http://www.idcun.com/news/2015012641947.html

     摘要: 發(fā)信人: GzLi (笑梨), 信區(qū): DataMining標(biāo)  題: [合集]上載了Intro. to SVMs的術(shù)語列表的翻譯發(fā)信站: 南京大學(xué)小百合站 (Sat May 10 18:51:40 2003)GzLi (笑梨) ...  閱讀全文

http://news.sciencenet.cn/htmlnews/2015/1/310825.shtm

1977年畢業(yè)于吉林大學(xué)，1981年畢業(yè)于中國科學(xué)技術(shù)大學(xué)研究生院，1986年于耶魯大學(xué)取得博士學(xué)位，后于普林斯頓大學(xué)任教。

在科研領(lǐng)域，1980年代中,李凱提出了分布式共享內(nèi)存技術(shù)，開創(chuàng)了新的研究方向，成為1990年代國際計(jì)算機(jī)系統(tǒng)結(jié)構(gòu)領(lǐng)域研究的熱點(diǎn)，而他本人也在1998年當(dāng)選為ACM Fellow；在創(chuàng)新領(lǐng)域，2001年，李凱與合伙人共同創(chuàng)辦了Data Domain公司，研制出世界上第一款商用重復(fù)數(shù)據(jù)刪除產(chǎn)品，2009年這家公司被EMC以24億美元收購。因?yàn)檫@次收購，李凱也被媒體冠以“身價(jià)最高的華人教授”。由于在科研與創(chuàng)新領(lǐng)域均作出突破性貢獻(xiàn)，2012年李凱當(dāng)選美國工程院院士。

□科研是將金錢轉(zhuǎn)換為知識的過程，而創(chuàng)新則是將知識轉(zhuǎn)換為金錢的過程。

□很多團(tuán)隊(duì)轉(zhuǎn)向做“反向工程”或“山寨”產(chǎn)品，卻沒有創(chuàng)造核心知識產(chǎn)權(quán)。

□對政府而言，應(yīng)該投資在科研上，而不應(yīng)當(dāng)扮演風(fēng)投的角色。

--------------------------------------------------------------------

美國工程院院士、普林斯頓大學(xué)講席教授李凱經(jīng)常被問到這樣一個(gè)問題：您認(rèn)為中國計(jì)算機(jī)領(lǐng)域的高科技創(chuàng)新如何？

李凱的回答略顯直白：“不行。”

他以運(yùn)轉(zhuǎn)了28年的“863計(jì)劃”為例：近年來國家每年投入的經(jīng)費(fèi)達(dá)到20億美元，但是在高科技創(chuàng)新方面，尤其是在計(jì)算機(jī)領(lǐng)域，卻找不到一個(gè)通過承擔(dān)863項(xiàng)目產(chǎn)生核心知識產(chǎn)權(quán)并且占領(lǐng)國際市場的成功商業(yè)案例。

“如果從培養(yǎng)人的角度來說，863計(jì)劃是培養(yǎng)出了一批人才，但是，如果從科研創(chuàng)新的角度而言，我認(rèn)為它是失敗的。”李凱說。他的評價(jià)基于三個(gè)標(biāo)準(zhǔn)：第一，是否產(chǎn)生顛覆性技術(shù)；第二，是否在某個(gè)領(lǐng)域的國際市場上占據(jù)領(lǐng)頭羊地位；第三，是否通過核心知識產(chǎn)權(quán)創(chuàng)造出很高的毛利。

有人認(rèn)為李凱定的標(biāo)準(zhǔn)太高，但李凱不同意：“這是世界工業(yè)界公認(rèn)的標(biāo)準(zhǔn)，不是我的標(biāo)準(zhǔn)。”

去年，為了紀(jì)念《中國計(jì)算機(jī)學(xué)會(huì)通訊》出版100期，作為中國計(jì)算機(jī)學(xué)會(huì)的海外理事，李凱系統(tǒng)梳理了這個(gè)思考多年的問題，應(yīng)邀寫了一篇長文《促進(jìn)中國高科技科研創(chuàng)新的想法》。在這篇文章中，他尖銳地指出當(dāng)前教育和科研制度的弊端，尤其是科研制度將科研和創(chuàng)新混為一談。

雖然知道直言不諱地道出這樣的結(jié)論會(huì)讓一些人不快，可李凱依然堅(jiān)持做《皇帝的新衣》里那個(gè)說真話的孩子，因?yàn)?#8220;在科學(xué)與工程領(lǐng)域，想要成功，首先要實(shí)事求是”。

在學(xué)術(shù)界與工業(yè)界的成功跨界經(jīng)歷，李凱對科研與創(chuàng)新的聯(lián)系有深入的思考和親身的體會(huì)。

近日，在接受中國青年報(bào)記者專訪時(shí)，李凱再次重申自己的觀點(diǎn)：“你不實(shí)事求是，就看不清自己的位置；你要想真正前進(jìn)，發(fā)現(xiàn)新知識、創(chuàng)新，必須實(shí)事求是，否則就達(dá)不到目的。你要衡量做得有多好，要同一領(lǐng)域的評價(jià)，而不是政府來評或者領(lǐng)域外的人來評。”

科研和創(chuàng)新不是一回事

過去幾年中國一直在增加科研投入。2013年，中國的科研支出達(dá)2580億美元，雖然占GDP的比例還低于歐美、日韓與以色列等發(fā)達(dá)國家，但科研投入總量已居世界第二，比美國少36%。在高科技產(chǎn)業(yè)領(lǐng)域，中國占全世界高科技產(chǎn)品的出口份額從2000年的6.5%一路攀升到2013年的36.5%。與此同時(shí)，中國也躍升為世界論文第一大國。

一個(gè)不容回避的核心問題是——政府對高科技創(chuàng)新的投入有多大效果？

“如果向國際高科技界詢問這個(gè)問題，大多數(shù)會(huì)回答：并不有效。”李凱說，根據(jù)科技部披露的數(shù)據(jù)，2011年中國出口高科技產(chǎn)品份額中，82%由外資企業(yè)或合資企業(yè)生產(chǎn)。

作為世界第二大經(jīng)濟(jì)體，高科技發(fā)展是中國從制造大國向基于核心知識產(chǎn)權(quán)的高價(jià)值經(jīng)濟(jì)體轉(zhuǎn)型的關(guān)鍵。一個(gè)明顯的事實(shí)是，相當(dāng)多的學(xué)者已經(jīng)學(xué)會(huì)了如何把錢換成“紙”，也就是書面的論文，但是還不太擅長如何把書面的論文，也就是“紙”轉(zhuǎn)換成金錢。

為什么政府在高技術(shù)領(lǐng)域的科研經(jīng)費(fèi)投入效果很差？為什么論文第一大國掌握不了“紙變錢”的游戲規(guī)則？在李凱看來，原因主要在兩個(gè)方面。第一個(gè)方面就是科研與創(chuàng)新合二為一的政策，并對所資助的研究性項(xiàng)目提出不切實(shí)際的商業(yè)成功要求。

“從表面上來看，科研與創(chuàng)新合二為一的政策對政府和宣傳是很有吸引力的，但其實(shí)這是混淆了科研與創(chuàng)新的基本概念。”李凱對第一個(gè)原因闡釋道。

以發(fā)明即時(shí)貼聞名世界的3M公司的杰弗里·尼科爾森博士曾經(jīng)對兩者給出明確的定義：“科研是將金錢轉(zhuǎn)換為知識的過程”，而“創(chuàng)新則是將知識轉(zhuǎn)換為金錢的過程”。

“如果把金錢轉(zhuǎn)化成金錢，就去華爾街，不需要找科研人員。”李凱直言。

李凱認(rèn)為，將科研資助與創(chuàng)新資助混為一體所帶來的問題顯而易見。

第一個(gè)明顯問題是此舉會(huì)帶來兩種激烈的沖突。李凱舉例，一個(gè)受到資助的團(tuán)隊(duì)必須發(fā)表新知識來衡量他們的研究是否成功，但同時(shí)又要保護(hù)他們的知識產(chǎn)權(quán)以實(shí)現(xiàn)商業(yè)成功。這在知識產(chǎn)權(quán)保護(hù)還較弱的環(huán)境下是非常困難的。

另一個(gè)沖突是大學(xué)會(huì)變成營利機(jī)構(gòu)。當(dāng)一所大學(xué)擁有了公司，它將成為產(chǎn)業(yè)界的競爭者。這樣的利益沖突偏離了大學(xué)的主要目標(biāo)——培養(yǎng)學(xué)生。

李凱認(rèn)為，第二個(gè)明顯的問題是要在2～3年內(nèi)既要產(chǎn)出成功的科研成果又要實(shí)現(xiàn)成功的創(chuàng)新產(chǎn)品是不現(xiàn)實(shí)的。

“即使不考慮發(fā)表論文，哪怕是擁有了一支有經(jīng)驗(yàn)豐富的高素質(zhì)工程師團(tuán)隊(duì)，要想在這么短的時(shí)間內(nèi)開發(fā)出在市場上獲得成功的高科技產(chǎn)品已經(jīng)是非常困難的，更何況這支團(tuán)隊(duì)是由沒有產(chǎn)品開發(fā)經(jīng)驗(yàn)的研究生新生組成的。”李凱說。

這樣的后果就是——很多團(tuán)隊(duì)轉(zhuǎn)向做“反向工程”或“山寨”產(chǎn)品，卻沒有創(chuàng)造核心知識產(chǎn)權(quán)；很多聰明的研究人員開展影響力不大的研究項(xiàng)目，開發(fā)沒有市場競爭力的產(chǎn)品；很多發(fā)表的論文或者只有一些小的改進(jìn)，或者根本沒有新的想法。

然而，為了繼續(xù)獲得未來的經(jīng)費(fèi)支持，不僅每個(gè)團(tuán)隊(duì)都必須宣傳自己的項(xiàng)目是成功的，而且經(jīng)費(fèi)管理機(jī)構(gòu)也必須宣傳他們資助的大多數(shù)項(xiàng)目是成功的。

“也許這就是為什么‘863計(jì)劃’資助了28年后，所資助的項(xiàng)目仍然是在‘追趕’而不是做真正的創(chuàng)新。”李凱說。

政府不要扮演風(fēng)投的角色

對科研進(jìn)行5年規(guī)劃的方式，導(dǎo)致資助的研究方向與高科技領(lǐng)域的快速變化出現(xiàn)大量脫節(jié)，是李凱認(rèn)為的導(dǎo)致政府對科研高投入?yún)s效率不高的第二個(gè)原因。

也曾經(jīng)有國內(nèi)的科技部門主管官員向李凱咨詢：我們要做5年規(guī)劃，您在信息科學(xué)方面有什么建議？

李凱直言：脫離5年計(jì)劃。“針對未來5年設(shè)立的項(xiàng)目，大多數(shù)方向很快會(huì)過時(shí)，這會(huì)在國家層面上造成時(shí)間和金錢的極大浪費(fèi)。”他實(shí)事求是地告訴這位官員，“任何人不知道信息技術(shù)類會(huì)發(fā)生什么變化。你們不如拿一部分錢支持5年計(jì)劃，更大的一部分錢支持不是5年計(jì)劃的項(xiàng)目。這樣支持的項(xiàng)目才有可能產(chǎn)生推動(dòng)型的科研成果。”

“當(dāng)政府經(jīng)費(fèi)管理機(jī)構(gòu)確定科研與創(chuàng)新方向時(shí)，他們認(rèn)為這些方向?qū)?huì)對中國經(jīng)濟(jì)有利。但是，因?yàn)闆]有產(chǎn)品開發(fā)與管理的經(jīng)驗(yàn)，他們也不了解市場需求。同樣，一些權(quán)威科學(xué)家建議設(shè)立某些方向，多數(shù)科學(xué)家自己也沒有創(chuàng)業(yè)經(jīng)歷，也不了解市場需求。”李凱說。

在李凱看來，其中最大的問題是：“計(jì)劃的決策大多是由技術(shù)驅(qū)動(dòng)的,而那些大型成功企業(yè)的決策是由市場主導(dǎo)的。”

美國也曾經(jīng)有過這方面失敗的案例。美國政府設(shè)立一個(gè)叫“ＳＢＩＲ”的計(jì)劃用來為技術(shù)轉(zhuǎn)化提供種子資金支持。這個(gè)計(jì)劃年度預(yù)算相當(dāng)大,但成功的案例很少?？蒲信c創(chuàng)新混為一體的一個(gè)弊端是“要求政府經(jīng)費(fèi)資助機(jī)構(gòu)充當(dāng)風(fēng)險(xiǎn)投資公司角色，但他們并沒有遴選創(chuàng)業(yè)公司的經(jīng)驗(yàn)”。

李凱認(rèn)為，對政府而言，“應(yīng)該投資在科研上，而不應(yīng)當(dāng)扮演風(fēng)投的角色。”

科研與創(chuàng)新分離的優(yōu)點(diǎn)大于缺點(diǎn)

當(dāng)然，科研與創(chuàng)新分離也有缺點(diǎn)。資助研究的政府機(jī)構(gòu)在短期內(nèi)無法看到研究成果商業(yè)化和創(chuàng)造就業(yè)機(jī)會(huì)的結(jié)果。但是，李凱說，科研與創(chuàng)新分離的優(yōu)點(diǎn)大于缺點(diǎn)。

首先，這能鼓勵(lì)研究人員專注于影響力巨大的新技術(shù)新發(fā)現(xiàn)，而不必?fù)?dān)心商業(yè)化；其次，將科研與創(chuàng)新分離，創(chuàng)業(yè)人員與投資者也更可能成功；另外，因?yàn)樗麄儧]有短期成果的壓力，政府的經(jīng)費(fèi)資助機(jī)構(gòu)擁有更多的資源來資助有大影響力的想法和潛在的顛覆性想法。

李凱個(gè)人經(jīng)歷就驗(yàn)證了這一點(diǎn)。2001年，他選擇“no paid leave”（即我們常說的停薪留職），暫時(shí)離開普林斯頓大學(xué)，一個(gè)學(xué)生也沒帶，就來到位于西海岸的硅谷創(chuàng)業(yè)。因?yàn)橹雷约荷瞄L技術(shù)而不擅長管理，所以他與幾個(gè)合伙人從一開始就積極尋找了一名合適的CEO，并在摸清市場需求后，再找一批很好的人來做技術(shù)。

公司剛剛起步的時(shí)候，李凱還記得，做一個(gè)小的演示，用五千到一萬行程序代碼就可以解決了；2004年，第一個(gè)產(chǎn)品推出來的時(shí)候，需要30多萬行程序代碼；2011年，一個(gè)產(chǎn)品的程序已經(jīng)是500多萬行代碼了。

“誰來寫兩個(gè)數(shù)量級中間的東西？”李凱問，“只能是找最好的人。”而早在2004年，李凱公司的創(chuàng)新已經(jīng)“顛覆了這個(gè)市場”。

“如果我當(dāng)時(shí)還堅(jiān)持在普林斯頓大學(xué)，一邊做科研，一邊做公司搞創(chuàng)新，就是我們常說的腳踩兩只船：可能一艘船比較快，就會(huì)掉到河里了；如果兩邊都做，只能讓兩邊走得都不快。”李凱說。

慢慢來不是創(chuàng)新的態(tài)度

要取得科研和創(chuàng)新的成功，也必須改革現(xiàn)有的衡量標(biāo)準(zhǔn)。

李凱到國內(nèi)的一些學(xué)校訪問，發(fā)現(xiàn)他們在介紹自己的科研成績時(shí)喜歡用同一個(gè)指標(biāo)：科研經(jīng)費(fèi)。

一所高校計(jì)算機(jī)學(xué)院的院長在介紹學(xué)院發(fā)展時(shí)說：現(xiàn)在院里很好，科研經(jīng)費(fèi)超過億元。

李凱忍不住問：你最主要的科研成果是什么？對方說不出來。李凱直言：我認(rèn)為拿的錢越少，做出的成果越多越好。研究與創(chuàng)業(yè)類似，都應(yīng)該追求用最少的錢做出有價(jià)值的工作，在硅谷一個(gè)只會(huì)拉風(fēng)投而不能把企業(yè)做大的CEO沒人愿意雇傭。他們說，你說的很對。只過了5分鐘，對方又開始說某位教授做得有多好，拿了多少經(jīng)費(fèi)。

文章也是國內(nèi)高校介紹科研成果時(shí)一個(gè)常常掛在口頭的指標(biāo)。李凱忍不住自嘲：如果按照現(xiàn)在的規(guī)定，博士期間只發(fā)表了一篇文章的自己根本沒有辦法畢業(yè)。

李凱的建議是：政府不要設(shè)定統(tǒng)一的衡量標(biāo)準(zhǔn)來約束所有的大學(xué)和研究機(jī)構(gòu),應(yīng)該下放權(quán)力給大學(xué)和研究所,要相信他們的判斷力，并讓他們自行制定合適的衡量標(biāo)準(zhǔn)。

李凱有些著急：“863計(jì)劃執(zhí)行到現(xiàn)在已經(jīng)有28年了，你可以說中國的事情要慢慢來，可是還需要多慢？慢慢來的態(tài)度就不是創(chuàng)新的，創(chuàng)新就要顛覆以前的事情。成功不是在一個(gè)受保護(hù)的市場里，而是在國際市場上。”

“我相信如果這樣的改革能實(shí)施，我們將會(huì)看到高校與研究機(jī)構(gòu)培養(yǎng)出大批有天賦的科研人員和有才能的企業(yè)家。”李凱說。（原標(biāo)題：創(chuàng)新：政府不應(yīng)扮演風(fēng)投的角色——專訪美國工程院院士李凱）
閱讀記錄: read twice

http://mp.weixin.qq.com/s?__biz=MjM5NzM5ODQ4Mg==&mid=202369542&idx=1&sn=9fef36f14033872fda5f0ed2fe1b6a24&scene=2&from=timeline&isappinstalled=0#rd

今年以來，“大數(shù)據(jù)技術(shù)”和“大數(shù)據(jù)分析”明顯顯得更加的“火熱”。然而，鮮有理性的聲音存在。美國頂尖公立研究型大學(xué)、世界上最負(fù)盛名且最頂尖的公立大學(xué)——加州大學(xué)伯克利分校，其Pehong Chen Distinguished Professor（校陳丕宏杰出教授）、美國科學(xué)院院士、美國工程院院士、美國藝術(shù)與科學(xué)院院士、ACM會(huì)士、IEEE會(huì)士、AAAS會(huì)士、AAAI會(huì)士、ASA會(huì)士、IMS會(huì)士、機(jī)器學(xué)習(xí)領(lǐng)域國際著名學(xué)者M(jìn)ichael I. Jordan教授近日接受IEEE《頻譜》雜志采訪時(shí)，在Machine-Learning Maestro Michael Jordan on the Delusions of Big Data and Other Huge Engineering Efforts一文中指出，現(xiàn)在大家炒作大數(shù)據(jù)過了頭、大數(shù)據(jù)可能只是一場“空歡喜”、大數(shù)據(jù)的“冬天”即將到來、大數(shù)據(jù)要在幾十年之后才能真正有用、大家要能真正沉下心來做完整的工程統(tǒng)計(jì)分析等。以下是對訪談全文的編譯。

IEEE S：現(xiàn)在我們不妨將話題轉(zhuǎn)到大數(shù)據(jù)上。您的言論中始終認(rèn)為當(dāng)前對大數(shù)據(jù)的執(zhí)著里有把“黃銅當(dāng)金子”的成分。比如您就曾預(yù)測公眾即將經(jīng)歷一場大數(shù)據(jù)項(xiàng)目帶來虛警的“流行病”。

Michael I. Jordan：當(dāng)你有了大量的數(shù)據(jù)之后，你就會(huì)想提出更多的假設(shè)。而一旦提出假設(shè)的速度超出了數(shù)據(jù)的統(tǒng)計(jì)內(nèi)涵，那么你的推斷里有很多都可能是錯(cuò)誤的。它們也許就只是“白噪聲”。

IEEE S：為什么會(huì)這樣？

Michael I. Jordan：在傳統(tǒng)的數(shù)據(jù)庫里，你有比方說幾千個(gè)人的數(shù)據(jù)。你不妨把他們看成數(shù)據(jù)庫中的行，而列就對應(yīng)了這些人的屬性：年齡、身高、體重、收入等等。

現(xiàn)在，這些列的組合數(shù)目是以指數(shù)的速度隨著列數(shù)增加的。因此如果你有非常非常多的列（現(xiàn)代的數(shù)據(jù)庫里的確如此），那么對每個(gè)人你都會(huì)得到數(shù)以百萬計(jì)的特性。

假如我現(xiàn)在開始查看這些屬性的所有組合——你是否在北京生活，是否騎自行車上班，是否從事某項(xiàng)工作，是否處于某個(gè)特定的年齡——那么你得某種疾病或者你喜歡我的廣告的概率是多少呢？我將得到數(shù)以百萬計(jì)的屬性組合，并且這些組合的數(shù)目是指數(shù)級別的；它會(huì)達(dá)到宇宙中的原子數(shù)目的規(guī)模。

這些就是我想要考慮的假設(shè)。在任何一個(gè)特定的數(shù)據(jù)庫里，我都能找到這些列的某種組合來完美地預(yù)測任何結(jié)果，哪怕只是隨機(jī)地挑選。如果我只是查看所有發(fā)生過心梗的人，把他們同所有未發(fā)生過心梗的人作比較，并尋找可預(yù)測心臟病的列的組合，我就的確能夠找到列的各種各樣的疑似組合，這是因?yàn)樗鼈償?shù)量龐大。

這就好像讓好幾十億只猴子在那兒打字，總有一個(gè)會(huì)寫出莎士比亞。

IEEE S：您認(rèn)為大數(shù)據(jù)的這一面目前沒有得到重視嗎？

Michael I. Jordan：當(dāng)然。

IEEE S：有哪些東西是人們承諾大數(shù)據(jù)能帶來的而您認(rèn)為其實(shí)是無法兌現(xiàn)的？

Michael I. Jordan：我認(rèn)為數(shù)據(jù)分析能夠按某些質(zhì)量標(biāo)準(zhǔn)發(fā)布一些推斷，然而我們必須交代清楚這些質(zhì)量標(biāo)準(zhǔn)到底是什么樣的。我們必須在我們所有的預(yù)測上加上誤差線，而這正是在目前很多機(jī)器學(xué)習(xí)文獻(xiàn)中所欠缺的。

IEEE S：如果處理數(shù)據(jù)的人并不理會(huì)您的建議會(huì)發(fā)生什么情況呢？

Michael I. Jordan：我喜歡使用“造橋”來做類比。假設(shè)我不依從任何準(zhǔn)則，毫無科學(xué)根據(jù)地建造了上千座橋梁，那么它們有很多都會(huì)崩塌，造成巨大的災(zāi)難。與此類似，假設(shè)人們使用數(shù)據(jù)并根據(jù)這些數(shù)據(jù)做出推斷而完全沒有考慮誤差線、數(shù)據(jù)異構(gòu)、噪聲數(shù)據(jù)、采樣模式，以及所有那些作為一個(gè)工程師和統(tǒng)計(jì)學(xué)家必須慎重對待的事情，他們就會(huì)做出很多的預(yù)測，并且有很大可能會(huì)偶爾解決一些真正有意思的問題。但是時(shí)不時(shí)地還會(huì)做出一些災(zāi)難性的糟糕決定。這其中的差別你事先是不會(huì)知道的。你就只能做出預(yù)測然后祈禱一切順利。

這就是我們的現(xiàn)狀。許多人在（用大數(shù)據(jù)）做一些事情，期望它們能有用，有時(shí)它們確實(shí)起

作用了。從某種意義上講，這么做也無可指摘，這本就是探索性的工作。但是就整個(gè)社會(huì)而言，不能放任這種情況發(fā)展，我們不能只是“但愿”它們有用，到頭來我們還是要給出切實(shí)的保證。

土木工程師最終學(xué)會(huì)了如何建造能夠持久屹立的橋梁。那么說到大數(shù)據(jù)，我猜可能還要過幾十年才能形成一個(gè)真正的工程學(xué)方法，以便你能夠有一定程度的保證說，你正在公布合理的答案并且在對出錯(cuò)的可能性進(jìn)行量化分析。

IEEE S：我們現(xiàn)在有提供那些誤差線的工具嗎？

Michael I. Jordan：我們正在著手把這門工程科學(xué)組裝起來。我們有許多想法，它們來自于數(shù)百年的統(tǒng)計(jì)學(xué)和計(jì)算機(jī)科學(xué)的研究，我們正致力于把它們?nèi)诤系揭黄?，讓它們具有可擴(kuò)展性。過去30年間涌現(xiàn)了許多關(guān)于如何控制所謂的“族群誤差”的想法，也就是在有多個(gè)假設(shè)的情況下想知道誤差率。但這些想法仍有許多還沒有從實(shí)際計(jì)算的角度進(jìn)行研究。解決這些問題是很難的數(shù)學(xué)和工程課題，并且需要時(shí)間。

這不是一兩年的問題，而是需要幾十年才能做好。我們?nèi)耘f在學(xué)習(xí)如何用好大數(shù)據(jù)。

IEEE S：在閱讀關(guān)于大數(shù)據(jù)和醫(yī)療保健的報(bào)道時(shí)，差不多每三篇就有一篇在談我們將幾乎完全自動(dòng)地靠著從每個(gè)人身上（尤其是通過“云”）收集數(shù)據(jù)來獲得令人驚嘆的臨床診斷的發(fā)現(xiàn)。

Michael I. Jordan：對這種事，你既不能全盤懷疑也不能徹底樂觀，應(yīng)該就在這兩個(gè)極端之間。但是如果你把某些數(shù)據(jù)分析中得到的假設(shè)全部列出來，那么總有一部分是有用的，你只是不知道是哪一部分。

所以如果你隨便挑出幾條來——比如說“吃燕麥麩就不會(huì)得胃癌”之類的，因?yàn)閺臄?shù)據(jù)上看似乎如此，那么你會(huì)有一些走運(yùn)的機(jī)會(huì)。數(shù)據(jù)是能提供某種支持的。

但是這還是在賭博，除非你真的做了完整的工程統(tǒng)計(jì)分析來給出誤差線并且量化錯(cuò)誤率。雖

然它比沒有數(shù)據(jù)就直接賭博要好些，那是純粹的輪盤賭。而這是一種部分的輪盤賭。

IEEE S：如果我們繼續(xù)在您描述的那條（錯(cuò)誤的）軌跡上前進(jìn)，大數(shù)據(jù)將會(huì)面對怎樣的不利后果？

Michael I. Jordan：最主要的就會(huì)是一次“大數(shù)據(jù)的冬天”（暗指20 世紀(jì)七八十年代的“人工智能的冬天”）。在一場泡沫之后——人們已經(jīng)投了錢，一大批公司作了承諾卻又拿不出嚴(yán)肅的分析結(jié)果——泡沫會(huì)破碎。并且很快，在2~5 年間，人們就會(huì)說“大數(shù)據(jù)來了又走了，它死了，并且是錯(cuò)的。”我預(yù)言的是那樣。

當(dāng)炒作過了頭的時(shí)候，這就是在那些循環(huán)往復(fù)之中會(huì)發(fā)生的事情。這些炒作或者說斷言，既不是基于對真正的問題是什么的理解，也不是基于解決問題可能要好幾十年或者說我們會(huì)取得逐步進(jìn)展的理解，而是基于一種我們還沒有在技術(shù)進(jìn)步中取得關(guān)鍵性跨越的理解。在此之后可能會(huì)有一個(gè)時(shí)期，獲取資源來做數(shù)據(jù)分析變得十分困難。（當(dāng)然）這個(gè)領(lǐng)域會(huì)繼續(xù)發(fā)展，因?yàn)樗钦鎸?shí)的也是有實(shí)際需求的。不過這種反彈勢必會(huì)對一大批重要的研究項(xiàng)目造成不利影響。

微信號：wwwDVBCNcom

閱讀記錄: read twice

http://mp.weixin.qq.com/s?__biz=MzA4MjE5NjAzMg==&mid=202277145&idx=1&sn=45e0b167916596add40b0c34b712ae22&3rd=MzA3MDU4NTYzMw==&scene=6#rd

    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    fea_Train = fea(:,trainIdx);
    gnd_Train = gnd(trainIdx);
    fea_Test = fea(:,testIdx);
    gnd_Test = gnd(testIdx);
    train_size = length(gnd_Train);
    test_size  = length(gnd_Test);
   
    %%%%%%%%%%%%%%%%%%%%%%%Normalization begins%%%%%%%%%%%%%%%%%%%%%%%
    train_data_std = std(fea_Train');
    train_data_mean = mean(fea_Train');
    train_data_std_matrix = ones(train_size,dim)*diag(train_data_std);
    train_data_std_matrix(train_data_std_matrix==0)=1;
    train_data_mean_matrix = ones(train_size,dim)*diag(train_data_mean);
    train_scale_data = (fea_Train' - train_data_mean_matrix)./train_data_std_matrix;
    clear train_data_mean_matrix train_data_std_matrix;
    fea_Train = train_scale_data';
    clear train_scale_data;
   
    test_data_std_matrix = ones(test_size,dim)*diag(train_data_std);
    test_data_mean_matrix = ones(test_size,dim)*diag(train_data_mean);
    clear train_data_mean train_data_std;
    test_data = (fea_Test' - test_data_mean_matrix)./test_data_std_matrix;
    clear test_data_std_matrix test_data_mean_matrix;
    fea_Test = test_data';
    clear test_data;
    %%%%%%%%%%%%%%%%%%%%%%%Normalization ends%%%%%%%%%%%%%%%%%%%%%%%

http://mp.weixin.qq.com/s?__biz=MjM5OTExNDI0Nw==&mid=200268130&idx=1&sn=67f49e08564d1314d369f56276e8daf7&scene=1&from=groupmessage&isappinstalled=0#rd

對話Facebook人工智能實(shí)驗(yàn)室主任、深度學(xué)習(xí)專家Yann LeCun

Yann LeCun（燕樂存），F(xiàn)acebook人工智能實(shí)驗(yàn)室主任，NYU數(shù)據(jù)科學(xué)中心創(chuàng)始人，計(jì)算機(jī)科學(xué)、神經(jīng)科學(xué)、電子電氣科學(xué)教授。他1983年在ESIEE獲得電氣工程學(xué)位，1987年在UPMC獲得計(jì)算機(jī)博士學(xué)位。在多倫多大學(xué)做了一段時(shí)間博士后，于1988年加入位于新澤西州的AT&T貝爾實(shí)驗(yàn)室。1996年他成為圖像處理研究部的主任，2003年，在普林斯頓NEC研究院經(jīng)歷短暫的Fellow生活以后，加入NYU。2013年，他被Facebook聘請為人工智能實(shí)驗(yàn)室主任，同時(shí)仍在NYU兼職。

他目前的研究興趣在于：機(jī)器學(xué)習(xí)，計(jì)算機(jī)認(rèn)知，移動(dòng)機(jī)器人以及計(jì)算神經(jīng)學(xué)。在這些領(lǐng)域他發(fā)表了180余篇論文和圖書，涉及主題有神經(jīng)網(wǎng)絡(luò)、手寫體識別、圖像處理和壓縮以及計(jì)算機(jī)認(rèn)知的專用電路和架構(gòu)。他在貝爾實(shí)驗(yàn)室研發(fā)的字符識別技術(shù)，被全世界多家銀行用于識別支票，早在2000年左右，該程序識別了全美10%-20%的支票。他發(fā)明的圖片壓縮技術(shù)DjVu，被數(shù)百家網(wǎng)站和出版商采納，擁有上百萬用戶。他研發(fā)的一個(gè)識別方法，卷積網(wǎng)絡(luò)，是AT&T、Google、微軟、NEC、IBM、百度以及Facebook等公司在文檔識別，人機(jī)交互，圖片標(biāo)注、語音識別和視頻分析等等技術(shù)的奠基石。

LeCun教授是IJCV、PAMI和IEEE Trans的審稿人。CVPR06的程序主席、ICLR2013和2014的主席。他是IPAM（Institute for Pure and Applied Mathematics）的顧問。他是2014年IEEE神經(jīng)網(wǎng)絡(luò)領(lǐng)軍人物獎(jiǎng)獲得者。

本文的采訪者是另一位大牛Gregory Piatetsky，KDD會(huì)議創(chuàng)始人，是1989，1991和1993年KDD的主席，SIGKDD第一個(gè)服務(wù)獎(jiǎng)?wù)芦@得者，KDnuggets網(wǎng)站和周刊的維護(hù)者。

本文主要內(nèi)容有，是什么給深度學(xué)習(xí)帶來了今日如此令世人矚目的成績，Yann Lecun和Vapnik關(guān)于神經(jīng)網(wǎng)絡(luò)和核函數(shù)（支持向量機(jī)）的爭論，以及Facebook理想中的AI是什么樣子的。

以下為采訪原文：

問：人工神經(jīng)網(wǎng)絡(luò)的研究已經(jīng)有五十多年了，但是最近才有非常令人矚目的結(jié)果，在諸如語音和圖像識別這些比較難的問題上，是什么因素讓深度學(xué)習(xí)網(wǎng)絡(luò)勝出了呢？數(shù)據(jù)？算法？硬件？

答：雖然大部分人的感覺是人工神經(jīng)網(wǎng)絡(luò)最近幾年才迅速崛起，但實(shí)際上上個(gè)世紀(jì)八十年代以后，就有很多成功的應(yīng)用了。深度學(xué)習(xí)指的是，任何可以訓(xùn)練多于兩到三個(gè)非線性隱含層模型的學(xué)習(xí)算法。大概是2003年，Geoff Hinton，Yoshua Bengio和我策劃并鼓動(dòng)機(jī)器學(xué)習(xí)社區(qū)將興趣放在表征學(xué)習(xí)這個(gè)問題上（和簡單的分類器學(xué)習(xí)不同）。直到2006-2007年左右才有了點(diǎn)味道，主要是通過無監(jiān)督學(xué)習(xí)的結(jié)果（或者說是無監(jiān)督預(yù)訓(xùn)練，伴隨監(jiān)督算法的微調(diào)），這部分工作是Geoff Hinton，Yoshua Bengio，Andrew Ng和我共同進(jìn)行的。

但是大多數(shù)最近那些有效果的深度學(xué)習(xí)，用得還是純監(jiān)督學(xué)習(xí)加上后向傳播算法，跟上個(gè)世紀(jì)八十年代末九十年代初的神經(jīng)網(wǎng)絡(luò)沒太大區(qū)別。

區(qū)別在于，我們現(xiàn)在可以在速度很快的GPU上跑非常大非常深層的網(wǎng)絡(luò)（比如有時(shí)候有十億連接，12層），而且還可以用大規(guī)模數(shù)據(jù)集里面的上百萬的樣本來訓(xùn)練。過去我們還有一些訓(xùn)練技巧，比如有個(gè)正則化的方法叫做dropout，還有克服神經(jīng)元的非線性問題，以及不同類型的空間池化（spatial pooling）等等。

很多成功的應(yīng)用，尤其是在圖像識別上，都采用的是卷積神經(jīng)網(wǎng)絡(luò)（ConvNet），是我上個(gè)世紀(jì)八九十年代在貝爾實(shí)驗(yàn)室開發(fā)出來的。后來九十年代中期，貝爾實(shí)驗(yàn)室商業(yè)化了一批基于卷積神經(jīng)網(wǎng)絡(luò)的系統(tǒng)，用于識別銀行支票（印刷版和手寫版均可識別）。

經(jīng)過了一段時(shí)間，其中一個(gè)系統(tǒng)識別了全美大概10%到20%的支票。最近五年，對于卷積神經(jīng)網(wǎng)絡(luò)的興趣又卷土重來了，很多漂亮的工作，我的研究小組有參與，以及Geoff Hinton，Andrew Ng和Yoshua Bengio，還有瑞士IDSI的AJargen Schmidhuber，以及加州的NEC。卷積神經(jīng)網(wǎng)絡(luò)現(xiàn)在被Google，F(xiàn)acebook，IBM，百度，NEC以及其他互聯(lián)網(wǎng)公司廣泛使用，來進(jìn)行圖像和語音識別。（Gregory Piatetsky注：Yann Lecun教授的一個(gè)學(xué)生，最近贏得了Kaggle上貓狗識別的比賽，用的就是卷積神經(jīng)網(wǎng)絡(luò)，準(zhǔn)確度98.9%。）

問：深度學(xué)習(xí)可不是一個(gè)容易用的方法，你能給大家推薦一些工具和教程么？大家都挺想從在自己的數(shù)據(jù)上跑跑深度學(xué)習(xí)。

答：基本上工具有兩個(gè)推薦：

• Torch7

• Theano + Pylearn2

他們的設(shè)計(jì)哲學(xué)不盡相同，各有千秋。Torch7是LuaJIT語言的一個(gè)擴(kuò)展，提供了多維數(shù)組和數(shù)值計(jì)算庫。它還包括一個(gè)面向?qū)ο蟮纳疃葘W(xué)習(xí)開發(fā)包，可用于計(jì)算機(jī)視覺等研究。Torch7的主要優(yōu)點(diǎn)在于LuaJIT非?？欤褂闷饋硪卜浅ｌ`活（它是流行腳本語言Lua的編譯版本）。

Theano加上Pylearn先天就有Python語言帶來的優(yōu)勢（Python是廣泛應(yīng)用的腳本語言，很多領(lǐng)域都有對應(yīng)的開發(fā)庫），劣勢也是應(yīng)為用Python，速度慢。

問：咱倆很久以前在KXEN的科學(xué)咨詢會(huì)議上見過，當(dāng)時(shí)Vapnik的概率學(xué)習(xí)理論和支持向量機(jī)（SVM）是比較主流的。深度學(xué)習(xí)和支持向量機(jī)/概率學(xué)習(xí)理論有什么關(guān)聯(lián)？

答：1990年前后，我和Vapnik在貝爾實(shí)驗(yàn)室共事，歸屬于Larry Jackel的自適應(yīng)系統(tǒng)研究部，我倆辦公室離得很近。卷積神經(jīng)網(wǎng)絡(luò)，支持向量機(jī)，正切距離以及其他后來有影響的方法都是在這發(fā)明出來的，問世時(shí)間也相差無幾。1995年AT&T拆分朗訊以后，我成了這個(gè)部門的領(lǐng)導(dǎo)，部門后來改成了AT&T實(shí)驗(yàn)室的圖像處理研究部。部門當(dāng)時(shí)的機(jī)器學(xué)習(xí)專家有Yoshua Bengio， Leon Bottou，Patrick Haffner以及Vladimir Vapnik，還有幾個(gè)訪問學(xué)者以及實(shí)習(xí)生。

我和Vapnik經(jīng)常討論深度網(wǎng)絡(luò)和核函數(shù)的相對優(yōu)缺點(diǎn)?；緛碇v，我一直對于解決特征學(xué)習(xí)和表征學(xué)習(xí)感興趣。我對核方法興趣一般，因?yàn)樗鼈儾荒芙鉀Q我的問題。老實(shí)說，支持向量機(jī)作為通用分類方法來講，是非常不錯(cuò)的。但是話說回來，它們也只不過是簡單的兩層模型，第一層是用核函數(shù)來計(jì)算輸入數(shù)據(jù)和支持向量之間相似度的單元集合。第二層則是線性組合了這些相似度。

第一層就是用最簡單的無監(jiān)督模型訓(xùn)練的，即將訓(xùn)練數(shù)據(jù)作為原型單元存儲(chǔ)起來。基本上來說，調(diào)節(jié)核函數(shù)的平滑性，產(chǎn)生了兩種簡單的分類方法：線性分類和模板匹配。大概十年前，由于評價(jià)核方法是一種包裝美化過的模板匹配，我惹上了麻煩。Vapnik，站在我對立面，他描述支持向量機(jī)有非常清晰的擴(kuò)展控制能力。“窄”核函數(shù)所產(chǎn)生的支持向量機(jī)，通常在訓(xùn)練數(shù)據(jù)上表現(xiàn)非常好，但是其普適性則由核函數(shù)的寬度以及對偶系數(shù)決定。Vapnik對自己得出的結(jié)果非常自信。他擔(dān)心神經(jīng)網(wǎng)絡(luò)沒有類似這樣簡單的方式來進(jìn)行擴(kuò)展控制（雖然神經(jīng)網(wǎng)絡(luò)根本沒有普適性的限制，因?yàn)樗鼈兌际菬o限的VC維）。

我反駁了他，相比用有限計(jì)算能力來計(jì)算高復(fù)雜度函數(shù)這種能力，擴(kuò)展控制只能排第二。圖像識別的時(shí)候，移位、縮放、旋轉(zhuǎn)、光線條件以及背景噪聲等等問題，會(huì)導(dǎo)致以像素做特征的核函數(shù)非常低效。但是對于深度架構(gòu)比如卷積網(wǎng)絡(luò)來說卻是小菜一碟。

問：祝賀你成為Facebook人工智能實(shí)驗(yàn)室的主任。你能給講講未來幾年Facebook在人工智能和機(jī)器學(xué)習(xí)上能有什么產(chǎn)出么？

答：非常謝謝你，這個(gè)職位是個(gè)非常難得的機(jī)會(huì)?；旧蟻碇v，F(xiàn)acebook的主要目標(biāo)是讓人與人更好的溝通。但是當(dāng)今的人們被來自朋友、新聞、網(wǎng)站等等信息來源狂哄亂炸。Facebook幫助人們來在信息洪流中找到正確的方向。這就需要Facebook能知道人們對什么感興趣，什么是吸引人的，什么讓人快樂，什么讓人們學(xué)到新東西。這些知識，只有人工智能可以提供。人工智能的進(jìn)展，將讓我們理解各種內(nèi)容，比如文字，圖片，視頻，語音，聲音，音樂等等。

問：長期來看，你覺得人工智能會(huì)變成什么樣？我們會(huì)不會(huì)達(dá)到Ray Kurzweil所謂的奇點(diǎn)？

答：我們肯定會(huì)擁有智能機(jī)器。這只是時(shí)間問題。我們肯定會(huì)有那種雖然不是非常聰明，但是可以做有用事情的機(jī)器，比如無人駕駛車。

至于這需要多長時(shí)間？人工智能研究者之前很長的一段時(shí)間都低估了制造智能機(jī)器的難度。我可以打個(gè)比方：研究進(jìn)展就好像開車去目的地。當(dāng)我們在研究上發(fā)現(xiàn)了新的技術(shù)，就類似在高速路上開車一樣，無人可擋，直達(dá)目的地。

但是現(xiàn)實(shí)情況是，我們是在一片濃霧里開車，我們沒有意識到，研究發(fā)現(xiàn)的所謂的高速公路，其實(shí)只是一個(gè)停車場，前方的盡頭有一個(gè)磚墻。很多聰明人都犯了這個(gè)錯(cuò)誤，人工智能的每一個(gè)新浪潮，都會(huì)帶來這么一段從盲目樂觀到不理智最后到沮喪的階段。感知機(jī)技術(shù)、基于規(guī)則的專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、圖模型、支持向量機(jī)甚至是深度學(xué)習(xí)，無一例外，直到我們找到新的技術(shù)。當(dāng)然這些技術(shù)，從來就不是完全失敗的，它們?yōu)槲覀儙砹诵碌墓ぞ?、概念和算法?/p>

雖然我相信我們最終一定會(huì)制造出超越人類智能的機(jī)器，但是我并不相信所謂的奇點(diǎn)理論。大部分人覺得技術(shù)的進(jìn)展是個(gè)指數(shù)曲線，其實(shí)它是個(gè)S型曲線。S型曲線剛開始的時(shí)候跟指數(shù)曲線很像。而且奇點(diǎn)理論比指數(shù)曲線還夸張，它假設(shè)的是漸進(jìn)曲線。線性、多項(xiàng)式、指數(shù)和漸進(jìn)以及S曲線的動(dòng)態(tài)演變，都跟阻尼和摩擦因子有關(guān)系。而未來學(xué)家卻假設(shè)這些因子是不存在的。未來學(xué)家生來就愿意做出盲目的預(yù)測，尤其是他們特別渴望這個(gè)預(yù)測成真的時(shí)候，可能是為了實(shí)現(xiàn)個(gè)人抱負(fù)。

問：你還在NYU數(shù)據(jù)科學(xué)中心當(dāng)兼職主任，你怎么權(quán)衡或者結(jié)合在Facebook的工作？

答：我在NYU數(shù)據(jù)科學(xué)中心已經(jīng)不再擔(dān)任實(shí)際職務(wù)了，而是名譽(yù)主任。在新的主任選舉出來以前，代理主任是S.R. Srinivasa “Raghu” Varadha，世界上最有名的統(tǒng)計(jì)學(xué)家。NYU已經(jīng)展開了新主任的遴選工作。在數(shù)據(jù)科學(xué)中心的建立過程中，我花費(fèi)了相當(dāng)大的精力。我們現(xiàn)在書據(jù)科學(xué)方面有碩士生項(xiàng)目，未來會(huì)有博士生項(xiàng)目?，F(xiàn)在中心有9個(gè)工作空缺，和Berkeley和華盛頓大學(xué)合作，我們從Moore和Sloan基金會(huì)拿到了非常大的一個(gè)五年基金支持，中心現(xiàn)在和Facebook等各大公司都有合作伙伴關(guān)系，我們馬上要蓋新大樓。下一任中心主任將會(huì)非常熱愛自己的工作！

問：“數(shù)據(jù)科學(xué)”這個(gè)詞，近來經(jīng)常出現(xiàn)，被認(rèn)為是統(tǒng)計(jì)學(xué)、商業(yè)智能等學(xué)科的交叉。這個(gè)數(shù)據(jù)科學(xué)和之前的“數(shù)據(jù)挖掘”或者“預(yù)測分析”有什么不同？它是一個(gè)新學(xué)科？它的公理和原則有哪些？

答：數(shù)據(jù)科學(xué)指的是自動(dòng)或半自動(dòng)地從數(shù)據(jù)中抽取知識。這個(gè)過程涉及很多的學(xué)科，每個(gè)學(xué)科對它都有自己的名字，包括概率估計(jì)，數(shù)據(jù)挖掘，預(yù)測分析，系統(tǒng)辨識，機(jī)器學(xué)習(xí)，人工智能等等。

從各個(gè)學(xué)科的角度，統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)以及某些應(yīng)用數(shù)學(xué)，都可以聲稱是數(shù)據(jù)科學(xué)的起源。但是實(shí)際上，數(shù)據(jù)科學(xué)之于統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)以及應(yīng)用數(shù)學(xué)，正如上個(gè)世紀(jì)六十年代的計(jì)算機(jī)科學(xué)之于電子電氣、物理和數(shù)學(xué)。后來計(jì)算機(jī)科學(xué)變成了一個(gè)完全成熟的獨(dú)立學(xué)科，而不是數(shù)學(xué)或者工程的子學(xué)科，完全是因?yàn)樗鼘ι鐣?huì)非常重要。

當(dāng)今的數(shù)字時(shí)代，數(shù)據(jù)指數(shù)級別的瘋漲，從數(shù)據(jù)中自動(dòng)抽取知識這個(gè)問題，已經(jīng)逐漸成為了人們的焦點(diǎn)。這正促進(jìn)數(shù)據(jù)科學(xué)成為一個(gè)真正獨(dú)立的學(xué)科。也促進(jìn)著統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)和數(shù)學(xué)重新劃定自己的學(xué)科界限。數(shù)據(jù)科學(xué)還創(chuàng)造了“方法學(xué)科”的科學(xué)家和“領(lǐng)域?qū)W科”如自然科學(xué)、商科、藥學(xué)和政府的工作人員緊密交流的機(jī)會(huì)。

我預(yù)測，未來十年，很多頂尖大學(xué)都會(huì)設(shè)立數(shù)據(jù)科學(xué)系。

問：您對于“大數(shù)據(jù)”這個(gè)詞怎么看？作為一種趨勢或者一個(gè)時(shí)髦詞，它有多少成分是夸大，多少是真實(shí)的？

答：對于這個(gè)詞，我覺得最近社交網(wǎng)絡(luò)上比較流行的那個(gè)笑話非常貼切，把大數(shù)據(jù)比作青少年性行為：每個(gè)人都在談?wù)撍瑳]人知道到底怎么做，每個(gè)人都以為其他人知道怎么做，所以每個(gè)人都聲稱自己也在做，這個(gè)笑話我是從Dan Ariely的Facebook上看到的。

我碰到過一些人，哪怕是閃盤可以存下，筆記本可以處理的數(shù)據(jù)，都堅(jiān)持使用Hadoop來處理。

這個(gè)詞確實(shí)被夸大了。但是如何收集、存儲(chǔ)和分析海量數(shù)據(jù)這個(gè)問題是實(shí)際存在的。我經(jīng)常懷疑的是諸如“大數(shù)據(jù)”這樣的名字而已，因?yàn)榻袢盏拇髷?shù)據(jù)，將成為明日的小數(shù)據(jù)。還有，很多問題都是因?yàn)閿?shù)據(jù)量不足而產(chǎn)生的，比如基因和醫(yī)療數(shù)據(jù)，數(shù)據(jù)永遠(yuǎn)都不會(huì)夠用。

問：數(shù)據(jù)科學(xué)家被稱為“二十一世紀(jì)最性感的職業(yè)”。你給想要進(jìn)入這個(gè)領(lǐng)域的人們提一點(diǎn)建議？

答：如果你是個(gè)本科生，多學(xué)數(shù)學(xué)、統(tǒng)計(jì)學(xué)還有物理學(xué)，更重要的是你要學(xué)著寫代碼（學(xué)三到四門計(jì)算機(jī)課程）。如果你有本科學(xué)位，那么你可以申請NYU數(shù)據(jù)科學(xué)中心的碩士項(xiàng)目。

問：你最近對哪本書比較感興趣？不接觸計(jì)算機(jī)和手機(jī)的時(shí)候你都在干些什么？

答：在我空閑的時(shí)候，我會(huì)造一些微型飛行器，我非常喜歡3D打印，我還經(jīng)常研究帶微控制器的電路板，我還希望能更好的制造音樂（我收集電子風(fēng)門控制器）。大多數(shù)非小說的作品我都看，還聽可多的爵士樂（或者類似的音樂）。

查看英語原文：http://www.kdnuggets.com/2014/02/exclusive-yann-lecun-deep-learning-facebook-ai-lab.html

---

感謝吳甘沙對本文的審校,感謝包研對本文的策劃。

給InfoQ中文站投稿或者參與內(nèi)容翻譯工作，請郵件至editors@cn.infoq.com。也歡迎大家通過新浪微博（@InfoQ）或者騰訊微博（@InfoQ）關(guān)注我們，并與我們的編輯和其他讀者朋友交流。

http://xm.xingzuopei.com/Page.aspx?FN=CeShi

M. Koppen, D.H. Wolpert, W.G. Macready, “Remarks on a recent paper on the '' No free lunch '' theorems, ” IEEE Trans. Evolutionary Computation, vol. 5, pp. 295-296, 2001.

http://cq.qq.com/a/20111124/000044_1.htm
筆記本電腦在接通電源的情況下，測得最高輻射值為3000多微瓦/平方厘米?？墒?，當(dāng)我們將筆記本電源斷掉，只使用它的電池時(shí)，輻射值幾乎為0。 我們從這個(gè)實(shí)驗(yàn)可以看出，在使用筆記本時(shí)，應(yīng)該先充好電后，斷電使用。