P vs. NP 五十年:AI正在解決不可解問題
- 2022 年 1 月 4 日
- AI
-
演算法:P=NP或理論上等效,例如NP的快速概率演算法(fast Probilistic algorithm) -
啟發式:NP問題在最壞的情況下很難求解,但平均來說還是可以得到求解的 -
Pessiland:我們可以輕鬆的創建困難的NP問題,這是所有可能中最糟糕的,因為我們既不能在平均意義上解決難題,也不能從這些問題的難度中獲取任何明顯的優勢 -
Minicrypt:存在加密的單向函數的問題,但我們沒有公鑰加密 -
Cryptomania:公鑰密碼學,也就是說,兩方可以通過公開渠道來交換加密資訊,然後通過公鑰解密
通用分布和GPT-3
科學和醫學
超越P和NP問題的思考:國際象棋
可解釋的人工智慧
-
信任:我們如何知道神經網路是否正常運行了?除了檢查輸入和輸出之外,我們無法對其他中間的變數進行分析和理解。不同的應用程式具有不同的信任級別。如果Netflix推薦了一個很差的電影,那沒什麼問題,但是如果自動駕駛汽車推薦了一個讓車撞牆的轉彎操作,那事兒可就大了。 -
公平性:很多應用程式都是在訓練集上進行學習的,訓練集中的數據可能不是完全公平或者說沒有偏見的。如果不理解程式,那我們可能無法糾正其中的偏差和歧視。種族歧視可是一個嚴重的話題呦。 -
安全性:如果我們使用機器學習來監控數據安全系統甚至安保系統,那麼不可解釋的機器學習模型可能無法讓你知道他存在的漏洞是什麼,尤其是當我們的對手具有適應性的時候。如果我們能夠理解程式碼和網路的結構,就可以發現並且修復這些安全漏洞。當然,如果我們的敵人擁有程式碼,他們也有可能發現漏洞並針對其組織攻擊。 -
因果關係:目前來說,我們最多可以檢查機器學習演算法是否只與我們想要的輸出類型相關。但是理解程式碼能夠幫助我們理解數據中的因果關係,從而造出更好的科學理論和醫學成果。