovnejme to opět s Go. AlphaGo se naučilo hrát tak, že se napřed intuitivně (ne moc úspěšně) snažilo odkoukat, jak hrají lidi okolo něj, a pak prostě hrálo a tak trénovalo. To je docela smysluplný přístup, jak naučit Go člověka, nemyslíte? Nejsem si ale moc jistý, že rozumný způsob, jak naučit člověka matematiku, je mu říci, ať zkusí přečíst formalizované články a pak dělá něco podobného.
Jeden z návrhů, jak by mohl počítač postupně učit by mohl vypadat třeba takto. Jazyk, na kterém to celé stojí může být klidně ten HOL založený na teorii typů, ale celá práce s ním by byla z počátku záměrně omezená.
1. Kolo: jenom tipuje, zda tvrzení platí, nebo ne:
2. Kolo: Opět (i)-(v), ale tentokrát se snaž tvrzení vyvrátit nebo dokázat (dost možná s omezeným dokazovacím systémem).
A tak podobně.
Na střední škole se vyučuje (euklidovská) geometrie coby "teorie o přímkách a kružnicích". Myslím, že to má dva pedagogické důvody, z nichž jeden je smysluplný i u umělé inteligence:
Co tím myslím: V geometrii je spousta tvrzení, která nejsou zřejmá, ale mají poměrně pěkné důkazy. Jednou výhodou geometrie oproti jiným oborům je, že numerické testování pravdivosti tvrzení je dost spolehlivé. Hm... Těžiště, průsečík výšek a střed kružnice opsané leží na přímce. Zkusím s tím pohýbat v Geogebře. Pořád to platí. Tak to bude asi pravda.
Další výhodou geometrie je velmi
častý výskyt ekvivalence. Vzdálenosti XA, XB jsou stejné právě
tehdy, když X leží na ose úsečky AB. Tyto vlastnosti dělají
z euklidovské geometrie přístupný obor pro středoškolské studenty, a
řekl bych, že i pro umělou inteligenci (jen je pak fuška
vysvětlit implikaci ).
Doslechl jsem se o projektu Discoverer, který nachází geometrická tvrzení. Nejsem si jistý, ale domnívám se, že tato tvrzení ověřuje numericky (nebo v lepším případě pomocí analytické geometrie) a vlastně jenom zkouší dělat různé konstrukce, takže od mnou navrhovaného programu, který by se snažil učit hledat pěkné geometrické důkazy má ještě docela daleko.
Tiskni
Sdílej:
Srovnejme to opět s Go. AlphaGo se naučilo hrát tak, že se napřed intuitivně (ne moc úspěšně) snažilo odkoukat, jak hrají lidi okolo něj, a pak prostě hrálo a tak trénovalo. To je docela smysluplný přístup, jak naučit Go člověka, nemyslíte? Nejsem si ale moc jistý, že rozumný způsob, jak naučit člověka matematiku, je mu říci, ať zkusí přečíst formalizované články a pak dělá něco podobného.
Řekl bych, že to naopak přesně takhle funguje. Když se začátečník (ať už člověk nebo program) bude dívat na partii dvou hráčů špičkové úrovně, taky nebude chápat, proč v dané situaci hráli zrovna takhle (a většinou to plně nepochopí nikdy). Mnohem víc se v téhle fázi naučí sledováním těch, kdo jsou o něco lepší než on, ale ne o moc.
S matematikou je to IMHO podobné. Když se člověk začne učit to, o čem matematika opravdu je, tak se to taky učí tím, že se snaží pochopit existující důkazy. Samozřejmě ne hned odborné články, ale to především proto, že tam by mu chyběl aparát, na kterém se staví, a znalost standardních postupů daného oboru. Půjde o důkazy jednodušších tvrzení, právě takových těch úloh typu MO nebo korespondenčních seminářů (existují ještě?). Právě tam se naučí ty základní stavební kameny. Samozřejmě je žádoucí, aby mu to zároveň někdo i vysvětlil, ale samotná teorie nestačí, ty praktické příklady existujících důkazů a řešení hrají nezastupitelnou roli.
Ty odborné články, to už je něco trochu jiného. Stejně jako vývoj software je v praxi jen zřídka o vymýšlení geniálních algoritmů a dokazování jejich správnosti (tak za našich dob vypadala kategorie P matematické olympiády), matematika na profesionální úrovni taky z větší části není o vymýšlení elegantních důkazů a řešení problémů olympiádního typu. Pro řadu lidí to může být určitá deziluze.
Na jedné promo přednášce Josefa Urbana
Svět je malý… :-) (spolužák z gymplu)
Srovnejme to opět s Go. AlphaGo se naučilo hrát tak, že se napřed intuitivně (ne moc úspěšně) snažilo odkoukat, jak hrají lidi okolo něj, a pak prostě hrálo a tak trénovalo. To je docela smysluplný přístup, jak naučit Go člověka, nemyslíte? Nejsem si ale moc jistý, že rozumný způsob, jak naučit člověka matematiku, je mu říci, ať zkusí přečíst formalizované články a pak dělá něco podobného.Řekl bych, že to naopak přesně takhle funguje. Když se začátečník (ať už člověk nebo program) bude dívat na partii dvou hráčů špičkové úrovně, taky nebude chápat, proč v dané situaci hráli zrovna takhle (a většinou to plně nepochopí nikdy). Mnohem víc se v téhle fázi naučí sledováním těch, kdo jsou o něco lepší než on, ale ne o moc.
S matematikou je to IMHO podobné. Když se člověk začne učit to, o čem matematika opravdu je, tak se to taky učí tím, že se snaží pochopit existující důkazy. Samozřejmě ne hned odborné články, ale to především proto, že tam by mu chyběl aparát, na kterém se staví, a znalost standardních postupů daného oboru. Půjde o důkazy jednodušších tvrzení, právě takových těch úloh typu MO nebo korespondenčních seminářů (existují ještě?). Právě tam se naučí ty základní stavební kameny. Samozřejmě je žádoucí, aby mu to zároveň někdo i vysvětlil, ale samotná teorie nestačí, ty praktické příklady existujících důkazů a řešení hrají nezastupitelnou roli.
Mno, nějaká míra napodobování je na místě -- často je třeba použít metodu / trik (třikrát opakovaný trik se stává metodou ), který jsem někde zahlédl. Jen mám jisté pochybnosti o tom, že data, která máme k dispozici (jako je Mizar) jsou k tomu učení optimální. Formalizované matematiky je docela hodně, ale než tato data vznikla, bylo myslím třeba dost přemýšlení a přepisování, které je před čtenářem skryto. Člověk, který sepisuje matematickou teorii usiluje o to, aby se nemusel opakovat, což bych řekl snižuje šance z toho něco odkoukat. V tom vidím rozdíl oproti začátečnickým partiím Go, kde tah vychází od jednoho člověka a přemýšlel nad ním max. pár minut.
Jako nejlepší by bylo, kdyby počítač mohl pozorovat lidi přímo při přemýšlení... Třeba vyrobit tu matematickou video hru a rozšířit ji do výuky, aby se měl počítač na čem učit...
A variantou můžou být i jen ty jednodušší úlohy, které lidi používají pro výuku, jak jste zmínil třeba ty korespondenční semináře. Existují, taky jsem se v nich angažoval (a trochu ještě angažuji).
CLovek ma inteligenci, pocitac je jen neinteligentni automat.Počítač je naprosto irelevantní věc, to je jen médium. Trochu mi to připomíná, jak mi kdysi rodiče říkali: „já nechápu, co na tom počítači tak vidíš, já bych to takhle nevydržel(a), sedět před ním celý den a čumět do obrazovky“, protože jim vůbec nedocházelo, že obrazovka je jen okno do světa softwaru.
"Umela inteligence" je jen marketingovy termin, pravdivy asi jako pilulky na prodluzovani penisu.Je to hodně novinářský termín, když se podíváš na samotné projekty, tak o sobě většinou mluví jako o machine learningu.
Myslím si, že současné počítače jakožto médium nejsou schopny zabezpečit běh skutečné AI. To médium na to není vhodné. IMHO.OK. Mas dve moznosti. Bud verit, ze to neni mozne, a hrat si s necim jinym. Nebo verit, ze to mozne je, a hrat si s tim. Pokud to mozne je, tezko na to prijdes s pristupem prvniho druhu. Ergo, je lepsi verit, ze to mozne je.
To mi přijde jako říct, že mozek je irelevantní, je to jen médium pro něčí myšlenky. Myslím si, že současné počítače jakožto médium nejsou schopny zabezpečit běh skutečné AI. To médium na to není vhodné. IMHO.S největší pravděpodobností fakt nejsou, když teda vynechám, že nikdo nemá tušení co je a má být „skutečná AI“. Nicméně, když se zamyslíš nad tím, co to jsou „současné počítače“, tak se ucpeš definicema. Jsou to CPU? Nebo GPU? Nebo clustery? Masivně paralelní superpočítače? Škálovatelné cloudové řešení? FPGA? Počítač není jedna věc, ani jedna architektura. Jinak co „dnešní počítače“ zvládají fakt špatně jsou neuronové sítě, proto se také objevují různé akcelerátory. Jenže neuronové sítě vůbec nemusí být směr, kterým se „skutečná AI“ nakonec vydá, je to jen jeden z možných klasifikátorů.
Více pásek apod. se dá simulovat na jedné, búno, to je vcelku primitivně dokazatelné. Že je tam RAM místo pásky, mno, existuje Turingovu stroji výpočetně ekvivalentní RAM stroj.Však přímo píšu, že je ekvivalentní, ale nefunguje stejně.
Jedna z nich je, jak silný "model" je potřeba na vytvoření Strong AI. Jestli na to Turringáč s konečným časem a pamětí stačí, nebo ne. Pak lze GPU, CPU a spol hodit do jednoho pytle. To jsem myslel, že řešíte.Imho lze s jistotou říct, že na to stačí. Někdo namítá, že jsou k tomu potřeba kvantové jevy, ale to se (teoreticky hypoteticky a možná) týká jen simulace lidí, ne silné AI jako takové.
Někdo namítá, že jsou k tomu potřeba kvantové jevyA i kdyby, tak ty se, CMIIW, daji take simulovat na TS. Proste pokud mas dostatek casu, TS jsou zbesile silne.
Racionálního v to není nic a polemizovat o tom s nimi také nejde.Já si vybavuju asi tři diskuze, kde tvoje polemika vypadala ve zkratce asi jako „víte o tom hovno, já studuju biologii, ajťáci jsou debilní nerdi co umí hovno a ví hovno a inteligence vyžaduje kvantové jevy“. To není polemika.
Opět, píšu principiálně. Inteligentní chování nevyžaduje lidskou inteligenci, ani simulace buňky. Samozřejmě to ani nevede na umělou inteligenci ve smyslu lidské inteligence, ale to neznamená, že to není užitečné."citation needed" - zadna jina nez lidska (psi, papusci, rybi, chobotnici... to je na jedno brdo) inteligence neexistuje, nikdo ji nikdy nevidel, tak jak muzes tvrdit, co inteligence vyzaduje nebo ne?
Prohlédl jsem si po sobě blog, a uznávám, že "umělou inteligenci" poněkud nadužívám, na některá místa se "strojové učení" hodí víc."Umela inteligence" je jen marketingovy termin, pravdivy asi jako pilulky na prodluzovani penisu.Je to hodně novinářský termín, když se podíváš na samotné projekty, tak o sobě většinou mluví jako o machine learningu.
Je to hodně novinářský termín, když se podíváš na samotné projekty, tak o sobě většinou mluví jako o machine learningu.AI je uplne stejne seriozni termin jako ML.
a neexistuje duvod, proc by neinteligentni proces nemohl vest ke vzniku inteligenceTak to vysvetli sam sobe, fanatiku - ty jsi tvrdil, ze automat nemuze mit inteligenci.
Me tohle tema taky trochu zajima, mam pocit, ze je to stale oblast, kde lide jsou nejak chytrejsi nez pocitace a nevime poradne proc. Pritom se nezda, ze by inteligence lidi v tomhle smeru vyzadovala nejak vysoky vypocetni vykon.Není to spíše tím, že stroje postrádají fantazii a nemají něco jako intuici nebo pro stromy nemohou vidět les? Musí prostě otrocky zkusit "všechny" kombinace a doufat?
emulovat snad, ale emulovat inteligenci je stejne uzitecne jako emulovat auto - muze to pomoci pri vyuzkumu inteligence ci vyvoji aut, ale jezdit se s tim nikam nedaPokud bys měl hypotetickou emulovanou inteligenci, která by dokázala například vymyslet nový teorém, tak je pro tebe stejně užitečná, jako hypotetická ne-emulovaná inteligence, která dokáže například vymyslet nový teorém, protože té se taky nemůžeš fyzicky dotknout. Z hlediska pozorovatele blackboxu pro tebe vůbec není žádný rozdíl, jestli je emulovaná, nebo ne, tedy kromě rychlosti a nároků na energii.
Pak je silná AI jen otázkou výpočetního výkonu a za pár let tu bude.To bych te rad vyvedl z omylu, to tedy neni. Ono Turinguv stroj je ledacos, to je hrozne hrube sito. Ale vezmi si napriklad stroj, ktery ma nejake orakulum na reseni NP-uplnych problemu v rozumne polynomialnim case. Takovy stroj je stale ekvivalentni Turingove stroji (muzeme je navzajem emulovat). Ale na vetsi problemy se klasicky Turinguv stroj naprosto nechyta, potrvaji na nem dele nez treba zivot vesmiru, pritom ten stroj s orakulem je vyresi raz dva. Co tim chci rict: Na efektivite algoritmu zalezi, a hodne. My dokonce zname algoritmus na obecnou AI - AIXItl. Co ale neumime je v mnoha pripadech delat to s podobnou efektivitou, jako je ta lidska. Ono mimochodem nejde jen o inteligenci. Jen postavit stroj s podobne zazracnymi schopnostmi asociativni pameti jako ma clovek, pri odpovidajicim prikonu (~100W) je zatim nerealne.
dostane mozek impuls k tomu, aby udělal nějakou nečekanou odbočku, jinými slovy dostane nápad - "zkusím to tudy" a buďto to vyjde nebo ne.BTW i v takovém případě by to byl stroj bez svobodné vůle. Navíc by nebyl ani deterministickej.
Jestli ve fungování mozku a procesu přemýšlení na nejnižší urovni nehrají roli i kvantové jevy.I kdyz si Penrose vazim, a je to pekny napad, bohuzel je to takove nevysvetleni, ktere vic otazek klade nez zodpovida. Nikdy jsem moc nepochopil k cemu ta kvantovost ma pomoci. Problemy s determinismem se daji resit i bez ni (mimochodem, velmi doporucuji co pise Dan Dennett na toto tema, pokud te to zajima). Na druhou stranu, inteligentni systemy musi byt aspon trochu robustni - nemohou delat skolacke chyby v situacich, ktere jsou malicko jine. To naznacuje, ze lidske mysleni s okolnim vesmirem asi neni nejak vyznamne provazane (asi jako treba pocitace se nechovaji jinak, pokud se pokojova teplota v mistnosti zmeni o par stupnu).
Rozvoj umělé inteligence má zase ten limit, že 99,999 % programátorů kromě programování nic neumí - ani základní matematiku, fyziku, elektroniku, či další vědy. Zatímco stvořitel člověka (ať to byl Bůh, Perun, evoluce, či cokoli) uměl všechny obory. Pro většinu programátorů představuje vrchol nebe i tak nízká meta, jako je naprogramovat operační systém, kdysi se to dávalo jako zápočtový úkol na nějaký okrajový programátorský předmět.To mi nepřijde vůbec jako limit, vzhledem k tomu, že 99.999% programátorů nepracuje na vývoji AI.
... a právě proto je AI v dnešní mentálně retardované kvalitě - a ještě velice dlouho bude. Nic jiného v tom není.Já bych dokonce řekl, že programátoři na AI nepracují skoro vůbec. Už od začátku to byla doména úplně jiných odvětví. Co jsem se tak potkal s lidma z machine learning meetupů, tak většina z nich studovala spíš compsci, nebo matematiku.
ja myslel kompletne, tedy jestli je vesmir matematizovatelny ...Záleží na jaké úrovni. Ono je dobré si uvědomit, že matematika je jen vnější popis děje, jen model podle hypotézy, která může být správná, ale taky může být klidně nekompletní. Není to to, co se skutečně odehrává. Kdybys měl dokonalý popis vesmíru, stejně bys nemohl předvídat budoucnost, protože bys doslova musel provádět výpočty vyšší rychlostí, než jakou běží realita.
Kdyby prováděl dokonale přesný model vesmíru, musel by k výpočtům použít pouze věci přítomné ve vesmíru. Tedy i jeho hardware počítající předpovědi by byl součástí vesmíru. Tedy musel by vlastně předpovídat i vlastní předpovědi jeho modelu a jeho hardwaru počítající podle modelu. A podobnou úvahou se dospělo k některým axiomům kvantové fyziku, jako např. a) pozorovatel je vždy hrubým zásahem do pozorovaného systému a mění jeho stav (neexistuje tedy nic takového jako nezúčastněný pozorovatel); b) měřit/pozorovat proměnné lze jen do určité přesnosti, potom samotný akt měření dělá v systému větší změny než je přesnost, kterou potřebujeme.To platí pouze pokud operujeme v rámci stejného časoprostoru. Pokud by se nám povedlo umístit počítač mimo časoprostor, tak by nemusel simulovat sám sebe a ani by nemusel být omezen rychlostně. Tématicky blízká zamyšlení jak na to nabízí Greg Egan třeba v Diaspoře, nebo v Městě permutací. Osobně mi fantazie většinou selhává u představy toho v čem se nachází časoprostor, protože můj mozek prostě nebyl dělaný na bezrozměrné bezčasé dimenze, takže těžko můžu spekulovat nad tím, jak by se něco takového dalo udělat. Profesor Kulhánek mi v tomhle ale docela otevřel oči. Se zbytkem souhlasím.
Pojem "rychlost" je pojem vyžadující prostor (polohový vektor alias souřadnice v prostoru) a pojem vyžadující čas (derivace polohového vektoru podle časové proměnné). Mimo časoprostor nemá tento pojem smysl.To ano, ale pro nás jako pro někoho, kdo v časoprostoru zůstane, pouze z něj „vysune“ počítač to smysl stále dává.
Pokud je "mimo časoprostor" stále uvnitř vesmíru, tak by sám sebe simulovat musel. Pokud je "mimo časoprostor" mimo vesmír, pak samozřejmě nikoli.Není, vesmír je uvnitř toho v čem expanduje samotný prostor, který tím to co chápeme jako vesmír vytváří. Inspirován Wolframem, když se snažím si to představit, tak nejdále se asi dostanu přes (samozřejmě ne-úplně-smyslnou) představu toho, že prostor je jako velikost RAM paměti počítače, kde běží celulární automat. Ten celulární automat simuluje naší fyziku na úrovni částic. Tím tvoří prostor. Tím že se přepisuje z jednoho stavu do druhého tvoří čas. Do toho stroje je neustále přidávána RAM paměť a on neustále alokuje nově přidané kusy paměti pro ten celulární automat, čímž neustále expanduje časoprostor. Mimo časoprostor celulárního automatu nemůžou bytosti z jeho časoprostoru vyjít, protože rychlost pohybu po celulárním automatu je pro ně omezená vnitřním taktem hodin a RAM paměť je přidávána rychleji než tenhle prostor. Proto nemůžou dorazit k hranici a i kdyby mohly, tak nejde jít za okraj, protože tam prostě žádný okraj není, jejich časoprostor tam končí. Samozřejmě aby to dávalo smysl, tak je dobré říct, že nikdo žádnou RAM paměť nepřidává, celé to funguje tak, že samotný celulární automat (což může být „námi viditelný prostor, kde funguje fyzika“) aktivně konvertuje to co se nachází vně něj na další svoje buňky a tím se nekonečně šíří vnějškem, který z hlediska bytostí co v něm existují nemá definovaný čas ani prostor, protože v něm nejsou ani buňky, ani takty přepisu těchto buňek. Taky celulární automat není primitivní binární automat ve stylu life, ale s gravitací (počtem obsazených buňěk) mu trvá delší čas updatovat lokální prostorový cluster, čímž vzniká relativistický vesmír, kde čas plyne kolem hmotných těles jinak a zakřivuje prostor. Mám rozepsanou povídku na téma jak z takového systému utéct „o úroveň výš“ mimo existující prostor celulárního automatu, která zároveň souvisí s povídkou o mimozemšťanech, ale už asi půl roku jsem ani na jednu z nich nesáhl, protože čekám na ten správný záchvat inspirace to dopsat. Kulhánek o tom měl někde fakt rozkošně zajímavou přednášku, bohužel se mi jí nedaří vyhrabat. Popisoval v ní všemožná měření, ze kterých víme že se prostor expanduje a taky proč víme, že má svojí hranici a taky že rychlost světla je sice omezená a konstantní, ale samotný prostor expanduje rychleji než se pohybuje světlo, což nevidíme, protože základní síly interakce (silná, slabá a elektromagnetická) nás drží pohromadě proti tomu rozpínání. Možná Milníky kosmologie? Fakt nevím :(
Mám rozepsanou povídku na téma jak z takového systému utéct „o úroveň výš“ mimo existující prostor celulárního automatu, která zároveň souvisí s povídkou o mimozemšťanech, ale už asi půl roku jsem ani na jednu z nich nesáhl, protože čekám na ten správný záchvat inspirace to dopsat.YES please! BTW akorát teda podobnej plot byl teda ve filmu Třinácté patro. Kdyžtak hodně popisných scén, v tom filmu ta scéna s wireframe byla super
BTW akorát teda podobnej plot byl teda ve filmu Třinácté patro. Kdyžtak hodně popisných scén, v tom filmu ta scéna s wireframe byla superViděl jsem, je to ale jen destilát Světu na drátě. Pointa té povídky má být spíš taková filosofie o tom, jak se dostat ven, což ani jeden z těch filmů moc neřeší..
Nedokážeme ale předpovědět, jestli se určitý konkrétní atom radioaktivního prvku rozpadne, a případně kdy.ani pomoci astrologie ? (:
Pro ajťáka zase může být srandou genetika. Celé DNA je čistě digitální zápis, co nukleotid, to 2 bity. Snadno se dá spočítat, že do DNA zapíšete nějakých 600-700 MB dat. Při početí se účastní dvě takové molekuly. Podle genetiky to stačí k uložení veškerých informací jak má vypadat člověk, jaké má mít vlasntosti, chování, nadání, a mnohé další. Pravověrný ajťák, který má představu kolik dat co potřebuje tomu nechce věřit. Genetik zase s chybějící představou o datové náročnosti tomu klidně uvěří. Dokonce jsem tuto otázku položil na mezinárodním fóru nejlepších genetiků.ano, ajtaci a biologie, to je nekonecny zdroj zabavy, at uz jde o funkci mozku nebo genetiku... tohle je ale zcela naivni interpretace: 1) DNA nejsou ciste dva bity - (nebudu resit to, ze na jednu stranu je informace ruzne komprimovana, jinde je naopak zase spousta redundatniho balastu, formatovacich znacek a zarovnavani) - asi nejvyznamnejsi hrac, ktery bori tuhle predstavu, je methylace bází, ktera nese velmi vyznamnou informaci (dva uplne odlisni lide s jinym nadanim a vlastnostmi, se mohou lisit treba jen tou metylaci...) - takze spis bity 3 2) obrovske mnozstvi informace je mimo DNA, v cytoplasme. Nededi se pouze DNA, ale obsah cele jedne obrovske bunky (a neco malo z druhe), kde je mimo jine cely interpretacni aparat, bez ktereho ta DNA nedava smysl. Asi by sla vymyslet nejaka IT analagie, ale napadla me kuchynska - recept na svickovou, muze mit napr 0.5 kB (nahodny stazeny z netu) - popisuje ale tech 500 bajtu celou komplexitu svickove, jeji chemicke slozeni, chut atd? umozni tenhle recept vyrobit svickovou nejakemu mimozemstanovi mimo nasi kulturu a cas? ani omylem. A asi i nejaky japonec nebo brazilsky indian dojde k uplne jinemu vysledku, pokdu nebude mit zkusenosti s ceskou kuchyni. Protoze gro te informace je v prostredi - ve znalosti surovin a jejich vlastnostech, zkusenostech kuchare atd. To je asi ten hlavni zadrhel, ktery nas deli od Jurskeho parku. Dinosauri DNA jednou zrejme ziskame (zatim, tak starou neumime, ale imho jen otazka vyvoje technologie). Ovsem do jakeho vajicka ji pak dat k interpretaci? Budeme muset pouzit nejake moderni... takze z toho mozna nakonec bude takova "japonska svickova", pokud vubec neco zivatoschopneho. Tam, kde mame k dispozici mnohe pribuznejsi ziva vajicka (quagga, mamut, vakovlk...) je sance na uspech mnohem vetsi.
Často se jim to rozkmitá, pohyb je nestabilní, nebo tak nějak.To se rozkmitá i mě jako člověku :-P .. například řízení auta ve hře...
Chybu děláte už když mluvíte o mozku, protože velkou řadu věcí vykonávají jiné části nervové soustavy. Pro informaci: Trávicí soustava obsahuje více neuronů než celý mozek.A pomáhá to nějak myšlení? E.g. pozorujeme u lidí s přerušenou míchou (tj. neurony z trávicí soustavy nemohou komunikovat možná až na bloudivý nerv) či na umělé výživě po devastující nemoci trávicí soustavy nějaké charakteristické nedostatky v inteligenci?
P.S.: Normálně na abclinuxu nepíši, ale tento článek je ohromaně zajímavý, tak udělám výjimku.No teda, díky za polechtání mého ega
Na necem takovem dela(l) treba Tim Gowers.Taky fajn. Napsat důkaz přímo "jako člověk" už myslím není pro vnitřní potřeby dokazovače nutné, ale zas si tak říkám, že je klidně možné, že až bude počítač schopný úlohy z IMO vyřešit, bude počítačová lingvistika na takové úrovni, že se coby třešnička na dortu předloží počítači zadání v naskenované podobě, a ten pak svá řešení vytiskne pro opravovatele.
Jedna z veci, ktera me napada jako omezeni tech dukazovych systemu - vzdycky pracuji jen s jednim teoremem, neuci se napric dukazy. Chtel jsem postavit nejaky system, ktery by generoval programy v lambda kalkulu a zjistoval jejich vlastnosti na zaklade nejakych kriterii (treba delka programu, podobnost) a tim postupne "objevoval" matematiku.To mi taky přijde zajímavé, jen tomu moc nerozumím. Jako že by generoval kód v nějakém jednoduchém funkcionálním jazyce (dejme tomu lambda a základní aritmetika)? Co by mělo být cílem toho počítačem napsaného kódu? Aby se jeho výstup shodoval s předepsanými hodnotami?
Napsat důkaz přímo "jako člověk" už myslím není pro vnitřní potřeby dokazovače nutné, ale zas si tak říkám, že je klidně možné, že až bude počítač schopný úlohy z IMO vyřešitVidis, a ja si myslim, ze to spolu dost souvisi - ta Gowersova prace se prave zabyva i snahou produkovat samotny dukaz v podobe, jak by to udelal clovek. A to se mi na jeho pristupu libi. Podle me je dost tezke cist/psat matematiku jako lide, pokud stroje neumi i dokazovat (premyslet) jako lide.
To mi taky přijde zajímavé, jen tomu moc nerozumím.Nad inteligentnimi systemy uvazuji uz par dekad. A dospel jsem k zaveru, ze problemy jako treba videni nebo prirozeny jazyk jsou prilis slozite, protoze jednak svet je sam o sobe dost slozity a neurcity, a druhak lide maji nejspis dost specialnich (vrozenych?) znalosti, ktere jim v tom pomahaji a ktere nezname. Ale zajimava je schopnost lidi treba resit matematicke problemy nebo programovat. Evidentne, nejsme k tomu evolucne navrzeni (ono je tak trochu zazrak, ze jsou lide schopni vubec neco naprogramovat), a tyto ulohy nejsou inherentne neurcite. Takze, takove problemy davaji lepsi prostor pro introspekci procesu jejich reseni (protoze mnohem vetsi cast jejich reseni probiha vedome), a take ukazuji jiste minimum neurcitosti, ktere je potreba (evidentne, lide pouzivaji nejake heuristiky, a v jejich ramci si tu neurcitost do problemu tak nejak pridavaji - treba jim neco trochu pripomina neco jineho). Takze tohle me tak nejak vedlo k zajmu o tento typ AI - oblast problemu musi byt striktne deterministicka a bez neurcitosti realneho sveta, musi jit tedy o nejaky matematicky svet. Rikal jsem si, ze pokud bychom dokazali navrhnout AI v matematickem svete, asi by bylo snazsi ji pak zacit vysvetlovat svet realny, protoze bychom meli nejake spolecne pojmy (treba cisla nebo geometrii). Dale bych rad zminil dve pozoruhodne lidske vlastnosti: - Schopnost si hrat. Tedy ta problemova oblast, kterou se chci zabyvat, musi dovolovat te AI si nejak hrat a zkouset ruzne postupy a ucit se z nich. To v soucasnosti v AI dost chybi, i kdyz take se o tom dnes uz uvazuje (ted se mi nevybavuje ten klicovy termin - improvizace?). - Cit pro krasu. Lidem se v hlave stane neco zvlastniho, kdyz vyresi problem. Takovy jasny pocit, ze vsechno do sebe krasne zapadlo, asi jako kdyz slozis puzzle. Co presne tenhle pocit zpusobuje? Co presne je tim kriteriem elegance? Takze taky jsem byl veden uvahami nad tim, co presne to znamena, matematicka elegance? (Pripadne elegance programu.) Lze ji nejak presne definovat? A zalezi na presne definici? Mozna nezalezi, je to neco podobneho jako nezalezi na presne definici Turingova stroje. Takze, shrnuto, chci system, ktery: - Bude pracovat v presne, symbolicke oblasti ideji (aby se vyhnul neurcitosti, nepresnosti atd.) - Bude v teto oblasti schopen si nezavazne hrat (jako to delaji treba matematici), a bude veden nejakym, dost mozna neurcitym kriteriem elegance. - Zaroven bude ale veden nejak ekonomicky, bude muset vyhodnocovat, co funguje a co ne, co je uzitecne, a co ne. Nakonec to vypada na (neco jako) netypovy lambda kalkulus (pripadne jeho kombinatorovou variantu). Volbou zakladnich kombinatoru lze volit typ logiky, ktery system bude pouzivat. Nicmene system bude sam "empiricky" objevovat, jak se vlastne ty primitivni kombinatory chovaji, zaroven vytvaret nove definice (tedy programy). Jinak receno, jednotkovym pozorovanim sveta je redukce (jeden krok) programu. Pritom bude mit vnitrni kriteria elegance: - Delka programu (vcetne definic). Co je kratke, je pekne (to je zobecneni ruznych principu - Occamova britva, maximalni entropie..). - Kolik redukci nam ten program umozni udelat jen jako jednu redukci (to vlastne zhruba rika, ze teorem - znama redukce nejakeho programu, ktery nam vypovida o hodne krocich hodne programu, je pekny). - Jak uzitecny je dany program jako definice noveho kombinatoru (tedy, to co se pouziva casto jinde, je pekne). - Jak uzitecny je dany program je pro reseni problemu (definice problemu viz dal). Tato kriteria budou vest to, s cim si ten system bude hrat a jak bude vytvaret nove programy. Cely ten system se da trochu ridit zadavanim problemu, coz jsou vlastne otazky typu "najdi program X takovy, ze pokud zadame X jako argument programu A, pak se AX eventualne redukuje na B". Jeste je to pak trochu slozitejsi, je potreba pracovat s celymi tridami kombinatoru, pisu to dost narychlo, ale snad to dava urcity obrazek o tom, jak bych si to predstavoval. Vlastne o tom pisu trochu nerad, je potreba to naprogramovat...
Trochu mi to připomíná moje matné představy, které mám, když o takových věcech přemýšlím
Získávám přibližné tušení, ale velmi daleko od toho, abych něco na ten způsob zkusil implementovat.
Já si na matfyzu odchodil Deep Learning, takže si umím představit, jak bych v Pythonu implementoval nějakou věc, která jako v těch videohrách zkouší různé akce a snaží se něčeho dosáhnout (dosahovat). Na druhou stranu, lambda kalkulus jsem potkal jenom okrajově, takže do toho moc nevidím. Kdyby mě někdo posadit před konzoli s lambda kalkulem, tak asi nevím, co na tom objevovat. Ale hodně se mi líbí se mi myšlenka zkusit seznámit počítač s lambda kalkulem v něčem jednodušším než je přímo formální dokazování.
Vlastne o tom pisu trochu nerad, je potreba to naprogramovat...
Prima, naprogramujete to?
Prima, naprogramujete to?Hned jak dohraju Minecraft.
Co presne je tim kriteriem elegance?Dokonalosti je dosaženo nikoliv když není co přidat, ale když není co odebrat. — Antoine de Saint-Exupéry
Tak jsem si na Wikipedii nastudoval, co je to kombinátorová logika a už tomu popisu rozumím o dost víc Taky se mi pro prvotní experimenty víc líbí kombinátory kvůli snadnější implementaci, ale rozhodujícím kritériem nakonec stejně bude, s čím se budou nejlépe kamarádit neuronové sítě (nebo jiné metody strojového učení, ale neuronky jsou to jediné, čemu jakž takž rozumím).
A ještě k té "hravosti": měl jsem rozmyšlené schéma pro formální matematiku, kterou by si měl celou vymyslet automat sám: Měl by řešící a generující jednotku. Řešící jednotka by usilovala o vyřešení problémů, které dostane na vstupu (za to by dostávala body, k tomu by byla motivovaná). Generující jednotka by pak dostávala body za zadání, které je krátké a pro řešící jednotku řešitelné, ale netriviální. Později by se mohlo přidat to kritérium "užitečnosti", které by se taky natrénovalo nějakou sítí.
Přijde mi poměrně jasné, jak by vypadalo zadání problému ve formální matematice (tvrzení, chce se včetně důkazu rozhodnout, zda platí). Nemám ale pořád přehled, jak by vypadalo zadání v tom samotném lambda kalkulu (nebo kombinátorové logice).
Měl by řešící a generující jednotku.To nezni jako uplne spatny napad, akorat se mi zda, ze budes mit trochu problem s definici te netrivialnosti zadani.
Nemám ale pořád přehled, jak by vypadalo zadání v tom samotném lambda kalkulu (nebo kombinátorové logice).Ja myslim, ze v takovem pripade je zadanim najit kombinator s nejakou vlastnosti, tj. kombinator X, ktery kdyz mame zadane kombinatory A a B, pak AX se redukuje na B. Ale mozna se pletu a je tam jeste nejaky zadrhel.
To nezni jako uplne spatny napad, akorat se mi zda, ze budes mit trochu problem s definici te netrivialnosti zadani.Možná. Ale myslel jsem, že to poznám jednoduše podle toho, jak to půjde řešící jednotce: Asi tak následující bodování (je to jen přibližné, přesnou funkci rozmyšlenou nemám):
Chtel jsem postavit nejaky system, ktery by generoval programy v lambda kalkulu a zjistoval jejich vlastnosti na zaklade nejakych kriterii (treba delka programu, podobnost) a tim postupne "objevoval" matematiku.Nedělal něco podobného Wolfram v New Kind of Science?
Tak nejak popularne mas asi pravdu. Ale fakt, ze to nemohou udelat ani lide nijak nezabranuje matematikum v existenci.Jo, to jo. Göedelův důkaz ukazuje, že v každém bezesporném axiomatickém systému, který se snaží popsat sám sebe budou paradoxy. Což nemusí nutně vadit, ale matematikům a filosofům snažícím se o to samé co popisuješ to kdysi rozšlapalo bábovičky. V praxi to ale neznamená, že je to k ničemu, pořád to může mít svojí hodnotu, i když jen na subsety prostoru všech teorémů. Zrovna nedávno jsem o tom přečetl fajn knížku: https://www.amazon.com/G%C3%B6dels-Proof-Ernest-Nagel/dp/0814758371. Teď ještě I am strange loop a můžu se po letech zase pustit do GEBu :)
JS1 myslel ten foam automat jako zrychlení současných automatůNo, ono to nebude "jen" zrychleni, bude se to chovat jinak.
Co vsichni mate s tim, neustale poukazovat na to, ze je neco vypocetne ekvivalentni Turingovu stroji?Protože pokud by byl slabší než TU, tak by některé problémy (je jich nekonečno) nešly ani spočítat.
Protože pokud by byl slabší než TU, tak by některé problémy (je jich nekonečno) nešly ani spočítat.Nepovidej! Je to unavne, protoze ve skutecnosti je dost obtizne vymyslet neco trochu zajimaveho, co neni TU. Pak by to mozna i stalo za komentar.
Ale tady nejde o to, zda je něco slabší než Turingův stroj, ale zda by nebylo něco, co je silnější než Turingův stroj.Myslis jako fyzikalne? Takova vec je pro me dost nezajimava, protoze jsem empirik s konecnym zivotem. Takze i kdybych nakrasne takove zarizeni mel, bohuzel nemam dost casu na to, abych overil, ze funguje alespon trochu spravne.
Pořadatelé se snaží dávat pozor je, aby nebylo v lidských silách zabít tyto úlohy standardními metodami jako je analytická geometrie či třeba lagrangeovy multiplikátory.To je zas nejaký novodobý fašizmus v matematike aby sme sa nedostali k cielu jednoducho, ale zložito? Toto mi hrozne pripomína debilitu školstva ako takého.
Neuznání správného řešení kvůli vlastnímu postupu mi taky vadí. Jednou jsem bráchovi obhajoval body v jednom semináři v podobné záležitosti. Ale matematická olympiáda tohle zásadně nedělá.
Právě naopak, když někdo správně vyřeší úlohu pomocí Lagrangeových multiplikátorů nebo analytické geometrie, musí se mu to uznat. Za správné řešení je plný počet bodů.
Potíž je, že cílem úlohy je typicky najít důkaz, nikoli jen výsledek. Takže pro ověření řešení analytickou geometrií, musí opravovatelé projít mnoho nepěkných výpočtů, aby zjistili, jestli je důkaz správně nebo ne. Taková práce je nezáviděníhodná.
Proto se snaží zadávat úlohy, na které se takto z principu přistupovat nedá. Pokud se to nějakému soutěžícímu přesto povede, dostane body (jen opravovatelé si v duchu zoufají a pokusí se pro příště poučit). Opravdu na tom nevidím nic špatného.
Zrovna Lagrangeovy multiplikátory asi nebyly nejlépe zvolený příklad, to je přeci jen už dost za hranou běžného středoškoského aparátu.
Ale obecně je k tomu potřeba přistupovat s citem a každý případ je trochu jiný. Setkal jsem se třeba s tím, že úloha vlastně byla jen jinak zformulovaný speciální případ Ramseyovy věty, takže by se teoreticky dalo tohle pozorování napsat a striktně vzato by to byl korektní důkaz. Ale bylo dost zjevné, že tohle asi nebylo cílem.
Tady je potřeba rozlišovat diametrálně různé situace:
Zatímco to druhé je jednoznačně špatně (ale bohužel se to stává), v prvním případě je špatné hodnocení naprosto v pořádku. Když půjdu do extrému, úloha může mít formu otázky, na kterouje odpověď ano/ne, tak si prostě hodíte korunou a s poloviční pravděpodobností máte "správný výsledek".
Spravny postup je dolezity (je to nutna podmienka)Souhlasím. Bohužel se v praxi velmi často setkávám se situací, kdy dotyčný použije nesprávný postup, výsledek je celkem správně a on se na základě toho ujistí v tom, že to dělá dobře a nenechá si to vymluvit (vyšlo to správně, tak co řešíš). Potom nastane situace, kdy ten postup nevede na správný výsledek, ale "on přece chybu neudělal, protože to vždy fungovalo". Bohužel (bohudík) počítače mají ten sweet point poměrně hodně velkej, takže i když někdo udělá něco ne úplně správně, tak to pořád ještě docela dobře funguje. Viz ta diskuse o prog. jazycích. Mě je celkem blízký postup pythonu, jedno řešení je správné. Tail opt nemáme, mazej to přepsat.
Návěští: Je kontrolor neomylný? Neměl by se i kontrolor hlídat? Goto Návěští.Ne nutně. Svět se nemusí brát binárně, dají se přidělovat pravděpodobnosti a pokud se dost lidi shodne a ověří, že omyl není, dá se říct s vysokou pravděpodobností, že není. Jen se to prostě nebere jako dogma a když někdo zjistí, že tam omyl byl, tak se to prostě změní. Nikdy jsem nepochopil proč se lidi tak moc snaží najít všude dogma, o kterém prohlásí, že je univerzální neměnnou pravdou, když už samotný instrument pro měření (mozek) je z principu vadný a zkresluje úplně všechno.
Takže když se milión lidí shodne, že "země je placatá" - je to důkaz pravdy. Není třeba zkoumat přírodní zákony, není třeba vědeckého zkoumání, stačí si to odhlasovat většinou hlasujících při dostatečném počtu lidí.:D Vždyť to je pravý opak toho co jsem napsal. Pojem jako pravda je zjednodušený pohled pro jednoduché lidi. Je země placatá? V lokálním okolí může být. Je země kulatá? Z dostatečně vzdáleného pohledu možná. Ve skutečnosti není ani jedno, je to silně zvrásněný elipsoid, který mimo jiné mění svůj tvar jak ho natahují slapové síly měsíce. Pokud se dost lidí shodne že je země placatá a není žádný způsob, jak ověřit opak, tak je možné předpokládat, že skutečně ano. Není tomu třeba věřit a hlásat to jako pravdu, ani upalovat lidi, kteří budou tvrdit opak. Je možné říct „země je pravděpodobně placatá“ a na základě toho operovat, dokud to nějaký experiment nevyvrátí.
Nechci do věci rýpat, jen jsem chtěl minulým příspěvkem upozornit, že problém kontroly je trochu komplexnější. Právě v té matematice/fyzice je to vcelku dodržováno. Každý, i správný postup/metoda dokonce i při správném dosazení může dávat sprvné výsledky, pokud se použije v nesprávných podmínkách.Ok.
To je zas nejaký novodobý fašizmus v matematike aby sme sa nedostali k cielu jednoducho, ale zložito?Ano. Predpokladam, ze te tak stve i treba hlavolam z liteho kovu, ktery, kdyby lide byli rozumni, by byl vyroben tak, aby se dal snadno rozsroubovat. Mozna ti pripada fasisticky i maratonsky beh, protoze, co je to za debilni napad, kdyz mame auta?
Ano. Predpokladam, ze te tak stve i treba hlavolam z liteho kovu, ktery, kdyby lide byli rozumni, by byl vyroben tak, aby se dal snadno rozsroubovat.To by nebol hlavolam.
Mozna ti pripada fasisticky i maratonsky beh, protoze, co je to za debilni napad, kdyz mame auta?Tu by som čiastočne súhlasil, ale z úplne iných príčin ako si mysliš.
Čekal sem, že bude mnohem víc karet s výkonným FPGA, a že hlavní CPU si jej bude programovat dle potřebyOno by to šlo, ale jaksi si duopol intel(altera)/xilinx drží vnitřní parametry čipu pro sebe a pokud nebudeš moct udělat rychlejší implementaci, tak ti čekání třeba hodinu na x86 kompilační stanici moc v akceleraci nepomůže.
Mimochodem, mám v tabulkovém procesoru svůj seznam elektronických součástek: tranzistorů, integrovaných obvodů, a dalších. Je to proto, abych nemusel hledat datašíty, kdykoli něco potřebuji vědět. 4/5 dnešních součástek nemá ani pořádně specifikovány základní parametry a vlastnosti od výrobce a mám u nich poznámku: "nejasné parametry - nikdy nekupovat".Hehe
Dnenší počítač je také paralelní stroj. Např. paralelně provádíte operace na mnoha bitech současně. Pokud napíšete v C:Kvantový počítač ale není paralelní stroj v tomhle smyslu. Je to spíš takové orákulum, které lze nakrmit popisem problému a pak ze všech jeho možných stavů vybrat ten, který odpovídá ideálnímu řešení matematického problému.
Stojí za zmínku, že zastaralý analogový počítač za pár šupů, který řeší diferenciální rovnice levou zadní - dokáže v určitých případech dát dnešnímu výkonnému digitálními počítači stále zahulit, když má počítat to samé. Samozřejmě dnešní digitální počítač to zvládne.Vím o tom. Problém je, že většinou nejsou moc univerzální. Kdysi jsem trochu studoval mechanické počítače a dodneška mi přijdou vysoce fascinující. Tohle je například úžasný rozbor: EEVblog #854 - B52 Bomber Automatic Astro Compass Teardown.
Důvod zájmu a rozvoje kvantových počítačů je ten, že se před časem našel algoritmus rozkladu prvočísel realizovatlenými na kvantovém počítači v extrémně krátkém čase - tedy schopnost na počkání louskat i nejtěžší asymetrické firmy dneška. Tedy ty, které jsou dnešními křemíkovými procesory nerozlousknutelné. Pak v tom začal být státní a vojenský zájem, a lijí se do toho obrovské peníze.To není tak úplně pravda. Třeba konkrétně D-wave si objednaly hlavně firmy řešící hlavně optimalizace, například obtoku vzduchu kolem křídla letounu. Šifry odolné proti útokům kvantovým počítačem existují a pomalu se začínají prosazovat: Postkvantová kryptografie.
Mimochodem paralelizace jako u kvantových počítačů je používána třeba v optickém vláknu. Můžete do něj pustit třeba 4 nezávislé datové proudy, každý na jiné vlnové délce světla - a ony se nebudou ovlivňovat. Tak znásobíte datovou propustnost optického vlákna na stejném hw. Kdybyste byli schopni mít 1000 různých vlnových délek a na konci tisíc přijímačů s tisíci úzkopásmovými filtry, tak optickým vláknem přenesete astronomické množství dat. To je ale první představa.Imho to vůbec není stejný druh paralelizace. Jinak tu síťovku jsem držel v ruce. Je to překvapivě malý kus hardware.
ale zároveň to vůbec nebude „počítat“ ve smyslu „provádět sekvenční instrukce“...Jenom takovej rychlej nápad, ANAP. Kvantový počítač by byl IMO super pro spekulativní provádění instrukcí, kdy procesor počítá obě větve pro podmíněné větvení. By prováděl obě větve (nebo třeba 128 větví) současně a na konci by se ta superpozice zrušila vyhodnocením té podmínky a vypadl by výsledek správné větve (/vlákna).
Kvantový počítač by byl IMO super pro spekulativní provádění instrukcí, kdy procesor počítá obě větve pro podmíněné větvení. By prováděl obě větve (nebo třeba 128 větví) současně a na konci by se ta superpozice zrušila vyhodnocením té podmínky a vypadl by výsledek správné větve (/vlákna).Já mám pocit, že problém bude s rychlostí. Sice je fajn, že může jedním „výpočtem“ provést 128 větví, ale kdyz můžeš udělat jeden takový výpočet za 30 sekund, tak to zas tak fajn není na cokoliv, kde pracuješ s dynamickými daty.
uz nejde nic lepsiho vymysletUrčitě jde vymyslet lepší architektura.
Když byl v šedesátých letech minulého století vyřešen problém čtyř barevTam je drobátko problém, že to je důkaz silou. Prostě našli všechny mapy (jejich grafovou interpretaci) a obarvili je. Takže ano, víme, že to tak je, ale takový důkaz bohužel vůbec nepřinese vhled do toho, proč to tak je. Dobrý důkaz poodhalí i zákulisí daného jevu.
Ostatně já to donedávna považoval rovněž za nemyslitelné, ale o deskové hře Go jsem si myslel totéž, takže už si nejsem tak jistý...Já nevím. Nejsem tak odvázaný z toho, že počítač porazil člověka v šachu nebo v go, nebo v jiné podobně hře. Pro mě to vždy bylo spíš na úrovni: "proč až tak pozdě?". Tady je jasné, že čím jsou počítače rychlejší a čím větší stavový prostor zvládnou prohledat (ideálně samozřejmě celý), tak prostě nastane situace, kdy přerostou člověka. V klasickém počítání (odtud slovo počítač - to dřív byli lidé) se to stalo už dávno. Tak proč by tohle měl být nějaký milník. Jasně, chápu, že se stále ještě celý stavový prosto prohledat nedá a že je to vítězství té heuristiky, která říká, kam se vydat. Ale i tak.
Tam je drobátko problém, že to je důkaz silou. Prostě našli všechny mapy (jejich grafovou interpretaci) a obarvili je. Takže ano, víme, že to tak je, ale takový důkaz bohužel vůbec nepřinese vhled do toho, proč to tak je. Dobrý důkaz poodhalí i zákulisí daného jevu.
AFAIK tam hlavně vůbec nedošlo k tomu, že by počítač opravdu nějakým způsobem důkaz odvodil nebo jakékoli logické odvozování prováděl. Přirovnal bych to k tomu, že mám dokázat nějaké tvrzení pro všechna přirozená čísla, v prvním kroku dokážu, že když to platí pro prvních tisíc, tak už to platí pro všechna, a pak napíšu program, který to pro těch prvních tisíc prostě spočítá a vypíše výsledky. To je prostě něco úplně jiného, než o čem je řeč ve zbytku blogpostu.
Tady je jasné, že čím jsou počítače rychlejší a čím větší stavový prostor zvládnou prohledat (ideálně samozřejmě celý), tak prostě nastane situace, kdy přerostou člověka. V klasickém počítání (odtud slovo počítač - to dřív byli lidé) se to stalo už dávno. Tak proč by tohle měl být nějaký milník. Jasně, chápu, že se stále ještě celý stavový prosto prohledat nedá a že je to vítězství té heuristiky, která říká, kam se vydat. Ale i tak.
Neznám detaily, ale podle toho, co jsem o tom četl, je zlom právě v tom, že už to není jen o backtrackingu a heuristikách pro ořezání prohledávaného prostoru, ale že se ten systém sám "učí" podle existujících partií (ať už vlastních nebo cizích).
Což mne přivádí na kacířskou myšlenku: jestliže byly Deep Blue a AlphaGo specificky trénovány podle partií nejlepších lidských hráčů šachů a go, netrpí ve výsledku tím, že jsou trénované specificky na ně? Neměly by pak problém naopak hrát proti jinému programu, který bude založen čistě na backtrackingu a nějakých předdefinovaných heuristikách? Jeden kamarád, který hraje šachy na slušné úrovni, tvrdil, že proti programům hraje nerad, protože "hrajou divně". Chápu to tak, že jim jednak chybí nějaká ta "vůdčí myšlenka", jednak občas zahrají tah, který jim vyjde jako nejlepší, ale žádného živého hráče by vůbec nenapadlo o něm uvažovat.
Což mne přivádí na kacířskou myšlenku: jestliže byly Deep Blue a AlphaGo specificky trénovány podle partií nejlepších lidských hráčů šachů a go, netrpí ve výsledku tím, že jsou trénované specificky na ně?Tak AlphaGo se trenovalo predevsim na hrach samo se sebou (partiich sehranych nebo inspirovanych lidmi byla drtiva mensina), a dokonce obcas lidi prekvapilo svymi tahy. Ono to je spis tak, ze AlphaGo hraje bliz optimalni strategii nez lide, takze jsou to lide, kdo hraje "divne". Ale nechapu, proc maji lide zde v diskusi potrebu stale shazovat vykon pocitacu v inteligenci jako nejaky mechanisticky proces. Vzdyt clovek dela mozna totez.
Když byl v šedesátých letech minulého století vyřešen problém čtyř barevTam je drobátko problém, že to je důkaz silou. Prostě našli všechny mapy (jejich grafovou interpretaci) a obarvili je. Takže ano, víme, že to tak je, ale takový důkaz bohužel vůbec nepřinese vhled do toho, proč to tak je. Dobrý důkaz poodhalí i zákulisí daného jevu.
Ano, máte pravdu. Ale i tak myslím, že to k historii vnímání role počítačů v matematice patří. Mám za to, že když se v minulém století objevily počítače a rakety, lidi začali mnohem víc fantazírovat o tom, jak se bude lítat do vesmíru a jak budou stroje inteligentní, prostě sci-fi představy. Většinou se nenaplnily -- počítače pro nás znamenají většinou tupé automaty, na měsíci už dlouho nikdo nebyl...
Ale přijde mi, že vzhledem k vývoji nových technologií jako jsou třeba rakety, které umí přistát zpět na Zemi, různé protézy s nervovými impulsy, či výrazný pokrok ve strojovém překladu, přichází nová vlna těchto sci-fi snů. Představa, že počítače časem dokáží hledat důkazy k nim patří a je otázkou, zda se pokrok zase zasekne, nebo lidstvo dosáhne tohoto konkrétního cíle.
Ostatně já to donedávna považoval rovněž za nemyslitelné, ale o deskové hře Go jsem si myslel totéž, takže už si nejsem tak jistý...Já nevím. Nejsem tak odvázaný z toho, že počítač porazil člověka v šachu nebo v go, nebo v jiné podobně hře. Pro mě to vždy bylo spíš na úrovni: "proč až tak pozdě?". Tady je jasné, že čím jsou počítače rychlejší a čím větší stavový prostor zvládnou prohledat (ideálně samozřejmě celý), tak prostě nastane situace, kdy přerostou člověka. V klasickém počítání (odtud slovo počítač - to dřív byli lidé) se to stalo už dávno. Tak proč by tohle měl být nějaký milník. Jasně, chápu, že se stále ještě celý stavový prosto prohledat nedá a že je to vítězství té heuristiky, která říká, kam se vydat. Ale i tak.
To já z toho Go odvázaný jsem. Nevěřilo se, že to počítače dokážou, a už vůbec ne takhle brzo. Třeba ve sci-fi filmu Tron Legacy (natočeno 2010) je scéna, kde postava reprezentující umělou inteligenci mávne rukou ke hrací desce Go a pronese něco ve smyslu "Tahle hra mi pořád moc nejde".
Hráči Go se rozhodují z části "intuitivně", jak se jim "líbí" abstraktní provázání kamenů na desce. Heuristika AlphaGo je proto založena na stejné technologii jako rozpoznávání obrazu (hluboké konvoluční sítě) a jinak se ji naučil počítač defakto sám bez manuálně implementovaných heuristik. Z mého pohledu to je významné proniknutí do jisté oblasti lidských intelektuálních schopností.
A jinak hledání důkazu, o které mi v blogu jde, je přece taky "jenom" prohledávání stavového prostoru, na které nám chybí ta správná heuristika.
Většinou se nenaplnily -- počítače pro nás znamenají většinou tupé automaty, na měsíci už dlouho nikdo nebyl...To teda nevím pro koho jsou počítače tupé automaty. Spíš se z nich (a z toho co nabízí) stalo běžné tupé spotřební zboží, něco jako nová televize. Jinak na měsíc se momentálně chystá hned několik misí.
Jinak na měsíc se momentálně chystá hned několik misí.Však píšu, že nastává nová vlna sci-fi snů. Odkazoval jsem na poměrně dlouhé období, kdy se v technologiích nedělo nic moc mediálně poutavého. Teď zas začíná situace vypadat docela zajímavě, ale nemám odhad, nakolik jsou reálné například vize lidské mise na Mars.