第64章 死循環
暑假的校園褪去了人聲，總是顯得格外的安靜。
梧桐葉子被曬得打卷，蟬鳴從早響到晚。
圖書館的老位置，肖宿手邊摞著從書庫借出來的專著，一本換一本，有時候半天翻完一本，有時候一頁看上很久。
自從那天在會議室里，林正宏的技術總監拋出那個工業算法難題後，肖宿就一直在想一個問題。
高維非線性系統的全局最優解快速構造。
當時他臨時拼湊出的那套「自適應李群離散化優化算法」，只是針對恆科智能的具體場景，勉強算是一次應急的縫合。
但那個場景，讓他窺見了更底層的東西。
那天看到的那些數據曲線顯示的是工業世界的縮影，高維、強耦合、強噪聲、實時性要求極高。
現實世界的數據從來不是規規矩矩躺在二維表格里的，它們糾纏在一起，相互影響，相互干擾，像一團亂麻。
而現在的AI，面對這種亂麻，多數時候只能抓瞎。
真正的智能應該是什麼樣的？
肖宿在草稿紙上隨手畫了一個圈，又在圈裡畫了無數個交錯的線條。
你走進一個從未到過的房間，目光一掃，零點幾秒內就能判斷出哪個位置最安全、哪條路線最通暢。
這不是窮舉，不是遍歷，是某種近乎直覺的能力。
從無數種可能性里，瞬間挑出那個最優的答案。
現在的AI離這種能力差得太遠。
差在哪兒？就差在這個問題的解法上。
肖宿放下筆，靠在椅背上，望著窗外被曬得發白的天空。
這個問題要是能解開，那麼高超音速飛行器的控制將會得到質的提升。
飛行器在大氣層邊緣以十幾倍音速穿梭，表面溫度瞬息萬變，氣流狀態極度複雜，控制系統需要在毫秒級的時間內，從成千上萬種可能的調節方案里找到那個最穩的。
可是現在的智能系統還做不到，所以只能靠預設程序加人工干預，反應慢半拍，危險就多十分。
而在新藥研發上，效率也會得到極大提升。
要知道小分子與靶點蛋白的相互作用，本質上是高維空間裡的能量最小化問題。
現在的算法算一個候選分子都要跑幾周甚至幾個月，篩一萬個化合物簡直得算到地老天荒。
如果能瞬間找到那個最穩定的構象，藥物篩選的效率提升將是指數級的。
還有天氣檢測。
大氣環流模型動輒上百萬個變量，非線性耦合到令人髮指。
現在的超級計算機算三天後的颱風路徑，還有幾十公里的誤差。
如果能快速找到系統演化的最優逼近路徑，精準度能提到什麼程度，沒人敢想。
此外，還有那些更基礎的領域，比如材料設計、金融風控、自動駕駛、量子化學方程求解……
肖宿的目光落在草稿紙上的那個圈上。
這個問題的解法，就是一把鑰匙。
能打開的門太多了。
問題是，這把鑰匙長什麼樣？
他這幾天已經梳理了目前學界在這個方向上的主要進展。
這個領域很熱鬧，國內國外都有團隊在啃。
最主流的思路是「代理模型」加「主動採樣」。
就是用高斯過程或者神經網絡擬合目標函數，構造一個容易計算的代理模型，然後在代理模型上找可能的最優點，再去原函數上驗證。
貝葉斯優化就是這條路子的代表。
但問題是，高斯過程的計算複雜度隨數據量立方級增長，到了幾十維以上就捉襟見肘。
神經網絡的表達能力更強，但神經網絡本身也是非線性的，用非線性去擬合非線性，等於用一個複雜問題去逼近另一個複雜問題。
另一種思路是「元啟發式算法」。
也就是遺傳算法、粒子群算法、差分進化，這些算法的共同點是模仿自然現象，讓一群候選解在空間裡「進化」或者「飛行」，靠隨機性和競爭機制慢慢逼近最優。
這方法確實有用，而且很靈活，什麼黑箱都能往裡扔。
但是它太慢了，而且沒有理論保證。
你永遠不知道它找到的是不是真的最優，也不知道還要跑多久才能收斂。
還有一條路是用深度學習直接端到端求解。
把優化問題參數化，訓練一個神經網絡，輸入問題描述，輸出最優解。
這想法很誘人，但訓練數據從哪兒來？要生成足夠多的「問題—最優解」對，本身就得先解無數個優化問題。
這就陷入了死循環。
梧桐葉子被曬得打卷，蟬鳴從早響到晚。
圖書館的老位置，肖宿手邊摞著從書庫借出來的專著，一本換一本，有時候半天翻完一本，有時候一頁看上很久。
自從那天在會議室里，林正宏的技術總監拋出那個工業算法難題後，肖宿就一直在想一個問題。
高維非線性系統的全局最優解快速構造。
當時他臨時拼湊出的那套「自適應李群離散化優化算法」，只是針對恆科智能的具體場景，勉強算是一次應急的縫合。
但那個場景，讓他窺見了更底層的東西。
那天看到的那些數據曲線顯示的是工業世界的縮影，高維、強耦合、強噪聲、實時性要求極高。
現實世界的數據從來不是規規矩矩躺在二維表格里的，它們糾纏在一起，相互影響，相互干擾，像一團亂麻。
而現在的AI，面對這種亂麻，多數時候只能抓瞎。
真正的智能應該是什麼樣的？
肖宿在草稿紙上隨手畫了一個圈，又在圈裡畫了無數個交錯的線條。
你走進一個從未到過的房間，目光一掃，零點幾秒內就能判斷出哪個位置最安全、哪條路線最通暢。
這不是窮舉，不是遍歷，是某種近乎直覺的能力。
從無數種可能性里，瞬間挑出那個最優的答案。
現在的AI離這種能力差得太遠。
差在哪兒？就差在這個問題的解法上。
肖宿放下筆，靠在椅背上，望著窗外被曬得發白的天空。
這個問題要是能解開，那麼高超音速飛行器的控制將會得到質的提升。
飛行器在大氣層邊緣以十幾倍音速穿梭，表面溫度瞬息萬變，氣流狀態極度複雜，控制系統需要在毫秒級的時間內，從成千上萬種可能的調節方案里找到那個最穩的。
可是現在的智能系統還做不到，所以只能靠預設程序加人工干預，反應慢半拍，危險就多十分。
而在新藥研發上，效率也會得到極大提升。
要知道小分子與靶點蛋白的相互作用，本質上是高維空間裡的能量最小化問題。
現在的算法算一個候選分子都要跑幾周甚至幾個月，篩一萬個化合物簡直得算到地老天荒。
如果能瞬間找到那個最穩定的構象，藥物篩選的效率提升將是指數級的。
還有天氣檢測。
大氣環流模型動輒上百萬個變量，非線性耦合到令人髮指。
現在的超級計算機算三天後的颱風路徑，還有幾十公里的誤差。
如果能快速找到系統演化的最優逼近路徑，精準度能提到什麼程度，沒人敢想。
此外，還有那些更基礎的領域，比如材料設計、金融風控、自動駕駛、量子化學方程求解……
肖宿的目光落在草稿紙上的那個圈上。
這個問題的解法，就是一把鑰匙。
能打開的門太多了。
問題是，這把鑰匙長什麼樣？
他這幾天已經梳理了目前學界在這個方向上的主要進展。
這個領域很熱鬧，國內國外都有團隊在啃。
最主流的思路是「代理模型」加「主動採樣」。
就是用高斯過程或者神經網絡擬合目標函數，構造一個容易計算的代理模型，然後在代理模型上找可能的最優點，再去原函數上驗證。
貝葉斯優化就是這條路子的代表。
但問題是，高斯過程的計算複雜度隨數據量立方級增長，到了幾十維以上就捉襟見肘。
神經網絡的表達能力更強，但神經網絡本身也是非線性的，用非線性去擬合非線性，等於用一個複雜問題去逼近另一個複雜問題。
另一種思路是「元啟發式算法」。
也就是遺傳算法、粒子群算法、差分進化，這些算法的共同點是模仿自然現象，讓一群候選解在空間裡「進化」或者「飛行」，靠隨機性和競爭機制慢慢逼近最優。
這方法確實有用，而且很靈活，什麼黑箱都能往裡扔。
但是它太慢了，而且沒有理論保證。
你永遠不知道它找到的是不是真的最優，也不知道還要跑多久才能收斂。
還有一條路是用深度學習直接端到端求解。
把優化問題參數化，訓練一個神經網絡，輸入問題描述，輸出最優解。
這想法很誘人，但訓練數據從哪兒來？要生成足夠多的「問題—最優解」對，本身就得先解無數個優化問題。
這就陷入了死循環。